Spark RDD之Dependency

概要

上一篇我们介绍了代表RDD组成的(Dependency、Partition、Partitioner)之一的Partition，这篇接着介绍Dependency。Partition记录的是数据split的逻辑，Dependency记录的是transformation操作过程中Partition的演化，即这个Partition从哪来到哪去的过程，以及通过Dependency的类型判断如何处理数据，即pipeline还是shuffle。

Dependency定义

我的另一篇博客Spark RDD中介绍了RDD的组成，及Dependency的分类以及缘由，这里不再累述，先看下Dependency的定义：

Dependency是抽象类，有一个属性rdd，就是对应RDD的父RDD，所以Dependency就是对父RDD的包装，并且通过Dependency的类型说明当前这个transformation对应的数据处理方式，其主要子类实现，即Dependency的类型有两大类：

• NarrowDependency(窄依赖)
  
  窄依赖依然是抽象类，继承了rdd，并在定义中增加抽象方法getParents，根据子RDD的PartitionId返回对应的父RDD的PartitionId，接下来查看窄依赖的具体实现：
  
  1. OneToOneDependency
     
     OneToOneDependency表示子RDD和父RDD的Partition之间的关系是1对1的，即子RDD的PartitionId和父RDD的PartitionId一样，如第一幅图中，Narrow Dependency下面的map和filter方法所示的关系。
  2. RangeDependency
     RangeDependency表示子RDD和父RDD的Partition之间的关系是一个区间内的1对1对应关系，第一幅图中所示Narrow Dependency下面的union就是RangeDependency
  3. PruneDependency
     子RDD的Partition来自父RDD的多个Partition，filterByRange方法时会使用，不做详细讨论
• ShuffleDependency(宽依赖)
  ShuffleDependency的定义相对复杂一些，因为shuffle设计到网络传输，所以要有序列化serializer，为了减少网络传输，可以加map端聚合，通过mapSideCombine和aggregator控制，还有key排序相关的keyOrdering，以及重输出的数据如何分区的partitioner，其他信息包括k,v和combiner的class信息以及shuffleId。shuffle是个相对复杂且开销大的过程，Partition之间的关系在shuffle处戛然而止，因此shuffle是划分stage的依据。

Dependency分为两大类，宽依赖和窄依赖，窄依赖有两个主要实现。

举个例子

以Wordcount为例

val wordcount = sc.parallelize(List("a c", "a b"))
wordcount.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).collect()

通过web UI查看DAG，如下：

可以看出，其根据shuffle的位置划分为两个stage，stage0和stage1
调用toDebugString查看各RDD之间关系

最后，总结出Wordcount中RDD及其对应的Dependency如下，其中方形代表RDD，圆角矩形代表Partition(3个圆角矩形是为了作图方便，不代表其具体有3个Partition)，文本框内第一行为代码片段，第二行是对应的RDD，第三行为RDD的Dependency类型

总结

Dependency是RDD的重要组成，分为宽依赖和窄依赖两大类，实质就是其父RDD的包装，由Dependency组成的关系构成了lineage的物理结构，也是DAG的物理结构，宽依赖(即shuffle操作)是stage划分的依据，窄依赖可以执行流水线(pipeline)操作，效率高。