目錄
一、窄依賴解析
二、寬依賴解析
三、DAG生成的機制
四、DAG邏輯視圖解析
RDD依賴關系為成兩種：窄依賴（Narrow Dependency）、寬依賴（Shuffle Dependency）。窄依賴表示每個父RDD中的Partition最多被子RDD的一個Partition所使用；寬依賴表示一個父RDD的Partition都會被多個子RDD的Partition所使用。
一、窄依賴解析
RDD的窄依賴（Narrow Dependency）是RDD中最常見的依賴關系，用來表示每一個父RDD中的Partition最多被子RDD的一個Partition所使用，如下圖所示，父RDD有2～3個Partition，每一個分區都隻對應子RDD的一個Partition（join with inputs co-partitioned：對資料進行基于相同Key的數值相加）。
窄依賴分為兩類：第一類是一對一的依賴關系，在Spark中用OneToOneDependency來表示父RDD與子RDD的依賴關系是一對一的依賴關系，如map、filter、join with inputs co-partitioned；第二類是範圍依賴關系，在Spark中用RangeDependency表示，表示父RDD與子RDD的一對一的範圍内依賴關系，如union。OneToOneDependency依賴關系的Dependency.scala的源碼如下。
/**
* :: DeveloperApi ::
* Represents a one-to-one dependency between partitions of the parent and child RDDs.
*/
@DeveloperApi
class OneToOneDependency[T](rdd: RDD[T]) extends NarrowDependency[T](rdd) {
override def getParents(partitionId: Int): List[Int] = List(partitionId)
}
OneToOneDependency的getParents重寫方法引入了參數partitionId，而在具體的方法中也使用了這個參數，這表明子RDD在使用getParents方法的時候，查詢的是相同partitionId的内容。也就是說，子RDD僅僅依賴父RDD中相同partitionID的Partition。
Spark窄依賴中第二種依賴關系是RangeDependency。Dependency.scala的RangeDependency的源碼如下。
/**
* :: DeveloperApi ::
* Represents a one-to-one dependency between ranges of partitions in the parent and child RDDs.
* @param rdd the parent RDD
* @param inStart the start of the range in the parent RDD
* @param outStart the start of the range in the child RDD
* @param length the length of the range
*/
@DeveloperApi
class RangeDependency[T](rdd: RDD[T], inStart: Int, outStart: Int, length: Int)
extends NarrowDependency[T](rdd) {
override def getParents(partitionId: Int): List[Int] = {
if (partitionId >= outStart && partitionId < outStart + length) {
List(partitionId - outStart + inStart)
} else {
Nil
}
}
}
RangeDependency和OneToOneDependency最大的差別是實作方法中出現了outStart、length、instart，子RDD在通過getParents方法查詢對應的Partition時，會根據這個partitionId減去插入時的開始ID，再加上它在父RDD中的位置ID，換而言之，就是将父RDD中的Partition，根據partitionId的順序依次插入到子RDD中。
分析完Spark中的源碼，下邊通過兩個例子來講解從執行個體角度去看RDD窄依賴輸出的結果。對于OneToOneDependency，采用map操作進行實驗，實驗代碼和結果如下所示。
val sparkSession = SparkSession.builder().master("local").appName("wordcount").getOrCreate()
val sc = sparkSession.sparkContext
sc.setLogLevel("WARN")
// val people = sparkSession.read.parquet("...").as[Person]
val num = Array(100,80,70)
val rddnum1 = sc.parallelize(num)
val mapRdd = rddnum1.map(_*2)
mapRdd.collect().foreach(println)
二、寬依賴解析
RDD的寬依賴（Shuffle Dependency）是一種會導緻計算時産生Shuffle操作的RDD操作，用來表示一個父RDD的Partition都會被多個子RDD的Partition使用，如下圖中groupByKey算子操作所示，父RDD有3個Partition，每個Partition中的資料會被子RDD中的兩個Partition使用。
寬依賴的源碼位于Dependency.scala檔案的ShuffleDependency方法中，newShuffleId()産生了新的shuffleId，表明寬依賴過程需要涉及shuffle操作，後續的代碼表示寬依賴進行時的shuffle操作需要向shuffleManager注冊資訊。Dependency.scala的ShuffleDependency的源碼如下。
@DeveloperApi
class ShuffleDependency[K: ClassTag, V: ClassTag, C: ClassTag](
@transient private val _rdd: RDD[_ <: Product2[K, V]],
val partitioner: Partitioner,
val serializer: Serializer = SparkEnv.get.serializer,
val keyOrdering: Option[Ordering[K]] = None,
val aggregator: Option[Aggregator[K, V, C]] = None,
val mapSideCombine: Boolean = false)
extends Dependency[Product2[K, V]] {
override def rdd: RDD[Product2[K, V]] = _rdd.asInstanceOf[RDD[Product2[K, V]]]
private[spark] val keyClassName: String = reflect.classTag[K].runtimeClass.getName
private[spark] val valueClassName: String = reflect.classTag[V].runtimeClass.getName
// Note: It's possible that the combiner class tag is null, if the combineByKey
// methods in PairRDDFunctions are used instead of combineByKeyWithClassTag.
