目录
1. RDD之间的依赖(以分区为说明)
窄依赖:每一个父RDD的Partition中的数据,最多被子RDD的一个Partition使用(单分区 -> 单分区);
窄依赖在源码里是OneToOneDependency
宽依赖:同一个父RDD的Partition中的数据,被多个子RDD的Partition使用(单分区 -> 多分区),会引起shuffle,数据打乱重组;典型的宽依赖是ByKey的各种算子,依据key进行suffle。
画一张简单的示意图来看宽窄依赖的区别:
2. RDD任务划分原理
窄依赖不会shuffle,所有的RDD分区转换可以并行进行,所以各种task可以在同一个stage中进行;
宽依赖由于会产生shuffle,上一个stage没完,数据不会进行shuffle到下一个stage,下一个stage只能等待,所以宽依赖是划分阶段的依据。
RDD任务切分级别为:Application、Job、Stage、Task
(1)Application:初始化一个SparkContext即生成一个Application;
(2)Job:一个action算子生成一个Job;
(3)Stage:遇到一个宽依赖划分一个Stage;
(4)Task:一个分区对应一个task,将Stage划分的结果发送到不同的Executor中执行。
关系:
1个Application中至少有1个Job;
1个Job中依据宽窄依赖划分至少有一个Stage(至少有一个ResultStage);
1个Stage中依据分区至少有一个Task(至少一个分区)。
ps:shuffle之后会产生新的Stage,重新分区
3. Spark中RDD执行阶段划分示意图
通过示意图,分析Spark中任务如何划分,阶段如何划分,依赖关系是怎样的,以及最后如何执行的。
eg:跑一个wordCount的小demo,Spark阶段划分如下
(1)首先通过sc.textfile从文件中读取数据到Partition0和1中;
(2)然后通过flatMap算子进行扁平化,分区不改变;
(3)做统计转换,用map算子,A -> (A,1)变成了元组的形式,分区依然没变;
(4)reduceByKey,相同的key聚合在一起,分区数据被打乱shuffle重组;
(5)collect
整个过程是 窄依赖 -> shuffle -> 宽依赖
调用行动算子的时候,会运行作业(JOB),进行阶段(Stage)的划分以及提交阶段(SubmitStage)后的任务(Task)划分,最后提交任务(submitTask)。
(1)划分阶段(查找shuffle)
提交作业首先划分阶段,首先一定会有一个ResultStage;
然后再看之前有没有其他阶段,根据血缘关系从最后一个RDD往前看,查找宽依赖,即shuffleDependency;
创建ShuffleMapStage,与shuffle后的RDD区别开,
这样阶段划分完毕,形成2个阶段:ShuffleMapStage -------shuffle-----------ResultStage
(2)提交ShuffleMapStage阶段,划分任务
提交ResultStage阶段前,会找上一级阶段,也就是ShuffleMapStage;
接着看ShuffleMapStage有没有上一级阶段,发现没有,开始对ShuffleMapStage阶段划分task;
task数取决于分区数,这里分了2个区,所以划分了2个Task,并行计算,提交给Executor执行;
(3)shuffle等待
shuffle等待上一个阶段出结果,源码中waitChildStage;
(4)提交ResultStage阶段
再从ResultStage开始依次提交各个阶段。
所以总流程是:
划分Stage(从后往前查找shuffle)-> 划分任务Task -> 提交阶段(从前往后提交,shuffle等待)