Spark原理——逻辑执行图_网站优化分享

逻辑执行图

明确逻辑计划的边界

在 Action 调用之前，会生成一系列的RDD,这些RDD之间的关系，其实就是整个逻辑计划

val conf= new SparkConf().setMaster("local[6]").setAppName("wordCount_source")
val sc= new SparkContext(conf)
val textRDD=sc.parallelize(Seq("Hadoop Spark", "Hadoop Flume", "Spark Sqoop"))
val splitRDD=textRDD.flatMap(_.split(" "))
val tupleRDD=splitRDD.map((_, 1))
val reduceRDD=tupleRDD.reduceByKey(_ + _)
val strRDD=reduceRDD.map(item => s"${item._1},${item._2}")
println(strRDD.toDebugString)
strRDD.collect.foreach(item =>println(item))

例如上述代码，如果生成逻辑计划的，会生成效如下一些RDD,这些RDD是相互关联的，这些RDD之间，其实本质上生成的就是一个计算链

Spark原理——逻辑执行图,在这里插入图片描述,第1张

接下来, 采用迭代渐进式的方式, 一步一步的查看一下整体上的生成过程

RDD 如何生成
- **textFile算子的背后**
  
  研究 RDD 的功能或者表现的时候, 其实本质上研究的就是 RDD中的五大属性, 因为 RDD透过五大属性来提供功能和表现, 所以如果要研究 textFile 这个算子, 应该从五大属性着手, 那么第一步就要看看生成的 RDD是什么类型的 RDD
  1. **textFile 生成的是 HadoopRDD**
  2. **HadoopRDD 的 Partitions对应了 HDFS的 Blocks**
    
    其实本质上每个 HadoopRDD的 Partition都是对应了一个 Hadoop的 Block, 通过 InputFormat 来确定 Hadoop中的 Block 的位置和边界, 从而可以供一些算子使用
  3. HadoopRDD 的 compute函数就是在读取 HDFS中的 Block
    
    本质上, compute 还是依然使用 InputFormat来读取 HDFS中对应分区的 Block
  4. textFile这个算子生成的其实是一个 MapPartitionsRDD
    
    textFile这个算子的作用是读取 HDFS上的文件, 但是 HadoopRDD中存放是一个元组, 其 Key是行号, 其 Value是 Hadoop中定义的 Text对象, 这一点和 MapReduce程序中的行为是一致的
    
    但是并不适合 Spark 的场景, 所以最终会通过一个 map算子, 将 (LineNum, Text)转为 String形式的一行一行的数据, 所以最终 textFile这个算子生成的 RDD 并不是 HadoopRDD, 而是一个 MapPartitionsRDD
- map算子的背后
  - map算子生成了 MapPartitionsRDD
```
 val conf= new SparkConf().setMaster("local[6]").setAppName("wordCount_source")
val sc= new SparkContext(conf)
val rdd=sc.parallelize(Seq("Hadoop Spark", "Hadoop Flume", "Spark Sqoop"))
val rdd1=rdd.flatMap(_.split(" "))
val rdd2=rdd1.map((_, 1))
```
    由源码可知, 当 val rdd2 = rdd1.map() 的时候, 其实生成的新 RDD 是 rdd2, rdd2 的类型是 MapPartitionsRDD, 每个 RDD 中的五大属性都会有一些不同, 由 map 算子生成的 RDD 中的计算函数, 本质上就是遍历对应分区的数据, 将每一个数据转成另外的形式
  - MapPartitionsRDD的计算函数是 collection.map( function )
    
    真正运行的集群中的处理单元是 Task, 每个 Task 对应一个 RDD 的分区, 所以 collection 对应一个 RDD 分区的所有数据, 而这个计算的含义就是将一个 RDD 的分区上所有数据当作一个集合, 通过这个 Scala 集合的 map 算子, 来执行一个转换操作, 其转换操作的函数就是传入 map 算子的 function
  - 传入 map算子的函数会被清理
    
    这个清理主要是处理闭包中的依赖, 使得这个闭包可以被序列化发往不同的集群节点运行
  - flatMap算子的背后
    
    flatMap和 map算子其实本质上是一样的, 其步骤和生成的 RDD都是一样, 只是对于传入函数的处理不同, map是 collect.map( function )而 flatMap是 collect.flatMap( function )
    
