RDD的依赖关系
Rdd之间的依赖关系通过rdd中的getDependencies来进行表示，
在提交job后，会通过在DAGShuduler.submitStage-->getMissingParentStages
privatedefgetMissingParentStages(stage: Stage): List[Stage] = {
valmissing =newHashSet[Stage]
valvisited =newHashSet[RDD[_]]
defvisit(rdd: RDD[_]) {
if(!visited(rdd)){
visited+= rdd
if(getCacheLocs(rdd).contains(Nil)){
for(dep <-rdd.dependencies) {
depmatch{
caseshufDep:ShuffleDependency[_,_] =>
valmapStage =getShuffleMapStage(shufDep,stage.jobId)
if(!mapStage.isAvailable){
missing+= mapStage
}
casenarrowDep:NarrowDependency[_] =>
visit(narrowDep.rdd)
}
}
}
}
}
visit(stage.rdd)
missing.toList
}
在以上代码中得到rdd的相关dependencies，每个rdd生成时传入rdd的dependencies信息。
如SparkContext.textFile,时生成的HadoopRDD时。此RDD的默觉得dependencys为Nil.
Nil是一个空的列表。
classHadoopRDD[K, V](
sc: SparkContext,
broadcastedConf:Broadcast[SerializableWritable[Configuration]],
initLocalJobConfFuncOpt:Option[JobConf => Unit],
inputFormatClass: Class[_ <:InputFormat[K, V]],
keyClass: Class[K],
valueClass: Class[V],
minSplits: Int)
extendsRDD[(K, V)](sc, Nil) withLogging {
Dependency分为ShuffleDependency与NarrowDependency。
当中NarrowDependency又包括OneToOneDependency/RangeDependency
Dependency唯一的成员就是rdd,即所依赖的rdd,或parentrdd
abstractclassDependency[T](valrdd:RDD[T]) extendsSerializable
OneToOneDependency关系：
最简单的依赖关系,即parent和child里面的partitions是一一相应的,典型的操作就是map,filter
事实上partitionId就是partition在RDD中的序号,所以假设是一一相应,
那么parent和child中的partition的序号应该是一样的,例如以下是OneToOneDependency的定义
/**
*Represents a one-to-one dependency between partitions of the parentand child RDDs.
*/
classOneToOneDependency[T](rdd: RDD[T]) extendsNarrowDependency[T](rdd) {
此类的Dependency中parent中的partitionId与childRDD中的partitionId是一对一的关系。
也就是partition本身范围不会改变,一个parition经过transform还是一个partition,
尽管内容发生了变化,所以能够在local完毕，此类场景通常像mapreduce中仅仅有map的场景，
第一个RDD运行完毕后的MAP的parition直接运行第二个RDD的Map,也就是local运行。
overridedefgetParents(partitionId: Int) = List(partitionId)
}
RangeDependency关系：
此类应用尽管仍然是一一相应,可是是parentRDD中的某个区间的partitions相应到childRDD中的某个区间的partitions
典型的操作是union,多个parentRDD合并到一个childRDD,
故每一个parentRDD都相应到childRDD中的一个区间
须要注意的是,这里的union不会把多个partition合并成一个partition,而是的简单的把多个RDD中的partitions放到一个RDD里面,partition不会发生变化,
rdd參数，parentRDD
inStart參数，parentRDD的partitionId计算的起点位置。
outStart參数，childRDD中计算parentRDD的partitionId的起点位置，
length參数，parentRDD中partition的个数。
classRangeDependency[T](rdd: RDD[T], inStart: Int, outStart: Int, length:Int)
extendsNarrowDependency[T](rdd) {
overridedefgetParents(partitionId: Int) = {
检查partitionId的合理性，此partitionId在childRDD的partitionId中的范围须要合理。
if(partitionId >= outStart && partitionId < outStart +length) {
计算出ParentRDD的partitionId的值。
List(partitionId - outStart +inStart)
}else{
Nil
}
}
}
典型的应用场景union的场景把两个RDD合并到一个新的RDD中。
