从物理执行的角度透视SparkJob

一：再次思考pipeline
即使采用pipeline的分布，函数f对依赖的RDD中的数据的操作也会有俩种方式：
1.f（record），f作用于集合的每一条记录，每次只作用于一条记录；
2.f（record），f一次性作用于集合的全部数据；

*Spark采用的是第一种方式，原因：
1.无需等待，可以最大化的使用集群的计算资源；
2.减少OOM的发生；
3.最大化的有利于开发；
4.可以精准的控制每一Partition本身（Dependency）及其内部的计算；
5.基于lineage的算子流动式函数式编程，节省了中间结果的产生，并且可以最快的恢复；
疑问：会不会增加网络通信？当然不会！因为在pipeline！

二：思考Spark Job具体的物理执行

Spark Application里面可以产生1个或者多个Job，例如spark-shell默认启动的时候内部就没有Job,只是作为资源的分配程序，可以在spark-shell里面写代码产生若干个Job，普通程序中一般而言可以有不同的Action，每一个Action一般也会触发一个Job。

Spark是Mapreduce思想的一种更加精致和高效的实现，Mapreduce有很多具体不同的实现，例如Hadoop的Mapreduce基本的计算流程如下：首先是以JVM为对象的并发执行的Mapper，Mapper中Map的执行会产生输出数据，输出数据会经过Partition指定的规则放到Local FileSystem中，然后会经由shuffle、Sort、Aggregate变成Reducer中的reduce的输入，执行reduce产生最终的执行结果：Hadoop MapReduce执行的流程虽然简单，但是过于死板，尤其是在构造复杂算法（迭代）时候非常不利于算法的实现，且执行效率极为地下！

Spark算法构造和物理执行时最最基本的核心：最大化pipeline！！

基于pipeline的思想，数据被使用的时候才开始计算，从数据流动的视角来说，是数据流动到计算的位置！！！ 实质上从逻辑的角度来看，是算法在数据上流动！！

从算法构建的角度而言：肯定是算子作用于数据，所以是算子在数据上流动；
从物理执行的角度而言：是数据流动到计算的位置；方便系统最为高效的运行！

对于pipeline而言，数据计算的位置就是每个Stage中最后的RDD，一个震撼人心的内幕真相就是：每个Stage中除了最后一个RDD算子是真实的以外，前面的算子都是假的！！

由于计算的Lazy特性，导致计算从后往前回溯，形成Computing Chain，导致的结果就是需要首先计算出具体一个Stage内部左侧的RDD中本次计算依赖的Partition

一个Stage内部有很多个Partition

三：窄依赖的物理执行内幕

一个Stage内部的RDD都是窄依赖，窄依赖计算本身是逻辑上看是Stage内部最左侧的RDD开始立即计算的，根据Computing Chain，数据（Record）从一个计算步骤流动到下一个计算步骤，以此类推，直到计算到Stage内部的最后一个RDD来产生计算结果。

Computing Chain的构建是从后往前回溯构建而成，而实际的物理计算则是让数据从前往后在算子上流动，直到流动到不能再流动位置才开始计算下一个Record。这就导致一个美好的结果：后面的RDD对前面的RDD的依赖虽然是Partition级别的数据集合的依赖，但是并不需要RDD把Partition中所有的Records计算完毕才整体往后流动数据进行计算，这就极大的提高了计算速率！

四：宽依赖物理执行内幕

必须等到依赖的父Stage中的最后一个RDD把全部数据彻底计算完毕，才能够经过shuffle来计算当前的Stage！

Rdd中的getDependencies负责确定rdd的之间的依赖关系。