Spark DAG之划分Stage

概要

介绍Stage的定义，DAGScheduler划分Stage流程。

Stage

查看Stage定义

Stage中有两个重要属性，rdd和parents，分别记录的是切分处的RDD和父Stage信息，这一点结合我后面的例子更好理解。Stage有两个子类，ShuffleMapStage、ResultStage，两者分别增加了一个重要属性信息，如下

stage	差异属性	作用
ShuffleMapStage	shuffleDep: ShuffleDependency	保存Dependency信息
ResultStage	func: (TaskContext, Iterator[_]) => _	保存action对应的处理函数

处理JobSubmitted事件

上一篇博客Spark DAG之SubmitJob最后讲到调用DAGScheduler的handleJobSubmitted方法处理JobSubmitted事件，查看该方法

如上图注释处，handleJobSubmitted方法主要职责如下

1. 调用newResultStage方法，划分DAG生成Stage。
2. 创建ActiveJob，并添加到对应集合管理。
3. 调用submitStage、submitWaitingStages提交Stage。

划分Stage

DAGScheduler的newResultStage方法负责划分DAG生成Stage，newResultStage方法依次调用getParentStagesAndId、getParentStages方法，查看getParentStages方法

如上图注释处，会在shuffle处切分DAG，并且getShuffleMapStage方法会递归切分shufDep.rdd，getShuffleMapStage方法涉及到的方法调用过多，限于篇幅不再介绍。

举个例子

通过一个例子，详细分析整个划分DAG流程。下面代码是Wordcount的变形，这么处理是为了让代码简单的同时，Stage也足够丰富。

    val sc = new SparkContext("local","wordcount")
    val data = sc.parallelize(List("a c", "a b", "b c", "b d", "c d"), 2)
    val wordcount = data.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).map(x => (x._2, x._1)).reduceByKey(_ + _)

    val data2 = sc.parallelize(List("a c", "a b", "b c", "b d", "c d"), 2)
    val wordcount2 = data2.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).map(x => (x._2, x._1)).reduceByKey(_ + _)

    wordcount.join(wordcount2).collect()

打印出上述代码中RDD的依赖关系

整理如下

1. 最左一列的parallelize、map等表示实例代码中的transformation。
2. 圆角矩形表示transformation操作生成的RDD和该RDD的Dependency，其中ShuffleDependency使用蓝色标注。

在上图ShuffleDependency处切分DAG生成Stage，结果如下

1. 圆角矩形代表Stage，结果为四个ShuffleMapStage ，一个ResultStage。
2. 圆角矩形内为Stage的两个属性。ShuffleMapStage和ResultStage有差别。

到这里，Stage就划分完成了，最后贴张spark webUI的图片

总结

介绍了Stage的结构和实现类，举了一个例子，从物理结构上介绍了Stage的划分，以及划分后的Stage保存了哪些重要信息，了解这些是后续分析根据Stage生成Task的前提。