defunion(other: RDD[T]): RDD[T] = newUnionRDD(sc, Array(this,other))
使用union的,第二个參数是,两个RDD的array,返回值就是把这两个RDDunion后产生的新的RDD
ShuffleDependency关系：
此类依赖首先要求是Product2与PairRDDFunctions的k,v的形式，这样才干做shuffle，和hadoop一样。
其次,因为须要shuffle,所以当然须要给出partitioner,默认是HashPartitioner怎样完毕shuffle
然后,shuffle不象map能够在local进行,往往须要网络传输或存储,所以须要serializerClass
默认是JavaSerializer，一个类名，用于序列化网络传输或者以序列化形式缓存起来的各种对象。
默认情况下Java的序列化机制能够序列化不论什么实现了Serializable接口的对象，
可是速度是非常慢的，
因此当你在意执行速度的时候我们建议你使用spark.KryoSerializer而且配置Kryoserialization。
能够是不论什么spark.Serializer的子类。
最后,每一个shuffle须要分配一个全局的id,context.newShuffleId()的实现就是把全局id累加
classShuffleDependency[K, V](
@transientrdd: RDD[_ <: Product2[K, V]],
valpartitioner:Partitioner,
valserializerClass:String = null)
extendsDependency(rdd.asInstanceOf[RDD[Product2[K, V]]]) {
valshuffleId:Int = rdd.context.newShuffleId()
}
生成RDD过程分析
生成rdd我们还是按wordcount中的样例来说明；
val file= sc.textFile("/hadoop-test.txt")
valcounts =file.flatMap(line=> line.split(" "))
.map(word => (word,1)).reduceByKey(_+ _)
counts.saveAsTextFile("/newtest.txt")
1.首先SparkContext.textFile通过调用hadoopFile生成HadoopRDD实例，
textFile-->hadoopFile-->HadoopRDD,此时RDD的Dependency为Nil,一个空的列表。
此时的HadoopRDD为RDD<K,V>，每运行next方法时返回一个Pair,也就是一个KV(通过compute函数)
2.textFile得到HadoopRDD后，调用map函数，
map中每运行一次得到一个KV(compute中getNext,newNextIterator[(K, V)] )，
取出value的值并toString,生成MappedRDD<String>。此RDD的上层RDD就是1中生成的RDD。
同一时候此RDD的Dependency为OneToOneDependency。
deftextFile(path: String, minSplits: Int = defaultMinSplits):RDD[String] = {
hadoopFile(path,classOf[TextInputFormat], classOf[LongWritable], classOf[Text],
minSplits).map(pair =>pair._2.toString)
}
defmap[U: ClassTag](f: T => U): RDD[U] = newMappedRDD(this,sc.clean(f))
以上代码中传入的this事实上就是1中生成的HadoopRDD.
3.flatMap函数，把2中每一行输出通过一定的条件改动成0到多个新的item.生成FlatMappedRDD实例，
同一时候依据implicit隐式转换生成PairRDDFunctions。以下两处代码中的红色部分。
在生成FlatMappedRDD是，此时的上一层RDD就是2中生成的RDD。
同一时候此RDD的Dependency为OneToOneDependency。
classFlatMappedRDD[U: ClassTag, T: ClassTag](
prev: RDD[T],
f:T => TraversableOnce[U])
extendsRDD[U](prev)
implicitdefrddToPairRDDFunctions[K: ClassTag, V:ClassTag](rdd: RDD[(K, V)]) =
newPairRDDFunctions(rdd)
4.map函数，因为3中生成的FlatMappedRDD生成出来的结果，通过implicit的隐式转换生成PairRDDFunctions。
此时的map函数须要生成隐式转换传入的RDD<K,V>的一个RDD，
因此map函数的运行须要生成一个MappedRDD<K,V>的RDD，同一时候此RDD的Dependency为OneToOneDependency。
下面代码的红色部分。－－－RDD[(K,V)]。。
valcounts= file.flatMap(line=> line.split(""))
.map(word=> (word, 1)).reduceByKey(_+ _)
5.reduceByKey函数，此函数通过implicit的隐式转换中的函数来进行，主要是传入一个计算两个value的函数。
reduceByKey这类的shuffle的RDD时，终于生成一个ShuffleRDD,
此RDD生成的Dependency为ShuffleDependency。
详细说明在以下的reduceByKey代码中，
首先在每个map生成MapPartitionsRDD把各partitioner中的数据通过进行合并。合并通过Aggregator实例。
最后通过对合并后的MapPartitionsRDD,此RDD相当于mapreduce中的combiner，生成ShuffleRDD.
