Spark 并行计算模型：RDD

Spark 允许用户为driver（或主节点）编写运行在计算集群上，并行处理数据的程序。在Spark中，它使用RDDs代表大型的数据集，RDDs是一组不可变的分布式的对象的集合，存储在executors中（或从节点）。组成RDDs的对象称为partitions，并可能（但是也不是必须的）在分布式系统中不同的节点上进行计算。Spark cluster manager根据Spark application设置的参数配置，处理在集群中启动与分布Spark executors，用于计算，如下图：

Spark 并不会立即执行driver 程序中的每个RDD 变换，而是懒惰执行：仅在最后的RDD数据需要被计算时（一般是在写出到存储系统，或是收集一个聚合数据给driver时）才触发计算RDD变换。Spark可以将一个RDD加载到executor节点的内存中（在整个Spark 应用的生命周期），以在进行迭代计算时，达到更快的访问速度。因为RDDs是不可变的，由Spark实现，所以在转换一个RDD时，返回的是一个新的RDD，而不是已经存在的那个RDD。Spark的这些性质（惰性计算，内存存储，以及RDD不可变性）提供了它易于使用、容错、可扩展、以及高效运行的特点。

惰性计算

许多其他系统，对in-memory 存储的支持，基于的是：对可变（mutable）对象的细粒度更新。例如：对内存中存储的某个条目的更新。而在Spark中，RDDs是完全惰性的。直到一个action被调用之前，Spark不会开始计算partition。这里的action是一个Spark操作，除了返回一个RDD以外，还会触发对分区的计算，或是可能返回一些输出到非Spark系统中（如outside of the Spark executors）。例如，将数据发送回driver（使用类似count或collect 操作），或是将数据写入到外部存储系统（例如copyToHadoop）。Actions会触发scheduler，scheduler基于RDD transformations之间的依赖关系，构建一个有向无环图（DAG）。换句话说，Spark在执行一个action时，是从后向前定义的执行步骤，以产生最终分布式数据集（每个分区）中的对象。通过这些步骤（称为 execution plan），scheduler对每个stage 计算它的missing partitions，直到它计算出最终的结果。

这里需要注意的是：所有的RDD变换都是100% 惰性的。sortByKey 需要计算RDD以决定数据的范围，所以它同时包含了一个变换与一个action。

惰性计算的性能与可用性优势

惰性计算允许Spark结合多个不需要与driver进行交互的操作（称为1对1依赖变换），以避免多次数据传输。例如，假设一个Spark 程序在同样的RDD上调用一个map和filter函数。Spark可以将这两个指令发送给每个executor。然后Spark可以在每个partition上执行map与filter，这些操作仅需要访问数据仅一次即可，而不是需要发送两次指令（map与filter），也不需要访问两次partition数据。这个理论上可以减少一半的计算复杂度。

Spark的惰性执行不仅更高效。对比一个不同的计算框架（例如MapReduce），Spark上可以更简单的实现同样的计算逻辑。在MapReduce框架中，开发者需要做一些开发工作以合并他们的mapping 操作。但是在Spark中，它的惰性执行策略可以让我们以更少的代码实现相同的逻辑：我们可以将窄依赖链（chain）起来，并让Spark执行引擎完成合并它们的工作。

考虑最经典的wordcount例子，在官方提供的例子中，即使最简单的实现都包含了50行Java代码。而在Spark的实现中，仅需要15行Java代码，或是5行Scala 代码：

def simpleWordCount(rdd: RDD[String]):RDD[(String, Int)]={

  val words = rdd.flatMap(_.split(" "))

  val wordPairs = words.map((_, 1))

  val wordCounts = wordPairs.reduceByKey(_ + _)

  wordCounts

}

使用Spark实现 word count的另一个优点是：它易于修改更新。假设我们需要修改函数，将一些“stop words”与标点符号从每个文档中剔除，然后在进行word count 计算。在MapReduce中，这需要增加一个filter的逻辑到mapper中，以避免传输两次数据并处理。而在Spark中，仅需要简单地加一个filter步骤在map步骤前面即可。例如：

def withStopWordsFiltered(rdd : RDD[String], illegalTokens : Array[Char],

                          stopWords : Set[String]): RDD[(String, Int)] = {

  val seperator = illegalTokens ++ Array[Char](' ')

  val tokens: RDD[String] = rdd.flatMap(_.split(seperator).map(_.trim.toLowerCase))

  val words = tokens.filter(token => !stopWords.contains(token) && (token.length > 0))

  val wordPairs = words.map((_, 1))

  val wordCounts = wordPairs.reduceByKey(_ + _)

