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

 

privatedef getMissingParentStages(stage: Stage): List[Stage] = {

 

valmissing = new HashSet[Stage]

 

valvisited = new HashSet[RDD[_]]

 

def visit(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。

 

class HadoopRDD[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)

 

extends RDD[(K, V)](sc, Nil) with Logging {

 

 

 

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parent rdd

 

abstractclass Dependency[T](valrdd: RDD[T]) extends Serializable

 

 

 

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 parent and child RDDs.

 

*/

 

class OneToOneDependency[T](rdd: RDD[T]) extends NarrowDependency[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。

 

overridedef getParents(partitionId: Int) = List(partitionId)

 

}

 

 

 

RangeDependency关系：

 

此类应用虽然仍然是一一对应, 但是是parent RDD中的某个区间的partitions对应到child RDD中的某个区间的partitions
典型的操作是union, 多个parent RDD合并到一个child RDD, 故每个parent RDD都对应到child RDD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。

 

class RangeDependency[T](rdd: RDD[T], inStart: Int, outStart: Int, length: Int)

 

extends NarrowDependency[T](rdd) {

 

 

 

overridedef getParents(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。

 

def union(other: RDD[T]): RDD[T] = new UnionRDD(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RDD union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 Kryo serialization。

 

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

 

 

 

class ShuffleDependency[K, V](

 

@transient rdd: RDD[_ <: Product2[K, V]],

 

valpartitioner: Partitioner,

 

valserializerClass: String = null)

 

extends Dependency(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,new NextIterator[(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。

 

def textFile(path: String, minSplits: Int = defaultMinSplits): RDD[String] = {

 

hadoopFile(path, classOf[TextInputFormat], classOf[LongWritable], classOf[Text],

 

minSplits).map(pair => pair._2.toString)

 

}

 

def map[U: ClassTag](f: T => U): RDD[U] = new MappedRDD(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。

 

class FlatMappedRDD[U: ClassTag, T: ClassTag](

 

prev: RDD[T],

 

f: T => TraversableOnce[U])

 

extends RDD[U](prev)

 

 

 

implicitdef rddToPairRDDFunctions[K: ClassTag, V: ClassTag](rdd: RDD[(K, V)]) =

 

new PairRDDFunctions(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.

 

def reduceByKey(func: (V, V) => V): RDD[(K, V)] = {

 

reduceByKey(defaultPartitioner(self), func)

 

}

 

 

 

def combineByKey[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) {

 

thrownew SparkException("Cannot use map-side combining with array keys.")

 

}

 

if (partitioner.isInstanceOf[HashPartitioner]) {

 

thrownew SparkException("Default partitioner cannot partition array keys.")

 

}

 

}

 

生成一个Aggregator实例。

 

valaggregator = new Aggregator[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) => {

 

new InterruptibleIterator(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 = new ShuffledRDD[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) => {

 

new InterruptibleIterator(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 = new ShuffledRDD[K, V, (K, V)](self, partitioner).setSerializer(serializerClass)

 

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

 

new InterruptibleIterator(context, aggregator.combineValuesByKey(iter, context))

 

}, preservesPartitioning = true)

 

}

 

}