Spark学习笔记总结

02. Spark任务流程

1. RDD的依赖关系

RDD和它依赖的父RDD（s）的关系有两种不同的类型，即窄依赖（narrow dependency）和宽依赖（wide dependency）

• 窄依赖
  窄依赖指的是每一个父RDD的Partition最多被子RDD的一个Partition使用
  总结：窄依赖我们形象的比喻为独生子女
• 宽依赖
  宽依赖指的是多个子RDD的Partition会依赖同一个父RDD的Partition

总结：窄依赖我们形象的比喻为超生（多个子女）
查看RDD依赖关系：
整个树形结构：rdd.toDebugString
本身：rdd.dependencies

2. DAG的生成

DAG，有向无环图，原始的RDD通过一系列的转换就就形成了DAG，根据RDD之间的依赖关系的不同将DAG划分成不同的Stage，对于窄依赖，partition的转换处理在Stage中完成计算。对于宽依赖，由于有Shuffle的存在，只能在parent RDD处理完成后，才能开始接下来的计算，因此宽依赖是划分Stage的依据。

3. Spark任务执行流程

大致分为4步：

1. 根据算子生成DAG
2. 将DAG根据宽依赖切分成任务集合的stages
3. Driver将具体任务分发给Worker
4. Worker中的executor执行任务
5. DAGScheduler和TaskScheduler都在Driver中

4. wordcount执行流程

1. wc示例代码

//textFile会产生两个RDD： 1. HadoopRDD -> MapPartitionsRDD

sc.textFile(INPUT_PATH)

  //flatMap产生1个RDD：MapPartitionsRDD

  .flatMap { _.split(" ") }

  //map产生1个RDD：MapPartitionsRDD

  .map { (_, 1) }

  //reduceByKey产生了：ShuffledRDD

  .reduceByKey(_ + _)

  //暂时不管

  .sortBy(_._2, false)

  //saveAsTextFile产生1个RDD：MapPartitionsRDD

  .saveAsTextFile(OUTPUT_PATH)

一共产生了6个RDD

2. 执行流程-切分stage

执行流程：

1. 根据宽依赖划分成了两个stage，后面一个stage需要等待前一个计算完成
2. 第一个stage中的taskSet包含了3个task
3. 一个task就是一个流水线pipelining，可以与其他task并行执行，在这里，任务内容是相同的，只是数据不同。

初接触，记下学习笔记，还有很多问题，望指导，谢谢。