Spark中的宽窄依赖-宽窄巷子
1、什么是依赖关系？
2、什么是宽窄依赖？
窄依赖：Narrow Dependencies
定义：父RDD的一个分区的数据只给了子RDD的一个分区 【不用经过Shuffle】
特点：一对一或者多对一，不经过Shuffle，性能相对较快， 但无法实现全局分区、排序、分组等
一个Stage内部的计算都是窄依赖的过程，全部在内存中 完成。
宽依赖：Wide/Shuffle Dependencies
定义：父RDD的一个分区的数据给了子RDD的多个分区【需要调用Shuffle的分区器来实现】
特点：一对多，必须经过Shuffle，性能相对较慢，可以实现全 局分区、排序、分组等
Spark的job中按照宽依赖来划分Stage
本质：只是一种标记，标记两个RDD之间的依赖关系
3、为什么要标记宽窄关系？
宽窄依赖是在说哪个算子是宽哪个算子是窄吗？不是，说的是两个算子之间的关系。
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
2）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
算子之间，能在内存中转换的就在内存中转换，效率高，碰到需要shuffler的算子，就只能把数据放在磁盘，让shuffer算子，去拉取数据，效率低，如果不标记，怎么知道哪些算子需要shuffer呢？
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。
原文地址：https://blog.csdn.net/GDDGHS_/article/details/143470724
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！