Spark---RDD依赖关系

1.1 RDD依赖关系

在Spark中，一个RDD的形成依赖于另一个RDD，则称这两个RDD具有依赖关系(一般指相邻的两个RDD之间的关系) ,RDD的依赖关系对于优化Spark应用程序的性能和可靠性非常重要。通过合理地设计RDD的转换和动作操作，可以避免不必要的Shuffle操作，提高计算效率。

    //读取数据
    val lines:RDD[String] = context.textFile("D:\\learnSoftWare\\IdeaProject\\Spark_Demo\\Spark_Core\\src\\main\\com.mao\\datas\\1.txt")
    //执行扁平化操作
    val words : RDD[String] = lines.flatMap((a: String) => a.split(" "))

words的形成依赖于lines，这两个RDD之间就有依赖关系

1.2 血缘关系

依赖关系是对于相邻的两个RDD来说的，如果多个RDD之间存在依赖关系，则称它们之间具有血缘关系。
血缘关系在Spark中起着重要的作用。血缘关系记录了RDD的元数据信息和转换行为，主要用于容错和优化。
由于RDD中是不存储数据的，当计算发生错误的时候，很难重新计算丢失的数据分区。通过记录RDD的血缘关系，Spark可以在数据分区丢失时重新读取数据源并进行计算，从而恢复丢失的数据分区。 这样，即使在处理大规模数据集时，也能保证Spark作业的可靠性和稳定性。
其次，血缘关系还有助于Spark优化查询计划和性能。

    //执行业务操作
    val lines:RDD[String] = context.textFile("D:\\learnSoftWare\\IdeaProject\\Spark_Demo\\Spark_Core\\src\\main\\com.mao\\datas\\1.txt")
    //执行扁平化操作
    //扁平化就是将多个集合打散为一个集合
    val words: RDD[String] = lines.flatMap((a: String) => a.split(" "))

    val wordGroup: RDD[(String, Iterable[String])] = words.groupBy((word: String) => word)
    
    //对分组后的单词进行转换(hello,1)
    val wordToCount: RDD[(String, Int)] = wordGroup.map({
      case (word, list) => {
        (word, list.size)
      }
    })

如上述代码所示，words的形成依赖于lines，wordGroup依赖于words，wordToCount依赖于wordGroup。这些RDD之间就形成了血缘关系。

1.3 依赖关系分类

在Spark中的依赖关系，可以分为窄依赖和宽依赖(也称shuffle依赖)

1.3.1 窄依赖

窄依赖表示每一个父(上游)RDD 的 Partition 最多被子（下游）RDD 的一个 Partition 使用，窄依赖我们形象的比喻为独生子女。

一个新的分区的数据依赖于一个旧的分区的数据，这样的依赖称之为OneToOne依赖，即窄依赖

1.3.2 宽依赖

宽依赖表示同一个父（上游）RDD 的 Partition 被多个子（下游）RDD 的 Partition 依赖，会引起 Shuffle，总结：宽依赖我们形象的比喻为多生。

新的分区的数据依赖于多个旧的分区的数据，因为数据会被shuffle，所以宽依赖也被称为shuffle依赖。

1.4 RDD阶段划分和任务划分

1.4.1 RDD阶段划分

RDD（弹性分布式数据集）的阶段划分是在Spark中执行多个RDD时，根据RDD之间的依赖关系进行的。
通过分析各个RDD的依赖关系，可以生成一个依赖图（DAG，有向无环图）。然后，通过分析各个RDD中的分区之间的依赖关系，可以决定如何划分阶段。
Shuffle操作需要在不同的阶段之间进行，因此Spark会根据shuffle依赖关系将数据处理划分为不同的阶段。

DAG（Directed Acyclic Graph）有向无环图是由点和线组成的拓扑图形，该图形具有方向，不会闭环。 例如，DAG 记录了 RDD 的转换过程和任务的阶段。

具体的划分方法如下：

1.对DAG进行反向解析，遇到宽依赖（ShuffleDependency）就断开，遇到窄依赖就把当前的RDD加入到当前的阶段中。
2.将窄依赖尽量划分在同一个阶段中，这样可以实现流水线计算。
3.一个阶段等于宽依赖（ShuffleDependency）的个数加1。
4.一个阶段中的最后一个RDD的分区个数就是Task的个数。
简而言之，RDD的阶段划分就是在遇到宽依赖时划分出一个新的阶段，每个阶段的任务全部完成，每个分区元素准备就绪后才能进入下一个阶段。

划分出来的阶段的数量=shuffle依赖数量+1