Spark DAG与RDD
1、DAG
DAG图中,每个节点都是RDD
窄依赖(也叫narrow依赖)
从父RDD角度看:一个父RDD只被一个子RDD分区使用。父RDD的每个分区最多只能被一个Child RDD的一个分区使用
从子RDD角度看:依赖上级RDD的部分分区 精确知道依赖的上级RDD分区,会选择和自己在同一节点的上级RDD分区,没有网络IO开销,高效。
窄依赖包括:
OneToOneDependency
PruneDependency
RangeDependency
对应的RDD方法包括:
mapmapValuesflatMapfiltermapPartitionsmapPartitionsWithIndex
宽依赖(也叫shuffle依赖/wide依赖)
从父RDD角度看:一个父RDD被多个子RDD分区使用。父RDD的每个分区可以被多个Child RDD分区依赖
从子RDD角度看:依赖上级RDD的所有分区 无法精确定位依赖的上级RDD分区,相当于依赖所有分区(例如reduceByKey) 计算就涉及到节点间网络传输。
宽依赖通常的dependency为ShuffleDependency
对应的RDD方法包括:(有些RDD方法支持参数可配置是否进行shuffle)
cogroup
groupWith
join
leftOuterJoin
rightOuterJoin
groupByKey
reduceByKey
combineByKey
distinct
intersection
repartition
coalesce
Spark之所以将依赖分为narrow和 shuffle:
(1) narrow dependencies可以支持在同一个集群Executor上,以pipeline管道形式顺序执行多条命令,例如在执行了map后,紧接着执行filter。分区内的计算收敛,不需要依赖所有分区的数据,可以并行地在不同节点进行计算。所以它的失败恢复也更有效,因为它只需要重新计算丢失的parent partition即可,
(2)shuffle dependencies 则需要所有的父分区都是可用的,必须等RDD的parent partition数据全部ready之后才能开始计算,可能还需要调用类似MapReduce之类的操作进行跨节点传递。从失败恢复的角度看,shuffle dependencies 牵涉RDD各级的多个parent partition。
划分stage:
由于shuffle依赖必须等RDD的parent RDD partition数据全部ready之后才能开始计算,因此spark的设计是让parent RDD将结果写在本地,完全写完之后,通知后面的RDD。后面的RDD则首先去读之前的本地数据作为input,然后进行运算。
由于上述特性,将shuffle依赖就必须分为两个阶段(stage)去做:
第一个阶段(stage)需要把结果shuffle到本地,例如reduceByKey,首先要聚合某个key的所有记录,才能进行下一步的reduce计算,这个汇聚的过程就是shuffle。
第二个阶段(stage)则读入数据进行处理。
同一个stage里面的task是可以并发执行的,下一个stage要等前一个stage ready
(和mapreduce的reduce需要等map过程ready 一脉相承)
为什么要写在本地?
后面的RDD多个partition都要去读这个信息,如果放到内存,如果出现数据丢失,后面的所有步骤全部不能进行,违背了之前所说的需要parent RDD partition数据全部ready的原则。
为什么要保证parent RDD要ready?
如果有一个partition未生成或者在内存中丢失,那么直接导致计算结果是完全错误的。
写到文件中更加可靠。Shuffle会生成大量临时文件,以免错误时重新计算,其使用的本地磁盘目录由spark.local.dir指定,缓存到磁盘的RDD数据。最好将这个属性设定为访问速度快的本地磁盘。可以配置多个路径到多个磁盘,增加IO带宽。
Spark任务层级基本关系:
一个spark submit的任务 称为一个job,一个job下会按照宽依赖分为多个stage,每个stage中 又会根据并行度被分成多个task。
任务结果的获取
一个具体的任务在Executor中执行完毕以后,其结果需要以某种形式返回给DAGScheduler,根据任务类型的不同,任务的结果的返回方式也不同
对于FinalStage所对应的任务(对应的类为ResultTask)返回给DAGScheduler的是运算结果本身,而对于ShuffleMapTask,返回给DAGScheduler的是一个MapStatus对象,MapStatus对象管理了ShuffleMapTask的运算输出结果在BlockManager里的相关存储信息,而非结果本身,这些存储位置信息将作为下一个Stage的任务的获取输入数据的依据
而根据任务结果的大小的不同,ResultTask返回的结果又分为两类,如果结果足够小,则直接放在DirectTaskResult对象内,如果超过特定尺寸(默认约10MB)则在Executor端会将DirectTaskResult先序列化,再把序列化的结果作为一个Block存放在BlockManager里,而后将BlockManager返回的BlockID放在IndirectTaskResult对象中返回给TaskScheduler,TaskScheduler进而调用TaskResultGetter将IndirectTaskResult中的BlockID取出并通过BlockManager最终取得对应的DirectTaskResult。当然从DAGScheduler的角度来说,这些过程对它来说是透明的,它所获得的都是任务的实际运算结果。
Spark DAG与RDD相关推荐
- spark基础之RDD详解
一 什么是RDD,有什么特点? RDD: Resilient Distributed Dataset,弹性分布式数据集. 特点: # 它是一种数据的集合 # 它可以被分区,每一个分区分布在不同的集群中 ...