defreduceByKey(func: (V, V) => V): RDD[(K, V)] = {
reduceByKey(defaultPartitioner(self),func)
}
defcombineByKey[C](createCombiner: V => C,//创建combiner,通过V的值创建C
mergeValue: (C, V) =>C,//combiner已经创建C已经有一个值，把第二个的V叠加到C中，
mergeCombiners: (C, C) =>C,//把两个C进行合并，事实上就是两个value的合并。
partitioner:Partitioner,//Shuffle时须要的Partitioner
mapSideCombine: Boolean =true,//为了减小传输量,非常多combine能够在map端先做,
比方叠加,能够先在一个partition中把全部同样的key的value叠加,再shuffle
serializerClass: String = null):RDD[(K, C)] = {
if(getKeyClass().isArray) {
if(mapSideCombine) {
thrownewSparkException("Cannot use map-sidecombining with array keys.")
}
if(partitioner.isInstanceOf[HashPartitioner]) {
thrownewSparkException("Default partitionercannot partition array keys.")
}
}
生成一个Aggregator实例。
valaggregator= newAggregator[K, V, C](createCombiner, mergeValue, mergeCombiners)
假设RDD本身的partitioner与传入的partitioner同样，表示不须要进行shuffle
if(self.partitioner== Some(partitioner)) {
生成MapPartitionsRDD，直接在map端当前的partitioner下调用Aggregator.combineValuesByKey。
把同样的key的value进行合并。
self.mapPartitionsWithContext((context,iter) => {
newInterruptibleIterator(context, aggregator.combineValuesByKey(iter,context))
}, preservesPartitioning = true)
}elseif(mapSideCombine) {
生成MapPartitionsRDD，先在map端当前的partitioner下调用Aggregator.combineValuesByKey。
把同样的key的value进行合并。
combineValuesByKey中检查假设key相应的C假设不存在，通过createCombiner创建C，
否则key已经存在C时，通过mergeValue把新的V与上一次的C进行合并，
mergeValue事实上就是传入的reduceByKey(_+ _) 括号里的函数，与reduce端函数同样。
valcombined =self.mapPartitionsWithContext((context, iter) => {
aggregator.combineValuesByKey(iter,context)
}, preservesPartitioning = true)
生成ShuffledRDD，进行shuffle操作，由于此时会生成ShuffleDependency,又一次生成一个新的stage.
valpartitioned= newShuffledRDD[K, C, (K, C)](combined,partitioner)
.setSerializer(serializerClass)
在上一步完毕，也就是shuffle完毕，又一次在reduce端进行合并操作。通过Aggregator.combineCombinersByKey
spark这些地方的方法定义都是通过动态载入运行的函数的方式，所以能够做到map端运行完毕后reduce再去运行兴许的处理。
由于函数在map时仅仅是进行了定义，reduce端才对函数进行运行。
partitioned.mapPartitionsWithContext((context,iter) => {
newInterruptibleIterator(context, aggregator.combineCombinersByKey(iter,context))
}, preservesPartitioning = true)
}else{
不运行map端的合并操作，直接shuffle，并在reduce中运行合并。
//Don't apply map-side combiner.
valvalues =newShuffledRDD[K, V, (K, V)](self,partitioner).setSerializer(serializerClass)
values.mapPartitionsWithContext((context,iter) => {
newInterruptibleIterator(context, aggregator.combineValuesByKey(iter,context))
}, preservesPartitioning = true)
}
}