    从侧面印证了, 其实 Spark中的 flatMap和 Scala基础中的 flatMap其实是一样的
```
val conf= new SparkConf().setMaster("local[6]").setAppName("wordCount_source")
val sc= new SparkContext(conf)
val textRDD=sc.parallelize(Seq("Hadoop Spark", "Hadoop Flume", "Spark Sqoop"))
val splitRDD=textRDD.flatMap(_.split(" "))
val tupleRDD=splitRDD.map((_, 1))
val reduceRDD=tupleRDD.reduceByKey(_ + _)
val strRDD=reduceRDD.map(item => s"${item._1},${item._2}")
// println(strRDD.toDebugString)
strRDD.collect.foreach(item =>println(item))
```
    textRDD → splitRDD → tupleRDD
    
    由 textRDD到 splitRDD再到 tupleRDD的过程, 其实就是调用 map和 flatMap算子生成新的 RDD的过程, 所以如下图所示, 就是这个阶段所生成的逻辑计划
  - RDD 之间有哪些依赖关系
    - 前置说明
      - 什么是RDD之间的依赖关系？
        
        什么是关系（依赖关系）？
        
        从算子视角上来看，splitRDD 通过 map 算子得到了 tupleRDD ,所以 splitRDD 和 tupleRDD 之间的关系是 map, 但是仅仅这样说，会不够全面，从细节上来看，RDD只是数据和关于数据的计算，而具体执这种计算得出结果的是一个神秘的其它组件，所以，这两个 RDD 的关系可以表示为 splitRDD 的数据通过 map 操作，被传入 tupleRDD ,这是它们之间更细化的关系
        
        但是 RDD 这个概念本身并不是数据容器，数据真正应该存放的地方是 RDD 的分区，所以如果把视角放在数据这一层面上的话，直接讲这两个 RDD 之间有关系是不科学的，应该从这两个 RDD 的分区之间的关系来讨论它们之间的关系
        
        那这些分区之间是什么关系？
        
        如果仅仅说 splitRDD 和 tupleRDD 之间的话，那它们的分区之间就是一对一的关系
        
        但是 tupleRDD 到 reduceRDD 呢？tupleRDD 通过算子 reduceByKey 生成 reduceRDD ,而这个算子是一个 Shuffle 操作，Shuff1e 操作的两个 RDD 的分区之间并不是一对一，reduceByKey 的一个分区对应 tupleRDD 的多个分区
        
        reduceByKey 算子会生成 ShuffledRDD
        
        reduceByKey 是由算子 combineByKey 来实现的，combineByKey 内部会创建 ShuffledRDD 返回，而整个reduceByKey操作大致如下过程
        
        去掉两个 reducer 端分区，只留下一个的话，如下
        
        所以, 对于 reduceByKey 这个 Shuffle 操作来说, reducer 端的一个分区, 会从多个 mapper 端的分区拿取数据, 是一个多对一的关系
        
        至此为止, 出现了两种分区见的关系了, 一种是一对一, 一种是多对一
        
        窄依赖
        
        窄依赖（NarrowDependency）
        
        假如 rddB = rddA.transform(…), 如果 rddB 中一个分区依赖 rddA 也就是其父 RDD 的少量分区, 这种 RDD 之间的依赖关系称之为窄依赖
        
        换句话说, 子 RDD 的每个分区依赖父 RDD 的少量个数的分区, 这种依赖关系称之为窄依赖
        
        @Test def narrowDependency(): Unit = { // 需求：求得两个 RDD 之间的笛卡尔积 // 1. 生成 RDD val conf = new SparkConf().setMaster("local[6]").setAppName("cartesian") val sc = new SparkContext(conf) val rddA = sc.parallelize(Seq(1, 2, 3)) val rddB = sc.parallelize(Seq("a", "b")) // 2. 计算 val rddC = rdd1.cartesian(rdd2) // 3. 结果获取 rddC.collect().foreach(print(_)) sc.stop() } // 运行结果： (1,a) (1,b) (2,a) (2,b) (3,a) (3,b)
        
        上述代码的 cartesian 是求得两个集合的笛卡尔积
        上述代码的运行结果是 rddA 中每个元素和 rddB 中的所有元素结合, 最终的结果数量是两个 RDD 数量之和
        rddC 有两个父 RDD, 分别为 rddA 和 rddB
        对于 cartesian 来说, 依赖关系如下
        
        上述图形中清晰展示如下现象
        
        rddC 中的分区数量是两个父 RDD 的分区数量之乘积
        rddA 中每个分区对应 rddC 中的两个分区 (因为 rddB 中有两个分区), rddB 中的每个分区对应 rddC 中的三个分区 (因为 rddA 有三个分区)
        它们之间是窄依赖, 事实上在 cartesian 中也是 NarrowDependency 这个所有窄依赖的父类的唯一一次直接使用, 为什么呢?
        
