1、RDD之间的依赖类型
窄依赖(NorrawDependency)
父RDD的一个分区的数据,是给到子rdd的一个分区使用,这种依赖关系就是窄依赖。窄依赖指的是父RDD的一个分区,被子RDD的一个分区所依赖(一对一)。
map,flatMap,filter 都是窄依赖,union 也是窄依赖。
分为宽依赖(WideDependency)
父RDD的一个分区的数据,是给到子rdd的多个分区使用,那么就是宽依赖。
一旦有宽依赖,在这里会发生数据的shuffle,会切分stage(阶段)。
sortBy,reduceByKey,aggregate都是宽依赖
注意:
某些特殊的算子如join,默认情况下,是宽依赖。但是在特殊情况下,join是一个窄依赖。
俩个条件:1分区数量一致 2根据key的reduceByKey或groupBykey等算子计算后进行join。
join得到的分区数量,以左右两边rdd的分区数量的最大值为准。
2、DAG的生成
DAG:有向无环图。
方向:RDD的依赖关系,有父子关系。
无环:从读取hdfs开始,到写入到hdfs上,没有闭环。
图:点+边
点:RDD
边:表示rdd的依赖关系
stage的划分:
Spark任务会根据RDD之间的依赖关系,形成一个DAG有向无环图,DAG会提交给DAGScheduler,DAGScheduler会把DAG划分相互依赖的多个stage,划分stage的依据就是RDD之间的宽窄依赖。遇到一个宽依赖就划分一个stage,每个stage包含一个或多个task任务。然后将这些task以taskSet的形式提交给TaskScheduler运行。
stage的个数=宽依赖的个数+1
注意:
stage中的并行度由一个Stage中finalRDD(最后一个RDD)中的partition的个数决定。