论宽依赖、窄依赖与shuffle

概念上来说

    Shuffle的含义就是洗牌，将数据打散，父RDD一个分区中的数据如果给了子RDD的多个分区（只要存在这种可能），就是shuffle。Shuffle会有网络传输数据，但是有网络传输，并不意味着就是shuffle。

窄依赖：没有发生shuffle

宽依赖：存在shuffle

    也许大家看了上面的说法只是有个初步的印象，下面我将以join为例进行讲解，相信大家看了这个例子就会对上面的概念有一个更为深刻的理解。

val rdd1=sc.parallelize(List((1,"wzh"),(2,"lly")),2)
val rdd2=sc.parallelize(List((1,"wzh"),(2,"lly")),2)
rdd1.join(rdd2).collect

    普通的join是一个宽依赖，比如rdd1.join(rdd2).collect中，（2个rdd都通过parallelize并行化创建），在这个过程中会产生3个stage。第一个Stage是rdd1（包括形成rdd1过程所进行的转换操作）将中间数据写到磁盘上等待下游来拉取，第二个Stage是rdd2（包括形成rdd2过程所进行的转换操作）将中间数据写到磁盘上等待下游来拉取，第三个Stage就是下游读取磁盘数据。也产生了2个shuffle。

    这里大家也许会困惑，明明2个rdd各有2个分区，4个分区均各有一个数据，在join时并没有出现父rdd的某个分区中的数据跑到子rdd不同分区的情况，也不可能发生（因为单个数据不会拆分），为什么还会出现shuffle？实际上，虽然一个父rdd中的一个分区中的数据并没有被拆开，但是它存在着会发生一个父rdd的一个分区数据分给多个子rdd分区的可能（即不管实际上有多少数据，只要这种模式下存在着这种可能），就会产生shuffle，就是宽依赖，就会划分stage。

    相信通过上面的例子，大家应该对何时发生宽依赖有了比较深的理解了。这里大家可能会疑惑，如果是上面这种说法，那么join不就一定是宽依赖吗？其实还存在着一种特殊的join，见下图：

   

    在先进行grouByKey之后，再进行join，且在这个过程中既没有修改RDD分区的数量，也没有设置新的分区器（默认都是按照hashpartitioner分区），那么这个join就是窄依赖。这里稍微详细的解释一下，因为在上面2个RDD中，在groupByKey之后，会产生shuffle，且按照hashpartitioner进行分区，也就是说2个RDD中的数据会按照同样的分区方式进行分区，从而导致相对应的key所对应的数据都到了同一个分区，因此再进行join时，只要子RDD分区数和分区器（默认还是hashpartitioner）不变，这些相对应的数据还是会跑到同一分区中，因此就不会出现父RDD一个分区中的数据跑到子RDD的多个分区中，因此就是一个窄依赖。

注：在这个过程中也可能发生网络传输，但是并没有发生shuffle，因此有网络传输并不一定就是shuffle。

    这里对上面所述进行一个通俗的总结，如果在进行join之前调用的是宽依赖（存在shuffle）的RDD，两个RDD的分区数量一致，且join之后产生的子RDD的分区数量也一样，那么这个时候的join就是窄依赖。除此之外的，都是宽依赖。