- Spark中,RDD概述(五大属性,弹性介绍,5个特性)
1 什么是RDD RDD(Resilient Distributed Dataset)叫做分布式数据集,是Spark 中最基本的数据抽象,它代表一个不可变.可分区.里面的元素可并行计算的集合.在Spa ...
- Spark 期末复习--RDD总结(包含经典练习题)
大家好!我是文艺工科女茶哩,本文篇幅比较长,避免迷路,建议收藏再"食用". Spark 期末复习--RDD总结 什么是RDD? RDD有什么特点? RDD有什么操作? foreac ...
- Spark二之RDD
一.Spark RDD 概述 Resilient Distributed Dataset(http://spark.apache.org/docs/latest/rdd-programming-gui ...
- Spark的核心RDD(Resilient Distributed Datasets弹性分布式数据集)
Spark的核心RDD(Resilient Distributed Datasets弹性分布式数据集) 铺垫 在hadoop中一个独立的计算,例如在一个迭代过程中,除可复制的文件系统(HDFS)外没有 ...
- Spark之Spark Core (RDD弹性分布式数据集)
RDD(Resilient Distributed Dataset)叫做分布式数据集,是Spark中最基本的数据抽象,它代表一个不可变.可分区.里面的元素可并行计算的集合.在 Spark 中,对数据的 ...
- 2021年大数据Spark(十八):Spark Core的RDD Checkpoint
目录 RDD Checkpoint 引入 API 代码演示 总结:持久化和Checkpoint的区别 问题: 答案: 区别: RDD Checkpoint 引入 RDD 数据可以持久化,但是持久化/缓 ...
- 2021年大数据Spark(十七):Spark Core的RDD持久化
目录 RDD 持久化 引入 API 缓存/持久化函数 缓存/持久化级别 释放缓存/持久化 代码演示 总结:何时使用缓存/持久化 RDD 持久化 引入 在实际开发中某些RDD的计算或转换可能会比较耗费时 ...
- 2021年大数据Spark(十五):Spark Core的RDD常用算子
目录 常用算子 基本算子 分区操作函数算子 重分区函数算子 1).增加分区函数 2).减少分区函数 3).调整分区函数 聚合函数算子 Scala集合中的聚合函数 ...
最新文章
- 你和区块链的距离就差这篇文章!
- php唯一性查询,ThinkPHP5.0数据更新验证唯一性怎么验证。
- 在html中如何使用span,如何在HTML和CSS中使用DIV和span?
- JS解析json数据并将json字符串转化为数组的实现方法
- Hepatology | 朱黎琴/于吉洋团队合作揭示新生儿肝脏发育中肝母细胞瘤转移的新机制...
- Selenium WebDriver API
- Jenkins 内部服务器遭访问且被部署密币挖机
- java线程池示例_Java线程连接示例
- ARCENGINE 10 开发遇到的一些问题
- spring-boot推送实时日志到前端页面显示
- Android自定义T9拨号键盘,Android拨号盘 支持T9搜索和号码搜索等拨号盘案例
- Git学习笔记:版本回滚
- 跨浏览器书签导入实例演示,更好的管理书签!
- 2022年水果市场调查报告分析
- kali 安装 google 浏览器
- Internet时间自动同步后,计算机系统时间比北京时间不能同步一致
- torch.long()
- 阿米洛键盘使用手册2021-02-22
- 周六见 | PyCon China 2022 上海站就等你啦!
- Java定时任务的解决方案(Quartz等)