大数据复习笔记——Spark宽窄依赖、Stage和资源任务调度

这篇文章主要讲解一下Spark的款窄依赖和资源调度，有能力的话会去讲解一下资源调度的源码。

一、RDD的宽窄依赖

rdd之间有一系列的依赖关系，分为宽依赖和窄依赖。

1、RDD的窄依赖

父RDD partition 与子RDD partition之间的关系是一对一的关系。
父RDD partition 与子RDD partition之间的关系是多对一的关系。

2、RDD的宽依赖

父RDD partition 与子RDD partition之间的关系是一对多的关系。

由图表加以补充方便来理解

二、Spark-Stage计算模式

Spark任务会根据RDD之间的依赖关系，形成一个DAG有向无环图，DAG会提交给DAGScheduler，DAGScheduler会把DAG划分相互依赖的多个stage，划分stage的依据就是RDD之间的宽窄依赖。遇到宽依赖就划分stage,每个stage包含一个或多个task任务。然后将这些task以taskSet的形式提交给TaskScheduler运行。 stage是由一组并行的task组成。

1、Stage切割规则

切割规则：从后往前，遇到宽依赖就切割stage。

从图中可以看出遇到A、F和G的时候会发生切割。

2、Stage计算模式

pipeline管道计算模式,pipeline只是一种计算思想，模式。

1. stage的并行度是由谁决定的？stage中的并行度是由stage中finalRDD的partition个数决定的。stage其他的rdd的partition个数可以影响stage的并行度。
2. 管道中的数据何时落地？①.通过shuffle.write落地。②.对RDD进行持久化。
3. 如何提高Stage 的并行度？通过reduceByKey（fun,num），join（num）来解决。

三、Spark的资源调度和任务调度（重点）

启动集群后，Worker节点会向Master节点汇报资源情况，Master掌握了集群资源情况。当Spark提交一个Application后，根据RDD之间的依赖关系将Application形成一个DAG有向无环图。任务提交后，Spark会在Driver端创建两个对象：DAGScheduler和TaskScheduler，DAGScheduler是任务调度的高层调度器，是一个对象。DAGScheduler的主要作用就是将DAG根据RDD之间的宽窄依赖关系划分为一个个的Stage，然后将这些Stage以TaskSet的形式提交给TaskScheduler（TaskScheduler是任务调度的低层调度器，这里TaskSet其实就是一个集合，里面封装的就是一个个的task任务,也就是stage中的并行度task任务），TaskSchedule会遍历TaskSet集合，拿到每个task后会将task发送到计算节点Executor中去执行（其实就是发送到Executor中的线程池ThreadPool去执行）。task在Executor线程池中的运行情况会向TaskScheduler反馈，当task执行失败时，则由TaskScheduler负责重试，将task重新发送给Executor去执行，默认重试3次。如果重试3次依然失败，那么这个task所在的stage就失败了。stage失败了则由DAGScheduler来负责重试，重新发送TaskSet到TaskSchdeuler，Stage默认重试4次。如果重试4次以后依然失败，那么这个job就失败了。job失败了，Application就失败了。
TaskScheduler不仅能重试失败的task,还会重试straggling（落后，缓慢）task（也就是执行速度比其他task慢太多的task）。如果有运行缓慢的task那么TaskScheduler会启动一个新的task来与这个运行缓慢的task执行相同的处理逻辑。两个task哪个先执行完，就以哪个task的执行结果为准。这就是Spark的推测执行机制。在Spark中推测执行默认是关闭的。推测执行可以通过spark.speculation属性来配置。

注意：

• 如果遇到数据倾斜的情况，开启推测执行则有可能导致一直会有task重新启动处理相同的逻辑，任务可能一直处于处理不完的状态。
• 对于ETL类型要入数据库的业务要关闭推测执行机制，这样就不会有重复的数据入库。

粗粒度资源申请（Spark）

在Application执行之前，将所有的资源申请完毕，当资源申请成功后，才会进行任务的调度，当所有的task执行完成后，才会释放这部分资源。

• 优点：
  在Application执行之前，所有的资源都申请完毕，每一个task直接使用资源就可以了，不需要task在执行前自己去申请资源，task启动就快了，task执行快了，stage执行就快了，job就快了，application执行就快了。
• 缺点：
  直到最后一个task执行完成才会释放资源，集群的资源无法充分利用。

细粒度资源申请（MapReduce）

Application执行之前不需要先去申请资源，而是直接执行，让job中的每一个task在执行前自己去申请资源，task执行完成就释放资源。

• 优点：
  集群的资源可以充分利用。
• 缺点：
  task自己去申请资源，task启动变慢，Application的运行就相应的变慢了。

由于个人能力有限，还有能到阅读并且讲解源码的地步，源码只是浏览了一下，并不能吃透，如有需要我这有源码带着一点解释。

四、SparkShell

SparkShell是Spark自带的一个快速原型开发工具，也可以说是Spark的scala REPL(Read-Eval-Print-Loop),即交互式shell。支持使用scala语言来进行Spark的交互式编程。