  wordCounts

}

惰性执行与容错

Spark是有容错性的，也就是说，在遇到主机或是网络故障时，Spark不会失败、丢失数据、或是返回错误的结果。Spark这个独特的容错方法的实现，得益于：数据的每个partition都包含了重新计算此partition需要的所有信息。大部分分布式计算中，提供容错性的方式是：对可变的（mutable）对象（RDD为immutable 对象），日志记录下更新操作，或是在机器之间创建数据副本。而在Spark中，它并不需要维护对每个RDD的更新日志，或是日志记录实际发生的中间过程。因为RDD它自身包含了用于复制它每个partition所需的所有信息。所以，如果一个partition丢失，RDD有足够的有关它血统的信息，用于重新计算。并且计算过程可以被并行执行，以快速恢复。当某个Worker节点上的Task失败时，可以利用DAG重新调度计算这些失败的Task（执行成功的Task可以从CheckPoint（检查点）中读取，而不用重新计算）。

惰性计算与DEBUGGING

由于惰性计算，所以Spark 程序仅会在执行action时才报错，即使程序逻辑在RDD变换时就有问题了。并且此时Stack trace也仅会提示在action时报的错。所以此时debug 程序时会稍有困难。

Immutability 与 RDD 接口

Spark定义了每个RDD类型都需要实现的RDD接口与其属性。在一个RDD上执行变换时，不会修改原有RDD，而是返回一个新的RDD，新的RDD中的属性被重新定义。RDDs可由三种方式创建：（1）从一个已存在的RDD变换得到；（2）从一个SparkContext，它是应用到Spark的一个API gateway；（3）转换一个DataFrame或Dataset（从SparkSession创建）

SparkContext表示的是一个Spark集群与一个正在运行的Spark application之间的连接。
在Spark内部，RDD有5个主要属性：

1. 一组组成RDD的partitions
2. 计算每个split的函数
3. 依赖的其他RDDs
4. （可选）对key-value RDDs的Partitioner（例如，某个RDD是哈希分区的）
5. （可选）一组计算每个split的最佳位置（例如，一个HDFS文件的各个数据块位置）

对于一个客户端用户来说，很少会用到这些属性，不过掌握它们可以对Spark机制有一个更好的理解。这些属性对应于下面五个提供给用户的方法：

1. partitions:

final def partitions: Array[Partition] = {

  checkpointRDD.map(_.partitions).getOrElse {

    if (partitions_ == null) {

      partitions_ = getPartitions

      partitions_.zipWithIndex.foreach { case (partition, index) =>

        require(partition.index == index,

          s"partitions($index).partition == ${partition.index}, but it should equal $index")

      }

    }

    partitions_

  }

}

返回这个RDD的partitions数组，会考虑到RDD是否有被做检查点（checkpoint）。partitions方法查找分区数组的优先级为：从CheckPoint查找 -> 读取partitions_ 属性 -> 调用getPartitions 方法获取。getPartitions 由子类实现，且此方法仅会被调用一次，所以实现时若是有较为消耗时间的计算，也是可以被接受的。

2. iterator：

final def iterator(split: Partition, context: TaskContext): Iterator[T] = {

  if (storageLevel != StorageLevel.NONE) {

    getOrCompute(split, context)

  } else {

    computeOrReadCheckpoint(split, context)

  }

}

private[spark] def computeOrReadCheckpoint(split: Partition, context: TaskContext): Iterator[T] =
{
  if (isCheckpointedAndMaterialized) {
    firstParent[T].iterator(split, context)
  } else {
    compute(split, context)
  }
}

RDD的内部方法，用于对RDD的分区进行计算。如果有cache，先读cache，否则执行计算。一般不被用户直接调用。而是在Spark计算actions时被调用。

3. dependencies：

final def dependencies: Seq[Dependency[_]] = {

  checkpointRDD.map(r => List(new OneToOneDependency(r))).getOrElse {

    if (dependencies_ == null) {

      dependencies_ = getDependencies

    }

    dependencies_

  }

}

获取此RDD的依赖列表，会将RDD是否有checkpoint（检查点）考虑在内。RDD的依赖列表可以让scheduler知道当前RDD如何依赖于其他RDDs。从代码来看，dependencies方法的执行步骤为：（1）从checkpoint获取RDD信息，并将这些信息封装为OneToOneDependency列表。如果从checkpoint中获取到了依赖，则返回RDD依赖。否则进入第二步；（2）如果dependencies_ 为null，则调用getDependencies获取当前RDD的依赖，并赋值给dependencies_，最后返回dependencies_。

在依赖关系中，主要有两种依赖关系：宽依赖与窄依赖。会在之后讨论。

4. partitioner：

/** Optionally overridden by subclasses to specify how they are partitioned. */

@transient val partitioner: Option[Partitioner] = None

返回一个Scala使用的partitioner 对象。此对象定义一个key-value pair 的RDD中的元素如何根据key做partition，用于将每个key映射到一个partition ID，从 0 到 numPartitions - 1。对于所有不是元组类型（非key/value数据）的RDD来说，此方法永远返回None。