private[spark] val combinerClassName: Option[String] =
Option(reflect.classTag[C]).map(_.runtimeClass.getName)
val shuffleId: Int = _rdd.context.newShuffleId()
val shuffleHandle: ShuffleHandle = _rdd.context.env.shuffleManager.registerShuffle(
shuffleId, _rdd.partitions.length, this)
_rdd.sparkContext.cleaner.foreach(_.registerShuffleForCleanup(this))
@DeveloperApi
class ShuffleDependency[K: ClassTag, V: ClassTag, C: ClassTag](
@transient private val _rdd: RDD[_ <: Product2[K, V]],
val partitioner: Partitioner,
val serializer: Serializer = SparkEnv.get.serializer,
val keyOrdering: Option[Ordering[K]] = None,
val aggregator: Option[Aggregator[K, V, C]] = None,
val mapSideCombine: Boolean = false)
extends Dependency[Product2[K, V]] {
override def rdd: RDD[Product2[K, V]] = _rdd.asInstanceOf[RDD[Product2[K, V]]]
private[spark] val keyClassName: String = reflect.classTag[K].runtimeClass.getName
private[spark] val valueClassName: String = reflect.classTag[V].runtimeClass.getName
// Note: It's possible that the combiner class tag is null, if the combineByKey
// methods in PairRDDFunctions are used instead of combineByKeyWithClassTag.
// 注意：如果在PairRDDFunctions方法中使用combineByKeyWithClassTag，combiner類标簽可能為空
private[spark] val combinerClassName: Option[String] =
Option(reflect.classTag[C]).map(_.runtimeClass.getName)
val shuffleId: Int = _rdd.context.newShuffleId()
val shuffleHandle: ShuffleHandle = _rdd.context.env.shuffleManager.registerShuffle(
shuffleId, _rdd.partitions.length, this)
_rdd.sparkContext.cleaner.foreach(_.registerShuffleForCleanup(this))
}
Spark中寬依賴關系非常常見，其中較經典的操作為GroupByKey（将輸入的key-value類型的資料進行分組，對相同key的value值進行合并，生成一個tuple2），具體代碼和操作結果如下所示。輸入5個tuple2類型的資料，通過運作産生3個tuple2資料。
val sparkSession = SparkSession.builder().master("local").appName("wordcount").getOrCreate()
val sc = sparkSession.sparkContext
sc.setLogLevel("WARN")
val data = Array(Tuple2("spark",100),Tuple2("spark",95),Tuple2("hadoop",99),Tuple2("hadoop",80),Tuple2("scala",75))
val rdd = sc.parallelize(data)
val rddGroup = rdd.groupByKey()
rddGroup.collect().foreach(println)
三、DAG生成的機制
在圖論中，如果一個有向圖無法從任意頂點出發經過若幹條邊回到該點，則這個圖是一個有向無環圖（DAG圖）。而在Spark中，由于計算過程很多時候會有先後順序，受制于某些任務必須比另一些任務較早執行的限制，我們必須對任務進行排隊，形成一個隊列的任務集合，這個隊列的任務集合就是DAG圖，每一個定點就是一個任務，每一條邊代表一種限制限制（Spark中的依賴關系）。
通過DAG，Spark可以對計算的流程進行優化，對于資料處理，可以将在單一節點上進行的計算操作進行合并，并且計算中間資料通過記憶體進行高效讀寫，對于資料處理，需要涉及Shuffle操作的步驟劃分Stage，進而使計算資源的利用更加高效和合理，減少計算資源的等待過程，減少計算中間資料讀寫産生的時間浪費（基于記憶體的高效讀寫）。
Spark中DAG生成過程的重點是對Stage的劃分，其劃分的依據是RDD的依賴關系，對于不同的依賴關系，高層排程器會進行不同的處理。對于窄依賴，RDD之間的資料不需要進行Shuffle，多個資料處理可以在同一台機器的記憶體中完成，是以窄依賴在Spark中被劃分為同一個Stage；對于寬依賴，由于Shuffle的存在，必須等到父RDD的Shuffle處理完成後，才能開始接下來的計算，是以會在此處進行Stage的切分。
在Spark中，DAG生成的流程關鍵在于回溯，在程式送出後，高層排程器将所有的RDD看成是一個Stage，然後對此Stage進行從後往前的回溯，遇到Shuffle就斷開，遇到窄依賴，則歸并到同一個Stage。等到所有的步驟回溯完成，便生成一個DAG圖。
DAG生成的相關源碼位于Spark的DAGScheduler.scala。getParentStages擷取或建立一個給定RDD的父Stages清單，getParentStages調用了getShuffleMapStage，，getShuffleMapStage調用了getAncestorShuffleDependencies，getAncestorShuffleDependencies傳回給定RDD的父節點中直接的Shuffle依賴。DAGScheduler.scala的getParentStages的源碼如下。
/**
* Get or create the list of parent stages for a given RDD. The new Stages will be created with
* the provided firstJobId.
