宽窄依赖
RDD之间的有一系列的关系,主要分为宽依赖和窄依赖。下面是各自的定义,以及图解。
窄依赖
父RDD partition 和 子RDD partition之间的关系是一对一的。或者父RDD一个partition只对应一个子RDD的
partition情况下的父RDD和子RDD关系是多对一的。不会有shuffle的产生。例如 map,filter,union等算子。
宽依赖
父RDD partition 和 子RDD partition之间的关系是一对多。会有shuffle的产生。例如groupByKey等算子。
Stage的划分
spark划分stage的整体思路是:从后往前推,遇到宽依赖就断开,划分为一个stage;遇到窄依赖就将这个RDD加入该stage中。
Spark中task分为两类ShuffleMapTask和ResultTask,DAG最后一个阶段会为每个结果的partition生成一个ResultTask,所以每个Stage的task数量是由该Stage中最后一个RDD的Partition的数量所决定的,而其余所有阶段都会生成ShuffleMapTask。之所以称之为ShuffleMapTask是因为它需要将自己的计算结果通过shuffle到下一个stage中。