深度解读sparkRDD宽窄依赖

1. RDD以及依赖关系介绍

   • RDD（弹性分布式数据集）：是Spark的核心数据结构，它代表一个不可变、可分区、里面的元素可以并行计算的集合。RDD具有容错性，当某个分区的数据丢失时，可以通过转换操作的血缘关系重新计算得到。
   • 依赖关系：RDD之间存在依赖关系，这种依赖关系用于在某个RDD分区数据丢失或者需要重新计算时，能够从其依赖的RDD中重新生成数据。根据依赖关系的不同特点，分为宽依赖和窄依赖。

2. 窄依赖（Narrow Dependency）

   • 概念：窄依赖是指父RDD的每个分区最多被一个子RDD分区使用。例如，map、filter等操作会产生窄依赖。
   • 特点：
     • 计算高效：在进行计算时，窄依赖允许在一个计算节点上流水线式地执行多个转换操作。因为父RDD分区和子RDD分区是一对一或者多对一的关系，所以可以在一个节点上对分区数据连续进行处理，减少数据传输开销。
     • 故障恢复快：如果某个子RDD分区丢失，只需要重新计算该分区对应的父RDD分区即可。由于父RDD分区到子RDD分区的映射关系简单，重新计算的代价相对较小。
   • 图例：
     
     

3. 宽依赖（Wide Dependency）

   • 概念：宽依赖是指父RDD的一个分区可能被多个子RDD分区使用。例如，groupByKey、reduceByKey等操作会产生宽依赖。
   • 特点：
     • 数据混洗（Shuffle）：宽依赖通常会涉及到数据的混洗。因为父RDD的一个分区数据要被多个子RDD分区使用，所以需要对数据进行重新分区和传输，这个过程会产生大量的网络I/O和磁盘I/O开销。
     • 故障恢复复杂：如果某个子RDD分区丢失，由于其依赖多个父RDD分区，需要重新计算所有相关的父RDD分区，计算成本相对较高。
   • 图例：
     

4. 对Spark执行效率和容错性的影响

   • 执行效率：
     • Spark在调度任务时，会尽量将窄依赖的操作组成流水线（pipeline）一起执行，以减少数据传输和磁盘I/O开销。而对于宽依赖，由于涉及数据混洗，会导致更多的网络和磁盘资源消耗，所以Spark会在宽依赖处划分阶段（Stage）。一个阶段内的操作主要是窄依赖操作，这样可以有效地利用集群资源，提高执行效率。
   • 容错性：
     • 窄依赖的容错性恢复机制相对简单，只需要重新计算丢失分区对应的父RDD分区。而宽依赖的容错恢复成本较高，因为需要重新计算多个父RDD分区。不过，Spark利用RDD的血缘关系（Lineage）来记录RDD之间的依赖关系，无论是窄依赖还是宽依赖，都可以通过血缘关系来恢复丢失的数据。在实际应用中，合理设计RDD的转换操作，尽量减少宽依赖的产生，可以提高整个应用程序的容错性和性能。

5.为什么要标记宽窄关系？

• 1）提高数据容错的性能，避免分区数据丢失时，需要重新构建整个RDD
  • 场景：如果子RDD的某个分区的数据丢失
    不标记：不清楚父RDD与子RDD数据之间的关系，必须重新构建整个父RDD所有数据
    标记了：父RDD一个分区只对应子RDD的一个分区，按照对应关系恢复父RDD的对应分区即可。
• 提高数据转换的性能，将连续窄依赖操作使用同一个Task都放在内存中直接转换
  • 场景：如果RDD需要多个map、flatMap、filter、 reduceByKey、sortByKey等算子的转换操作
    不标记：每个转换不知道会不会经过Shuffle，都使用不同的 Task来完成，每个Task的结果要保存到磁盘
    标记了：多个连续窄依赖算子放在一个Stage中，共用一套 Task在内存中完成所有转换，性能更快。