Spark RDD 概念以及核心原理

2、依赖关系下的数据流视图

　　

 

　　

　　在spark中，会根据RDD之间的依赖关系将DAG图划分为不同的阶段，对于窄依赖，由于partition依赖关系的确定性，partition的转换处理就可以在同一个线程里完成，窄依赖就被spark划分到同一个stage中，而对于宽依赖，只能等父RDD shuffle处理完成后，下一个stage才能开始接下来的计算。

　　因此spark划分stage的整体思路是：从后往前推，遇到宽依赖就断开，划分为一个stage；遇到窄依赖就将这个RDD加入该stage中。因此在图2中RDD C,RDD D,RDD E,RDDF被构建在一个stage中,RDD A被构建在一个单独的Stage中,而RDD B和RDD G又被构建在同一个stage中。

　　在spark中，Task的类型分为2种：ShuffleMapTask和ResultTask；

　　简单来说，DAG的最后一个阶段会为每个结果的partition生成一个ResultTask，即每个Stage里面的Task的数量是由该Stage中最后一个RDD的Partition的数量所决定的！而其余所有阶段都会生成ShuffleMapTask；已经为大家精心准备了大数据的系统学习资料，从Linux-Hadoop-spark-......，需要的小伙伴可以点击之所以称之为ShuffleMapTask是因为它需要将自己的计算结果通过shuffle到下一个stage中；也就是说图2中的stage1和stage2相当于mapreduce中的Mapper,而ResultTask所代表的stage3就相当于mapreduce中的reducer。

　　需要补充说明的是，在前面的课程中，我们实际动手操作了一个wordcount程序，因此可知，Hadoop中MapReduce操作中的Mapper和Reducer在spark中的基本等量算子是map和reduceByKey;不过区别在于：Hadoop中的MapReduce天生就是排序的；而reduceByKey只是根据Key进行reduce，但spark除了这两个算子还有其他的算子；因此从这个意义上来说，Spark比Hadoop的计算算子更为丰富。

　　

 

 

 

　　

 

3、Stage中任务执行的内幕思考

　　在一个stage内部，从表面上看是数据在不断流动，然后经过相应的算子处理后再流向下一个算子，但实质是算子在流动；我们可以从如下两个方面来理解：

　　(1) 数据不动代码动；这点从算法构建和逻辑上来说，是算子作用于数据上，而算子处理数据一般有多个步骤，所以这里说数据不动代码动；

　　(2) 在一个stage内部，算子之所以会流动(pipeline)首先是因为算子合并，也就是所谓的函数式编程在执行的时候最终进行函数的展开，从而把一个stage内部的多个算子合并成为一个大算子(其内部包含了当前stage中所有算子对数据的所有计算逻辑)；其次是由于Transformation操作的Lazy特性。因为这些转换操作是Lazy的，所以才可以将这些算子合并；如果我们直接使用scala语言是不可以的，即使可以在算子前面加上一个Lazy关键字，但是它每次操作的时候都会产生中间结果。同时在具体算子交给集群的executor计算之前首先会通过Spark Framework（DAGScheduler）进行算子的优化（即基于数据本地性的pipeline）。

 

 

 

4、RDD依赖关系源码内幕

　　源码初探

 

 

在IDEA中打开源码，找到org.apache.spark.Dependency.scala这个类，首先我们可以看到如下的代码：

 

图3

在抽象类Dependency中，rdd就是子RDD所依赖的父RDD，同时所有的依赖都要实现Dependency[T]，这点我们可以查看宽依赖和窄依赖的实现源代码。

 