5. preferredLocations：

final def preferredLocations(split: Partition): Seq[String] = {

  checkpointRDD.map(_.getPreferredLocations(split)).getOrElse {

    getPreferredLocations(split)

  }

}

返回一个partition的位置信息（用于data locality）。具体地讲，这个函数返回一系列String，表示的是split（Partition）存储在些节点中。若是一个RDD表示的是一个HDFS文件，则preferredLocations 的结果中，每个String对应的是一个存储partition的一个datanode节点名。

RDD上的函数：Transformations 与 Actions

在RDDs中定义了两种函数类型：actions与transformations。Actions返回的不是一个RDD，而是执行一个操作（例如写入外部存储）；transformations 返回的是一个新的RDD。

每个Spark 程序必须包含一个action，因为它会触发Spark程序的计算，将结果信息返回给driver或是向外部存储写入数据。Persist 调用也会触发程序执行，但是一般不会被标注为Spark job 的结束。向driver返回数据的actions包括：collect，count，collectAsMap，sample，reduce以及take。

这里需要注意的是，尽量使用take，count以及reduce等操作，以免返回给driver的数据过多，造成内存溢出（例如使用collect，sample）。

向外部存储写入数据的actions包括saveAsTextFile，saveAsSequenceFile，以及saveAsObjectFile。大部分写入Hadoop 的actions仅适用于有key/value 对的 RDDs中，它们定义在PairRDDFunctions类（通过隐式转换为元组类型的RDDs提供方法）以及NewHadoopRDD 类（它是从Hadoop中创建RDD的实现）中。一些saving 函数，例如saveAsTextFile 与 saveAsObjectFile，在所有RDDs中都可以使用，它们在实现时，都是隐式地添加了一个Null key到每个record 中（在saving 阶段会被忽略掉），例如 saveAsTextFile 代码：

def saveAsTextFile(path: String): Unit = withScope {

  val nullWritableClassTag = implicitly[ClassTag[NullWritable]]

  val textClassTag = implicitly[ClassTag[Text]]

  val r = this.mapPartitions { iter =>

    val text = new Text()

    iter.map { x =>

      text.set(x.toString)

      (NullWritable.get(), text)

    }

  }

  RDD.rddToPairRDDFunctions(r)(nullWritableClassTag, textClassTag, null)

    .saveAsHadoopFile[TextOutputFormat[NullWritable, Text]](path)

}

从代码可以看出，在保存文件时，为每条记录增加了一个Null key，OutputFormat使用的是Hadoop中的TextOutputFormat。

宽依赖与窄依赖

窄依赖，简单的说就是：子RDD的所依赖的父RDD之间是一对一或是一对多的。

窄依赖需要满足的条件：

1. 父子RDD之间的依赖关系是可以在设计阶段即确定的
2. 与父RDD中的records的值无关
3. 每个父RDD至多仅有一个子RDD

明确的说，在窄变换中的partition，要么是仅基于一个父partition（如map操作），要么是基于父partitions的一个特定子集（在design阶段即可知道依赖关系，如coalesce操作）。所以窄变换可以在数据的一个子集上执行，而不需要依赖其他partition的信息。常见的窄依赖操作有：map，filter，mapPartitions，flatMap等，如下图所示：

 

右边的图是一个coalesce的例子，它也是一个窄依赖。所以就算一个子partition依赖于多个父partition，它也可以是一个窄依赖，只要依赖的父RDD是明确的，且与partition中数据的值无关。

与之相反的是宽依赖，宽依赖无法仅在任意行上执行，而是需要将数据以特定的方式进行分区（例如根据key的值将数据分区）。例如sort方法，records需要被分区，同样范围的key被分区到同一个partition中。宽依赖的变换包括sort，reduceByKey，groupByKey，join，以及任何调用rePartition的函数。下面是宽依赖的一个示例图：

 

宽依赖中的依赖关系，直到数据被计算前，都是未知的。相对于coalesce操作，数据需要根据key-value的值决定分到哪个区中。任何触发shuffle的操作（如groupByKey，reduceByKey，sort，以及sortByKey）均符合此模式。但是join操作会有些复杂，因为根据两个父RDDs被分区的方式，它们可以是窄依赖或是宽依赖。

在某些特定例子中，例如，当Spark已经知道了数据以某种方式分区，宽依赖的操作不会产生一个shuffle。如果一个操作需要执行一个shuffle，Spark会加入一个ShuffledDependency 对象到RDD的dependency 列表中。一般来说，shuffle操作是昂贵的，特别是在大量数据被移动到一个新的partition时。这点也是可以用于在程序中进行优化的，通过减少shuffle数量以及shuflle数据的传输，可以提升Spark程序的性能。

