RDD的依赖关系：宽依赖和窄依赖

**

宽依赖

**
一般是指父RDD的每个分区都可能被多个子RDD分区所使用，子RDD分区通常对应所有的父RDD分区（O(n),与数据规模有关）（简单理解为一对多的关系），称为shuffle Depencency，shuffle的算子一般都会是宽依赖，比如groupByKey、reduceByKey、join等

窄依赖

一般是指父RDD的每个分区只被子RDD的一个分区所使用，子RDD分区通常对应常数个父RDD分区（O(1)，与数据规模无关）（简单理解为一对一的关系），称为narrow Dependenc，比如map，filter等

两者比较

相比于依赖，窄依赖对优化很有利，主要基于以下两点：

1、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

2、当RDD分区丢失时（某个节点故障），Spark会对数据进行重算

3、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

4、对于依赖，重算的父RDD分区对应多个子RDD分区的，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的其他未丢失分区，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。