        因为所有的分区之间是拷贝关系, 并不是 Shuffle 关系
        
        rddC 中的每个分区并不是依赖多个父 RDD 中的多个分区
        rddC 中每个分区的数量来自一个父 RDD 分区中的所有数据, 是一个 FullDependence, 所以数据可以直接从父 RDD 流动到子 RDD
        不存在一个父 RDD 中一部分数据分发过去, 另一部分分发给其它的 RDD
        
        宽依赖
        
        宽依赖（ShuffleDependency
        
        （并没有所谓的宽依赖, 宽依赖应该称作为 ShuffleDependency）
        
        在 ShuffleDependency 的类声明上如下写到
        
        Represents a dependency on the output of a shuffle stage.
        
        上面非常清楚的说道, 宽依赖就是 Shuffle 中的依赖关系, 换句话说, 只有 Shuffle 产生的地方才是宽依赖
        
        那么宽窄依赖的判断依据就非常简单明确了, 是否有 Shuffle ?
        
        举个 reduceByKey 的例子, rddB = rddA.reduceByKey( (curr, agg) ⇒ curr + agg ) 会产生如下的依赖关系
        
        rddB 的每个分区都几乎依赖 rddA 的所有分区
        对于 rddA 中的一个分区来说, 其将一部分分发给 rddB 的 p1, 另外一部分分发给 rddB 的 p2, 这不是数据流动, 而是分发
        
        如何分辨宽窄依赖 ?
        
        其实分辨宽窄依赖的本身就是在分辨父子 RDD 之间是否有 Shuffle, 大致有以下的方法
        
        如果是 Shuffle, 两个 RDD 的分区之间不是单纯的数据流动, 而是分发和复制
        一般 Shuffle 的子 RDD 的每个分区会依赖父 RDD 的多个分区
        先看是否一对一>是就是窄依赖，如果不是一对一，是多对一>不能确定，再继续判断
        
        但是这样判断其实不准确, 如果想分辨某个算子是否是窄依赖, 或者是否是宽依赖, 则还是要取决于具体的算子, 例如想看 cartesian 生成的是宽依赖还是窄依赖, 可以通过如下步骤
        
        查看 map 算子生成的 RDD
        
        进去 RDD 查看 getDependence 方法
        
        724024159.png?origin_url=Untitled%2520180.png&pos_id=img-mqipe2i4-1704890196048)
        
        常见的窄依赖类型
        
        Dependency.scala 源码有。
        
        一对一窄依赖
        
        其实 RDD 中默认的是 OneToOneDependency, 后被不同的 RDD 子类指定为其它的依赖类型, 常见的一对一依赖是 map 算子所产生的依赖, 例如 rddB = rddA.map(…)
        
        每个分区之间一一对应, 所以叫做一对一窄依赖
        
        Range 窄依赖
        
        Range 窄依赖其实也是一对一窄依赖, 但是保留了中间的分隔信息, 可以通过某个分区获取其父分区, 目前只有一个算子生成这种窄依赖, 就是 union 算子, 例如 rddC = rddA.union(rddB)
        
        rddC 其实就是 rddA 拼接 rddB 生成的, 所以 rddC 的 p5 和 p6 就是 rddB 的 p1 和 p2
        所以需要有方式获取到 rddC 的 p5 其父分区是谁, 于是就需要记录一下边界, 其它部分和一对一窄依赖一样
        
        多对一窄依赖
        
        多对一窄依赖其图形和 Shuffle 依赖非常相似, 所以在遇到的时候, 要注意其 RDD 之间是否有 Shuffle 过程, 比较容易让人困惑, 常见的多对一依赖就是重分区算子 coalesce, 例如 rddB = rddA.coalesce(2, shuffle = false), 但同时也要注意, 如果 shuffle = true 那就是完全不同的情况了
        
        因为没有 Shuffle, 所以这是一个窄依赖
        
        再谈宽窄依赖的区别
        
        宽窄依赖的区别非常重要, 因为涉及了一件非常重要的事情: 如何计算 RDD ?
        宽窄依赖的核心区别是: 窄依赖的 RDD 可以放在一个 Task 中运行
        
        深圳网站建设在线北京商城网站开发公司自建网站流程互联网宣传方式有哪些公司简介怎么写大气南京网页设计公司

上一篇：SparkSession对象操作--学习笔记

下一篇：#Android Studio使用01#