Spark中RDD的宽依赖和窄依赖详解

宽依赖与窄依赖

• 窄依赖是指父RDD的每个分区只被子RDD的一个分区所使用，子RDD一般对应父RDD的一个或者多个分区。（与数据规模无关）不会产生shuffle。

下面的join也是窄依赖，虽然有两个父RDD，但是两个 RDD中每个分区都被一个子RDD的分区使用，即使父RDD的分区里面的内容并没有让子RDD的一个分区使用。

• 宽依赖指父RDD的多个分区可能被子RDD的一个分区所使用，子RDD分区通常对应所有的父RDD分区(与数据规模有关)，会产生shuffle

宽依赖与窄依赖对比：

• 宽依赖往往对应着shuffle操作，需要在运行过程中将同一个父RDD的分区传入到不同的子RDD分区中，中间可能涉及多个节点之间的数据传输；而窄依赖的每个父RDD的分区只会传入到一个子RDD分区中，通常可以在一个节点内完成转换。
• 当RDD分区丢失时（某个节点故障），spark会对数据进行重算。

1. 对于窄依赖，由于父RDD的一个分区只对应一个子RDD分区，这样只需要重算和子RDD分区对应的父RDD分区即可，所以这个重算对数据的利用率是100%的；
2. 对于宽依赖，重算的父RDD分区对应多个子RDD分区，这样实际上父RDD 中只有一部分的数据是被用于恢复这个丢失的子RDD分区的，另一部分对应子RDD的其它未丢失分区，这就造成了多余的计算；更一般的，宽依赖中子RDD分区通常来自多个父RDD分区，极端情况下，所有的父RDD分区都要进行重新计算。
    
3. 如下图所示，b1分区丢失，则需要重新计算a1,a2和a3，这就产生了冗余计算(a1,a2,a3中对应b2的数据)。

总结：

1、窄依赖允许在一个集群节点上以流水线的方式（pipeline）计算所有父分区。如，逐个元素地执行map、然后filter操作；而宽依赖则需要首先计算好所有父分区数据，然后在节点之间进行Shuffle，这与MapReduce类似。

2、窄依赖能够更有效地进行失效节点的恢复，即只需重新计算丢失RDD分区的父分区，而且不同节点之间可以并行计算；而对于一个宽依赖关系的Lineage图，单个节点失效可能导致这个RDD的所有祖先丢失部分分区，因而需要整体重新计算。

• 窄依赖的函数有：map, filter, union, join(父RDD是hash-partitioned ), mapPartitions, mapValues
• 宽依赖的函数有：groupByKey, join(父RDD不是hash-partitioned ), partitionBy

 

需要注意的点：

如下的这种情况使宽依赖还是窄依赖呢？你可能说，子RDD的一个分区都来自父RDD的一个人分区，使窄依赖。

那么你就错了。

在groupbykey的时候，如果没有指定分区数，默认按照RDD的分区数，那么在进行分区的时候会对key采用哈希算法对分区数取余的方式进行分区，所以说tom，ketty有可能分到一个分区，有可能两个分区。但是只要父RDD的一个分区有可能分到子RDD的两个以上的分区就是窄依赖。