Spark Job

由于Spark使用的是惰性计算，所以直到driver程序调用一个action之前，Spark 应用基本上不会做任何事情。对每个action，Spark Scheduler会构造一个execution graph 并启动一个Spark job。每个Spark job 包含一个或多个 stages ，stages即为计算出最终RDD时数据需要的transformation步骤。每个stage包含一组tasks，它们代表每个并行计算，并执行在executors上。

下图是Spark应用的一个组成部分示意图，其中每个stage对应一个宽依赖：

DAG

Spark的high-level调度层，使用RDD的依赖关系，为每个Spark job 构造一个stages的有向无环图。在Spark API 中，它被称为DAG Scheduler。你可能有注意到，在很多情况下的报错，如连接集群、配置参数、或是launch一个Spark job，最终都会显示为DAG Scheduler 错误。因为Spark job的执行是由DAG处理的。DAG为每个job构建一个stage图，决定每个task执行的位置，并将信息传递给TaskScheduler。TaskScheduler负责在集群上执行tasks。TaskScheduler在partition之间创建一个依赖关系图。

Jobs

Job是Spark执行的的层次关系图中的最高元素。每个Spark job对应一个action，而每个action由driver程序调用。spark 执行图（execution graph）的边界基于的是RDD变换中partitions之间的依赖。所以，如果一个操作返回的不是一个RDD，而是另外的返回（如写入外部存储等），则此RDD不会有子RDD。也就是说，在图论中，这个RDD就是一个DAG中的一个叶子节点。若是调用了一个action，则action不会生成子RDD，也就是说，不会有新的RDD加入到DAG图中。所以此时application会launch一个job，包含了所有计算出最后一个RDD所需的所有transformation信息，开始执行计算。

这里需要区分的是 job 与stages的概念。一个job是由action触发的，如collect，take，foreach等。并不是由宽依赖区分的，宽依赖区分的是stage，一个job包含多个stage。

Stages

一个job是由调用一个action后定义的。这个action可能包含一个或多个transformations，宽依赖的transformation将job划分为不同的stages。

每个stage对应于一个shuffle dependency，shuffle dependency 由宽依赖创建。从更高的视角来看，一个stage可以认为是一组计算（tasks）组成，每个计算都可以在一个executor上运行，且不需要与其他executors或是driver通信。也就是说，当workers之间需要做网络通信时（例如shuffle），即标志着一个新的stage开始。

这些创建了stage边界的dependencies（依赖）称为ShuffleDependencies。Shuffle是由宽依赖产生的，例如sort或groupByKey，它们需要将数据在partition中重新分布。多个窄依赖的transformations可以被组合到一个stage中。

在我们之前介绍过的word count 例子中（使用stop words 做filter，并做单词计数），Spark可以将flatMap，map以及filter 步骤（steps）结合到一个stage中，因为它们中没有需要shuffle的transformation。所以每个executor都可以连续地应用flatMap，map以及filter 步骤在一个数据分区中。一般来说，设计程序时，尽量使用更少的shuffles。

Tasks

一个stage由多个task组成。Task是执行任务的最小单元，每个task代表一个本地计算。一个stage中的所有task都是在对应的每个数据分片上执行相同的代码。一个task不能在多个executor上执行，而一个executor上可以执行多个tasks。每个stage中的tasks数目，对应于那个stage输出的RDD的partition数。

下面是一个展示stage边界的例子：

def simpleSparkProgram(rdd : RDD[Double]): Long ={
  //stage1
  rdd.filter(_< 1000.0)
    .map(x => (x, x) )
    //stage2
    .groupByKey()
    .map{ case(value, groups) => (groups.sum, value)}
    //stage 3
    .sortByKey()
    .count()
}

在driver中执行此程序时，对应的流程图如下：

蓝色框代表的是shuffle 操作（groupByKey与sortByKey）定义的边界。每个stage包含多个并行执行的tasks，每个task对应于RDD transformation结果（红色的长方形框）中的每个partition。

在task并行中，如果任务的partitions数目（也就是需要并行的tasks数据）超出了当前可用的executor slots数目，则不会一次并行就执行完一个stage的所有tasks。所以可能需要两轮或是多轮运行，才能跑完一个stage的所有tasks。但是，在开始下一个stage的计算之前，前一个stage所有tasks必须先全部执行完成。这些tasks的分发与执行由TaskScheduler完成，它根据scheduler使用的策略（如FIFO或fair scheduler）执行相应的调度。

References:

Vasiliki Kalavri, Fabian Hueske. Stream Processing With Apache Flink. 2019