Dependency源码

/* * Licensed to the Apache Software Foundation (ASF) under one or more * contributor license agreements.  See the NOTICE file distributed with * this work for additional information regarding copyright ownership. * The ASF licenses this file to You under the Apache License, Version 2.0 * (the "License"); you may not use this file except in compliance with * the License.  You may obtain a copy of the License at * *    http://www.apache.org/licenses/LICENSE-2.0 * * Unless required by applicable law or agreed to in writing, software * distributed under the License is distributed on an "AS IS" BASIS, * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. * See the License for the specific language governing permissions and * limitations under the License. */package org.apache.sparkimport org.apache.spark.annotation.DeveloperApiimport org.apache.spark.rdd.RDDimport org.apache.spark.serializer.Serializerimport org.apache.spark.shuffle.ShuffleHandle/**  * :: DeveloperApi ::  * Base class for dependencies.  */@DeveloperApiabstract class Dependency[T] extends Serializable {  def rdd: RDD[T]}/**  * :: DeveloperApi ::  * Base class for dependencies where each partition of the child RDD depends on a small number  * of partitions of the parent RDD. Narrow dependencies allow for pipelined execution.  */@DeveloperApiabstract class NarrowDependency[T](_rdd: RDD[T]) extends Dependency[T] {  /**    * Get the parent partitions for a child partition.    * @param partitionId a partition of the child RDD    * @return the partitions of the parent RDD that the child partition depends upon    */  def getParents(partitionId: Int): Seq[Int]  override def rdd: RDD[T] = _rdd}/**  * :: DeveloperApi ::  * Represents a dependency on the output of a shuffle stage. Note that in the case of shuffle,  * the RDD is transient since we don't need it on the executor side.  *  * @param _rdd the parent RDD  * @param partitioner partitioner used to partition the shuffle output  * @param serializer [[org.apache.spark.serializer.Serializer Serializer]] to use. If set to None,  *                   the default serializer, as specified by `spark.serializer` config option, will  *                   be used.  * @param keyOrdering key ordering for RDD's shuffles  * @param aggregator map/reduce-side aggregator for RDD's shuffle  * @param mapSideCombine whether to perform partial aggregation (also known as map-side combine)  */@DeveloperApiclass ShuffleDependency[K, V, C](                                  @transient _rdd: RDD[_ <: Product2[K, V]],                                  val partitioner: Partitioner,                                  val serializer: Option[Serializer] = None,                                  val keyOrdering: Option[Ordering[K]] = None,                                  val aggregator: Option[Aggregator[K, V, C]] = None,                                  val mapSideCombine: Boolean = false)  extends Dependency[Product2[K, V]] {  override def rdd: RDD[Product2[K, V]] = _rdd.asInstanceOf[RDD[Product2[K, V]]]  val shuffleId: Int = _rdd.context.newShuffleId()  val shuffleHandle: ShuffleHandle = _rdd.context.env.shuffleManager.registerShuffle(    shuffleId, _rdd.partitions.size, this)  _rdd.sparkContext.cleaner.foreach(_.registerShuffleForCleanup(this))}/**  * :: DeveloperApi ::  * Represents a one-to-one dependency between partitions of the parent and child RDDs.  */@DeveloperApiclass OneToOneDependency[T](rdd: RDD[T]) extends NarrowDependency[T](rdd) {  override def getParents(partitionId: Int): List[Int] = List(partitionId)}/**  * :: DeveloperApi ::  * Represents a one-to-one dependency between ranges of partitions in the parent and child RDDs.  * @param rdd the parent RDD  * @param inStart the start of the range in the parent RDD  * @param outStart the start of the range in the child RDD  * @param length the length of the range  */@DeveloperApiclass RangeDependency[T](rdd: RDD[T], inStart: Int, outStart: Int, length: Int)  extends NarrowDependency[T](rdd) {  override def getParents(partitionId: Int): List[Int] = {    if (partitionId >= outStart && partitionId < outStart + length) {      List(partitionId - outStart + inStart)    } else {      Nil    }  }}

 

4.1窄依赖源代码分析：

　　接着我们可以看到NarrowDependency这个抽象类源码：

　　　　　　　　　　　　　　　　　　

 

图4

　　其中getParents这个函数的作用是返回子RDD的partitioneId依赖的所有的父RDD的partitions;

 

　　我们在上面说过，窄依赖有两种情况：一种是一对一的依赖，另一种是一对确定个数的依赖，我们可以从源代码中找到这两种窄依赖的具体实现；第一种即为OneToOneDependency：

　　　　　　　　　　　　　　　　　　　　

　　从getParents的实现可知，子RDD仅仅依赖于父RDD相同ID的Partition;

 

　　那么第二种类型的窄依赖即为：RangeDependency，它只被org.apache.spark.rdd.UnionRDD所使用；我们可以在UnionRDD中看下相应的使用情况：

　　　　　　　　　　　　　　　　

 

图6

　　　UnionRDD是将多个RDD合并成一个RDD，这些RDD是被拼接起来的，即每个父RDD的partition的相对顺序不变，只是每个父RDD在UnionRDD中的Partition的起始位置不同，具体我们可以看看RangeDependency中getParents方法的实现：

　　　　　　　　　　　　　　　　

 

图7

　　　　其中，inStart是父RDD中Partition的起始位置，outStart是在UnionRDD中的起始位置，length是父RDD中Partition的数量。

 

4.2宽依赖源代码分析

　　由于宽依赖的实现只有一种：ShuffleDependency；即父RDD的一个Partition被子RDD的多个partition所使用，我们主要关注以下两点：

　　　　　　　　　　　　　　

 

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　图8

　　ShuffleId表示获取新的Id,下面的shuffleHandle表示向ShuffleManger注册Shuffle信息。

　　宽依赖支持两种类型的Shuffle Manager,即HashShuffleManager和SortShuffleManager。如图9所示：

　　　　　　　　　　　　　　

 

　　　　　　　　　　　　　　　　　　　　　　　　　　　　图9