Spark深入浅出之从物理执行角度看Spark

一、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、最大化的有利于并发。

4、可以精准的控制每一个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？ 不会！因为在pipeline（在stage内部把很多算子合并成一个）

二、思考Spark Job具体的物理执行

SparkApplication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一般也回触发一个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中的map的执行会产生输出数据，输出数据会经过Partitionner指定的规则放到Local FileSystem，然后再经由shuffle，sort,aggregate变成Reducer中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是最最基本的核心：最大化pipeline

基于pipelien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，每个stage中除了最后一个RDD算子是真实的意外，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（链条计算），导致的结果就是需要首先计算出具体一个stage内部最左侧的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，窄依赖计算本身是从逻辑上看是从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的，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 到不能再流动为止才开始计算下一个Record。后面的RDD 对前面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效率 源码为

class MapPartitionsRDD

override def compute(split: partition,context:TaskContext):Iterator[U] = f(context,split.index,firstParent[T].iterator(split,context))

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.