博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
Spark-Dependency
阅读量:5810 次
发布时间:2019-06-18

本文共 3965 字,大约阅读时间需要 13 分钟。

1、Spark中採用依赖关系(Dependency)表示rdd之间的生成关系。Spark可利用Dependency计算出失效的RDD。在每一个RDD中都存在一个依赖关系的列表

private var dependencies_ : Seq[Dependency[_]] = null
用以记录各rdd中各partition的parent partition。

2、Spark中存在两类Dependency:

1)NarrowDependency表示的是一个父partition仅相应于一个子partition。这种依赖关系是不须要shuffle的。在这类依赖中。能够依据getParents方法获取某个partition的父partitions:

/** * :: DeveloperApi :: * Base class for dependencies where each partition of the parent RDD is used by at most one * partition of the child RDD.  Narrow dependencies allow for pipelined execution. */@DeveloperApiabstract class NarrowDependency[T](rdd: RDD[T]) extends Dependency(rdd) {  /**   * 唯一的接口。获得该partition的全部parent partition   * Get the parent partitions for a child partition.   * @param partitionId a partition of the child RDD   * @return the partitions of the parent RDD that the child partition depends upon   */  def getParents(partitionId: Int): Seq[Int]}

这类又可分为:

a、OneToOneDependency:表示一一相应的依赖关系,因为在这样的依赖中父partition与子partition Id是一致的,所以getParents直接原样返回。相应的转换操作有map和filter

class OneToOneDependency[T](rdd: RDD[T]) extends NarrowDependency[T](rdd) {  /**   * 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   */  override def getParents(partitionId: Int) = List(partitionId)//原样返回}

b、PruneDependency(org.apache.spark.rdd.PartitionPruningRDDPartition):未详

/** * Represents a dependency between the PartitionPruningRDD and its parent. In this * case, the child RDD contains a subset of partitions of the parents'. */private[spark] class PruneDependency[T](rdd: RDD[T], @transient partitionFilterFunc: Int => Boolean)  extends NarrowDependency[T](rdd) {  @transient  val partitions: Array[Partition] = rdd.partitions    .filter(s => partitionFilterFunc(s.index)).zipWithIndex    .map { case(split, idx) => new PartitionPruningRDDPartition(idx, split) : Partition }  override def getParents(partitionId: Int) = {    List(partitions(partitionId).asInstanceOf[PartitionPruningRDDPartition].parentSplit.index)  }}

c、RangeDependency:这样的是父rdd的连续多个partitions相应子rdd中的连续多个partitions。相应的转换有union

/**Union * :: DeveloperApi :: * Represents a one-to-one dependency between ranges of partitions in the parent and child RDDs. * @param rdd the parent RDD * @param inStart the start of the range in the parent RDD parent RDD中区间的起始点 * @param outStart the start of the range in the child RDD child RDD中区间的起始点  * @param length the length of the range */@DeveloperApiclass RangeDependency[T](rdd: RDD[T], inStart: Int, outStart: Int, length: Int)  extends NarrowDependency[T](rdd) {  override def getParents(partitionId: Int) = {    if (partitionId >= outStart && partitionId < outStart + length) {//推断partitionId的合理性,必须在child RDD的合理partition范围      List(partitionId - outStart + inStart)//算出parent RDD中相应的partition id    } else {      Nil    }  }}
2)WideDependency:这样的依赖是指一个父partition能够相应子rdd中多个partitions。因为须要对父partition进行划分,故须要用到shuffle,而shuffle通常是採用键值对的。

这里为每一个shuffle分配了一个全局唯一的shuffleId。

为了进行shuffle。须要指定怎样进行shuffle,这相应于參数partitioner;因为shuffle是须要网络传输的。故须要进行序列化Serializer。在宽依赖中并无法获得partition相应的parent partitions?

/** * :: DeveloperApi :: * Represents a dependency on the output of a shuffle stage. * @param rdd the parent RDD * @param partitioner partitioner used to partition the shuffle output * @param serializer [[org.apache.spark.serializer.Serializer Serializer]] to use. If set to null, *                   the default serializer, as specified by `spark.serializer` config option, will *                   be used. */@DeveloperApiclass ShuffleDependency[K, V](    @transient rdd: RDD[_ <: Product2[K, V]],    val partitioner: Partitioner,//须要给出partitioner, 指示怎样完毕shuffle    val serializer: Serializer = null)//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  extends Dependency(rdd.asInstanceOf[RDD[Product2[K, V]]]) {  val shuffleId: Int = rdd.context.newShuffleId()//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  rdd.sparkContext.cleaner.foreach(_.registerShuffleForCleanup(this))}
你可能感兴趣的文章
TCP segmentation offload
查看>>
java数据类型
查看>>
数据结构——串的朴素模式和KMP匹配算法
查看>>
FreeMarker-Built-ins for strings
查看>>
验证DataGridView控件的数据输入
查看>>
POJ1033
查看>>
argparse - 命令行选项与参数解析(转)
查看>>
一维数组
查看>>
Linux学习笔记之三
查看>>
Floyd最短路算法
查看>>
Class.forName(String name)方法,到底会触发那个类加载器进行类加载行为?
查看>>
CentOS 6.6 FTP install
查看>>
C#------判断btye[]是否为空
查看>>
图解Ajax工作原理
查看>>
oracle导入导出小记
查看>>
聊一聊log4j2配置文件log4j2.xml
查看>>
NeHe OpenGL教程 第七课:光照和键盘
查看>>
修改上一篇文章的node.js代码,支持默认页及支持中文
查看>>
Php实现版本比较接口
查看>>
删除设备和驱动器中软件图标
查看>>