*/
private def getParentStages(rdd: RDD[_], firstJobId: Int): List[Stage] = {
val parents = new HashSet[Stage]
val visited = new HashSet[RDD[_]]
// We are manually maintaining a stack here to prevent StackOverflowError
// caused by recursively visiting
val waitingForVisit = new Stack[RDD[_]]
def visit(r: RDD[_]) {
if (!visited(r)) {
visited += r
// Kind of ugly: need to register RDDs with the cache here since
// we can't do it in its constructor because # of partitions is unknown
for (dep <- r.dependencies) {
dep match {
case shufDep: ShuffleDependency[_, _, _] =>
parents += getShuffleMapStage(shufDep, firstJobId)
case _ =>
waitingForVisit.push(dep.rdd)
}
}
}
}
waitingForVisit.push(rdd)
while (waitingForVisit.nonEmpty) {
visit(waitingForVisit.pop())
}
parents.toList
}
DAGScheduler.scala的getShuffleMapStage的源碼如下。
/**
* Get or create a shuffle map stage for the given shuffle dependency's map side.
*/
private def getShuffleMapStage(
shuffleDep: ShuffleDependency[_, _, _],
firstJobId: Int): ShuffleMapStage = {
shuffleToMapStage.get(shuffleDep.shuffleId) match {
case Some(stage) => stage
case None =>
// We are going to register ancestor shuffle dependencies
getAncestorShuffleDependencies(shuffleDep.rdd).foreach { dep =>
if (!shuffleToMapStage.contains(dep.shuffleId)) {
shuffleToMapStage(dep.shuffleId) = newOrUsedShuffleStage(dep, firstJobId)
}
}
// Then register current shuffleDep
val stage = newOrUsedShuffleStage(shuffleDep, firstJobId)
shuffleToMapStage(shuffleDep.shuffleId) = stage
stage
}
}
DAGScheduler.scala的getAncestorShuffleDependencies的源碼如下。
/** Find ancestor shuffle dependencies that are not registered in shuffleToMapStage yet */
private def getAncestorShuffleDependencies(rdd: RDD[_]): Stack[ShuffleDependency[_, _, _]] = {
val parents = new Stack[ShuffleDependency[_, _, _]]
val visited = new HashSet[RDD[_]]
// We are manually maintaining a stack here to prevent StackOverflowError
// caused by recursively visiting
val waitingForVisit = new Stack[RDD[_]]
def visit(r: RDD[_]) {
if (!visited(r)) {
visited += r
for (dep <- r.dependencies) {
dep match {
case shufDep: ShuffleDependency[_, _, _] =>
if (!shuffleToMapStage.contains(shufDep.shuffleId)) {
parents.push(shufDep)
}
case _ =>
}
waitingForVisit.push(dep.rdd)
}
}
}
waitingForVisit.push(rdd)
while (waitingForVisit.nonEmpty) {
visit(waitingForVisit.pop())
}
parents
}
四、DAG邏輯視圖解析
下面通過一個簡單計數案例講解DAG具體的生成流程和關系。示例代碼如下。
val conf = new SparkConf()
conf.setAppName("My first spark app").setMaster("local")
val sc = new SparkContext(conf)
sc.setLogLevel("WARN")
val lines = sc.textFile("./src/test3/words.txt")
// 操作一 通過flatmap形成新的MapPartitionRDD
val words = lines.flatMap(lines=>lines.split(" "))
// 操作二 通過map形成新的MapPartitionRDD
val pairs = words.map(word=>(word,1))
// 操作三 reduceByKey（包含兩步reduce）
// 此步驟生成MapPartitionRDD和ShuffleRDD
val WordCounts = pairs.reduceByKey(_+_)
WordCounts.collect().foreach(println)
println(pairs.toDebugString) // 通過toDebugString檢視RDD的譜系
println("====================================================")
println(WordCounts.toDebugString)
println("====================================================")
sc.stop()
具體解釋為：在程式正式運作前，Spark的DAG排程器會将整個流程設定為一個Stage，此Stage包含3個操作，5個RDD，分别為MapPartitionRDD（讀取檔案資料時）、MapPartitionRDD（flatMap操作）、MapPartitionRDD（map操作）、MapPartitionRDD（reduceByKey的local段的操作）、ShuffleRDD（reduceByKeyshuffle操作）。
（1）回溯整個流程，在shuffleRDD與MapPartitionRDD（reduceByKey的local段的操作）中存在shuffle操作，整個RDD先在此切開，形成兩個Stage。
（2）繼續向前回溯，MapPartitionRDD（reduceByKey的local段的操作）與MapPartitionRDD （map操作）中間不存在Shuffle（即兩個RDD的依賴關系為窄依賴），歸為同一個Stage。
（3）繼續回溯，發現往前的所有的RDD之間都不存在Shuffle，應歸為同一個Stage。
（4）回溯完成，形成DAG，由兩個Stage構成：
第一個Stage由MapPartitionRDD（讀取檔案資料時）、MapPartitionRDD（flatMap操作）、MapPartitionRDD（map操作）、MapPartitionRDD（reduceByKey的local段的操作）構成。第二個Stage由ShuffleRDD（reduceByKey Shuffle操作）構成。