Spark源码之Stage的划分

Spark源码之Stage的划分

一段Spark代码提交之后，遇到action算子会被划分为一个job，job提交到DAGSchedule之后，怎么根据有向无环图划分Stage呢？

一、Stage逻辑

先看一下Stage的规律

explain
select * from t1

hive (test)> explain select * from t1;
OK
Explain
STAGE DEPENDENCIES:
  Stage-0 is a root stage

STAGE PLANS:
  Stage: Stage-0
    Fetch Operator
      limit: -1
      Processor Tree:
        TableScan
          alias: t1
          Select Operator
            expressions: name (type: string), age (type: int)
            outputColumnNames: _col0, _col1
            ListSink

可以看到只有一个阶段，Stage-0

如果是join操作呢？

explain
select * from t1
left join t2
on t1.name = t2.name;

Explain
STAGE DEPENDENCIES:
  Stage-2 is a root stage
  Stage-1 depends on stages: Stage-2
  Stage-0 depends on stages: Stage-1

可以看到有三个阶段：Stage-0、Stage-1、Stage-2

如果是分组求和操作呢？

explain
select name,sum(age) ages
from t1
group by name

Explain
STAGE DEPENDENCIES:
  Stage-1 is a root stage
  Stage-0 depends on stages: Stage-1

可以看到有两个阶段：Stage-0、Stage-1

explain
select name, concat_ws(',', collect_set(cast(age as string)))
from t1
group by name;

去重操作？

explain
select distinct * from t1;

Explain
STAGE DEPENDENCIES:
  Stage-1 is a root stage
  Stage-0 depends on stages: Stage-1

可以看到有两个阶段：Stage-0、Stage-1

二、Stage划分原理

这里可以看出来，其实Spark中Stage的划分，好像和一些join、group by、distinct等这些有关系，那么Spark在划分Stage的时候是以什么为区分呢？

其实Spark的底层是根据RDD的血缘依赖来划分Stage的。

我们知道，Spark中当触发一个action算子时候，就会形成一个job，这个job就交给DAGSchedule，根据有向无环图来划分Stage。

具体划分策略是，由最终的 RDD 不断通过 依赖回溯判断父依赖是否是宽依赖，即以 Shuffle 为界，划分 Stage，窄依赖的 RDD 之 间被划分到同一个 Stage 中，可以进行 pipeline 式的计算。划分的 Stages 分两类，一类 叫做 ResultStage，为 DAG 最下游的 Stage，由 Action 方法决定，另一类叫做 ShuffleMapStage，为下游 Stage 准备数据

三、要点总结

总而言之，Stage的划分是根据RDD的宽依赖为界的，即是根据Shuffle的数量，Stage的数量就是Shuflle的数量+1。可能产生shuffle的算子：repartition类、xxxByKey类、join类