从物理执行角度理解spark job

一：再次思考pipeline

即使采用pipeline的方式，函数f对依赖的RDD中的数据集合的操作也会有两种方式：

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(records),f一次性作用于集合的全部数据；

Spark采用是是第一种方式，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， 最大化的有利于并发；

4， 可以精准的控制每一Partition本身（Dependency）及其内部的计算（compute）；

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Partitioner指定的规则放到Local FileSystem中，然后在经由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，且执行效率极为低下！

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，是算子在数据上流动！

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；方便算法的构建！

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

 

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从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结算步骤，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，但是并不需要父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全部数据彻底计算完毕，才能够经过shuffle来计算当前的Stage！