Spark RDD的兩種依賴關(guān)系？

在Spark中，不同的RDD之間具有依賴的關(guān)系。RDD與它所依賴的RDD的依賴關(guān)系有兩種類型，分別是窄依賴（narrow dependency）和寬依賴（wide dependency）。

窄依賴是指父RDD的每一個分區(qū)最多被一個子RDD的分區(qū)使用，即OneToOneDependencies。窄依賴的表現(xiàn)一般分為兩類，第一類表現(xiàn)為一個父RDD的分區(qū)對應(yīng)于一個子RDD的分區(qū)；第二類表現(xiàn)為多個父RDD的分區(qū)對應(yīng)于一個子RDD的分區(qū)。也就是說，一個父RDD的一個分區(qū)不可能對應(yīng)一個子RDD的多個分區(qū)。為了便于理解，我們通常把窄依賴形象的比喻為獨(dú)生子女。當(dāng)RDD執(zhí)行map、filter及union和join操作時，都會產(chǎn)生窄依賴，如圖1所示。

圖1 Narrow Dependencies窄依賴

從圖1可以看出，RDD做map、filter和union算子操作時，是屬于窄依賴的第一類表現(xiàn)；而RDD做join算子操作（對輸入進(jìn)行協(xié)同劃分）時，是屬于窄依賴表現(xiàn)的第二類。這里的輸入?yún)f(xié)同劃分是指多個父RDD的某一個分區(qū)的所有Key，被劃分到子RDD的同一分區(qū)，而不是指同一個父RDD的某一個分區(qū)，被劃分到子RDD的兩個分區(qū)中。當(dāng)子RDD做算子操作，因為某個分區(qū)操作失敗導(dǎo)致數(shù)據(jù)丟失時，只需要重新對父RDD中對應(yīng)的分區(qū)（與子RDD相對應(yīng)的分區(qū)）做算子操作即可恢復(fù)數(shù)據(jù)。

寬依賴是指子RDD的每一個分區(qū)都會使用所有父RDD的所有分區(qū)或多個分區(qū)，即OneToManyDependecies。為了便于理解，我們通常把寬依賴形象的比喻為超生。當(dāng)RDD做groupByKey和join操作時，會產(chǎn)生寬依賴，如圖2所示。

圖2 Wide Dependencies寬依賴

從圖2可以看出，父RDD做groupByKey和join（輸入未協(xié)同劃分）算子操作時，子RDD的每一個分區(qū)都會依賴于所有父RDD的所有分區(qū)。當(dāng)子RDD做算子操作，因為某個分區(qū)操作失敗導(dǎo)致數(shù)據(jù)丟失時，則需要重新對父RDD中的所有分區(qū)進(jìn)行算子操作才能恢復(fù)數(shù)據(jù)。

需要注意的是，join算子操作既可以屬于窄依賴，也可以屬于寬依賴。當(dāng)join算子操作后，分區(qū)數(shù)量沒有變化則為窄依賴（如join with inputs co-partitioned，輸入?yún)f(xié)同劃分）；當(dāng)join算子操作后，分區(qū)數(shù)量發(fā)生變化則為寬依賴（如join with inputs not co-partitioned，輸入非協(xié)同劃分）。

猜你喜歡：
不同系統(tǒng)如何加載數(shù)據(jù)創(chuàng)建RDD？

RDD為什么要進(jìn)行數(shù)據(jù)持久化？它的操作方法有哪些？

Spark RDD是什么？RDD特征介紹

黑馬程序員大數(shù)據(jù)培訓(xùn)課程