【杂谈】RDD-依赖

RDD的依赖构成了它的血统(linage)--叫族谱更容易理解

有2种依赖关系：窄依赖和宽依赖

构成窄依赖关系的RDD，每一个分区对应一个task(一个线程)，所有task可以并行运行；
宽依赖关系的RDD，要等到父RDD所有分区计算结束后，进行Shuffle，然后才能开始计算。

一个RDD可以依赖多个父RDD，在RDD中，依赖是一个集合

protected def getDependencies: Seq[Dependency[_]] = deps

针对每一个父RDD的依赖，是这样子定义的

// 依赖基类，抽象类
@DeveloperApi
abstract class Dependency[T] extends Serializable {
  def rdd: RDD[T]       // 父RDD
}

窄依赖

// 它是一个抽象类
@DeveloperApi
abstract class NarrowDependency[T](_rdd: RDD[T]) extends Dependency[T] {

  // 获得和分区(id)相对应的父RDD分区(id),不可能多个，这里应该是为了扩展，不会存在多个父RDD分区对应一个子RDD分区的场景
  def getParents(partitionId: Int): Seq[Int]

  override def rdd: RDD[T] = _rdd
}

// 1:1的窄依赖， 子RDD分区和父RDD分区是一一对应的，e.g. map()
class OneToOneDependency[T](rdd: RDD[T]) extends NarrowDependency[T](rdd) {
  override def getParents(partitionId: Int): List[Int] = List(partitionId)
}

// 范围依赖，是一种1：1的依赖，它是把RDD分区叠加起来，e.g. union()
class RangeDependency[T](rdd: RDD[T], inStart: Int, outStart: Int, length: Int)
   extends NarrowDependency[T](rdd) {

  override def getParents(partitionId: Int): List[Int] = {
    // 这个计算基于这样的模型：2个父RDD的分区，叠加到一起，当然，不改变相对顺序
    // e.g. PRDD1[p11, p12, p13] union PRDD2[p21, p22, p23] -> UnionRDD[p11, p12, p13, p21, p22, p23]
    // 当前，UnionRDD, inStart 一直为0
    // outStart，父RDD在UnionRDD中的起始位置，对于我们的例子，PRDD1在UnionRDD对应的outStart = 0; PRDD2在UnionRDD对应的outStart = 2
    if (partitionId >= outStart && partitionId < outStart + length) {
      List(partitionId - outStart + inStart)
    } else {
      Nil
    }
  }

宽依赖

宽依赖中，RDD分区是没有什么对应关系的，就是对应全部的分区

@DeveloperApi
class ShuffleDependency[K: ClassTag, V: ClassTag, C: ClassTag](
	@transient private val _rdd: RDD[_ <: Product2[K, V]],
	val partitioner: Partitioner,
	val serializer: Serializer = SparkEnv.get.serializer,
	val keyOrdering: Option[Ordering[K]] = None,
	val aggregator: Option[Aggregator[K, V, C]] = None,
	val mapSideCombine: Boolean = false)
  extends Dependency[Product2[K, V]] {

  override def rdd: RDD[Product2[K, V]] = _rdd.asInstanceOf[RDD[Product2[K, V]]]


      // 注册shuffle manager，shuffle manager管理着shuffle的整个过程：和mapreduce shuffle相似；父RDD分区的数据按分区号在内存中排序，如果数据量很大，就会溢写到磁盘；多个溢写磁盘的文件会需要进行一个归并排序；所有RDD的分区完成上面“写”的过程以后，数据会被shuffle到Reducer中的Executor
  val shuffleHandle: ShuffleHandle = _rdd.context.env.shuffleManager.registerShuffle(
	shuffleId, _rdd.partitions.length, this)
}