RDD的依赖关系

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，每一个rdd生成时传入rdd的dependencies信息。

如SparkContext.textFile,时生成的HadoopRDD时。此RDD的默认为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。

其中NarrowDependency又包含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是一一对应的,典型的操作就是map,filter

其实partitionId就是partition在RDD中的序号,所以如果是一一对应,

那么parent和child中的partition的序号应该是一样的,如下是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,

虽然内容发生了变化,所以可以在local完成，此类场景通常像mapreduce中只有map的场景，

第一个RDD执行完成后的MAP的parition直接运行第二个RDD的Map,也就是local执行。

overridedefgetParents(partitionId: Int) = List(partitionId)

}

RangeDependency关系：

此类应用虽然仍然是一一对应,但是是parentRDD中的某个区间的partitions对应到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, 故每个parentRDD都对应到childRDD中的一个区间
需要注意的是,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参数，parentRDD

inStart参数，parentRDD的partitionId计算的起点位置。

outStart参数，childRDD中计算parentRDD的partitionId的起点位置，

length参数，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中的范围需要合理。

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,第二个参数是,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，这样才能做shuffle，和Hadoop一样。

其次,由于需要shuffle,所以当然需要给出partitioner,默认是HashPartitioner如何完成shuffle

然后,shuffle不象map可以在local进行,往往需要网络传输或存储,所以需要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的序列化机制可以序列化任何实现了Serializable接口的对象，

但是速度是很慢的，

因此当你在意运行速度的时候我们建议你使用Spark.KryoSerializer并且配置Kryoserialization。

可以是任何spark.Serializer的子类。

最后,每个shuffle需要分配一个全局的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中的例子来说明；

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>，每执行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中每执行一次得到一个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。

同时此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其实就是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修改成0到多个新的item.生成FlatMappedRDD实例，

同时根据implicit隐式转换生成PairRDDFunctions。下面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。

同时此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，由于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函数需要生成隐式转换传入的RDD<K,V>的一个RDD，

因此map函数的执行需要生成一个MappedRDD<K,V>的RDD，同时此RDD的Dependency为OneToOneDependency。

以下代码的红色部分。－－－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，最终生成一个ShuffleRDD,

此RDD生成的Dependency为ShuffleDependency。

具体说明在下面的reduceByKey代码中，

首先在每一个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，其实就是两个value的合并。

partitioner:Partitioner,//Shuffle时需要的Partitioner

mapSideCombine: Boolean =true,//为了减小传输量,很多combine可以在map端先做,

比如叠加,可以先在一个partition中把所有相同的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)

如果RDD本身的partitioner与传入的partitioner相同，表示不需要进行shuffle

if(self.partitioner== Some(partitioner)) {

生成MapPartitionsRDD，直接在map端当前的partitioner下调用Aggregator.combineValuesByKey。

把相同的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。

把相同的key的value进行合并。

combineValuesByKey中检查如果key对应的C如果不存在，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其实就是传入的reduceByKey(_+ _) 括号中的函数，与reduce端函数相同。

valcombined =self.mapPartitionsWithContext((context, iter) => {

aggregator.combineValuesByKey(iter,context)

}, preservesPartitioning = true)

生成ShuffledRDD，进行shuffle操作，因为此时会生成ShuffleDependency,重新生成一个新的stage.

valpartitioned= newShuffledRDD[K, C, (K, C)](combined,partitioner)

.setSerializer(serializerClass)

在上一步完成，也就是shuffle完成，重新在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加载执行的函数的方式，所以可以做到map端执行完成后reduce再去执行后续的处理。

因为函数在map时只是进行了定义，reduce端才对函数进行执行。

partitioned.mapPartitionsWithContext((context,iter) => {

newInterruptibleIterator(context, aggregator.combineCombinersByKey(iter,context))

}, preservesPartitioning = true)

}else{

不执行map端的合并操作，直接shuffle，并在reduce中执行合并。

//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)

}

}