RDD的转换
Spark会根据用户提交的计算逻辑中的RDD的转换和动作来生成RDD之间的依赖关系，同时这个计算链也就生成了逻辑上的DAG。接下来以“Word Count”为例，详细描述这个DAG生成的实现过程。
Spark Scala版本的Word Count程序如下：
|
1
2
3
4
5
|
1
： <span style=
"color: #ff0000;"
><strong>val file = spark.textFile(
"hdfs://..."
)</strong></span>
2
： <strong><span style=
"color: #ff0000;"
>val counts = file.flatMap(line => line.split(
" "
))</span></strong>
3
： <strong><span style=
"color: #ff0000;"
> .map(word => (word,
1
))</span></strong>
4
： <strong><span style=
"color: #ff0000;"
> .reduceByKey(_ + _)</span></strong>
5
：<strong><span style=
"color: #ff0000;"
> counts.saveAsTextFile(
"hdfs://..."
)</span></strong>
|
file和counts都是RDD，其中file是从HDFS上读取文件并创建了RDD，而counts是在file的基础上通过flatMap、map和reduceByKey这三个RDD转换生成的。最后，counts调用了动作saveAsTextFile，用户的计算逻辑就从这里开始提交的集群进行计算。那么上面这5行代码的具体实现是什么呢？
1）行1：spark是org.apache.spark.SparkContext的实例，它是用户程序和Spark的交互接口。spark会负责连接到集群管理者，并根据用户设置或者系统默认设置来申请计算资源，完成RDD的创建等。
spark.textFile("hdfs://...")就完成了一个org.apache.spark.rdd.HadoopRDD的创建，并且完成了一次RDD的转换：通过map转换到一个org.apache.spark.rdd.MapPartitions-RDD。
也就是说，file实际上是一个MapPartitionsRDD，它保存了文件的所有行的数据内容。
2）行2：将file中的所有行的内容，以空格分隔为单词的列表，然后将这个按照行构成的单词列表合并为一个列表。最后，以每个单词为元素的列表被保存到MapPartitionsRDD。
3）行3：将第2步生成的MapPartitionsRDD再次经过map将每个单词word转为(word, 1)的元组。这些元组最终被放到一个MapPartitionsRDD中。
4）行4：首先会生成一个MapPartitionsRDD，起到map端combiner的作用；然后会生成一个ShuffledRDD，它从上一个RDD的输出读取数据，作为reducer的开始；最后，还会生成一个MapPartitionsRDD，起到reducer端reduce的作用。
5）行5：首先会生成一个MapPartitionsRDD，这个RDD会通过调用org.apache.spark.rdd.PairRDDFunctions#saveAsHadoopDataset向HDFS输出RDD的数据内容。最后，调用org.apache.spark.SparkContext#runJob向集群提交这个计算任务。
RDD之间的关系可以从两个维度来理解：一个是RDD是从哪些RDD转换而来，也就是RDD的parent RDD(s)是什么；还有就是依赖于parent RDD(s)的哪些Partition(s)。这个关系，就是RDD之间的依赖，org.apache.spark.Dependency。根据依赖于parent RDD(s)的Partitions的不同情况，Spark将这种依赖分为两种，一种是宽依赖，一种是窄依赖。
RDD的依赖关系（宽依赖和窄依赖）
如，假设，现在如下
所以，
比如，我这里是刚好是4台worker1、worker2、worker3、worker4。还有1台Master。
soga，
|
1
|
<span style=
"color: #ff0000;"
><strong>val file = spark.textFile(
"hdfs://..."
)<br></strong></span>
|
1）行1：spark是org.apache.spark.SparkContext的实例，它是用户程序和Spark的交互接口。spark会负责连接到集群管理者，并根据用户设置或者系统默认设置来申请计算资源，完成RDD的创建等。
spark.textFile("hdfs://...")就完成了一个org.apache.spark.rdd.HadoopRDD的创建，并且完成了一次RDD的转换：通过map转换到一个org.apache.spark.rdd.MapPartitions-RDD。
也就是说，file实际上是一个MapPartitionsRDD，它保存了文件的所有行的数据内容。
想要成为高手，一定要多看源码，看上几十遍都太少了，包括看上10个版本的源码。无论是hadoop、还是spark。
|
1
|
<span style=
"color: #ff0000;"
><strong>val counts = file.flatMap(line => line.split(
" "
))</strong></span><br>
2
）<strong>行
2
</strong>：将file中的所有行的内容，以空格分隔为单词的列表，然后将这个按照行构成的单词列表合并为一个列表。最后，以每个单词为元素的列表被保存到<strong>MapPartitionsRDD</strong>。<br><br><br>
|
|
1
|
<span style=
"color: #ff0000;"
><strong>.map(word => (word,
1
))</strong></span><br>
3
）<strong>行
3
</strong>：将第
2
步生成的MapPartitionsRDD再次经过map将每个单词word转为(word,
1
)的元组。这些元组最终被放到一个<strong>MapPartitionsRDD</strong>中。
|
至此，windows本地，已经完成了。
下面是在网络里了。
注意啦！ 分区是计算概念，分片是数据概念。
有4台worker，每台都在自己内存计算。
|
1
|
<strong>.reduceByKey(_ + _)</strong>
|
4）行4：首先会生成一个MapPartitionsRDD，起到map端combiner的作用；然后会生成一个ShuffledRDD，它从上一个RDD的输出读取数据，作为reducer的开始；最后，还会生成一个MapPartitionsRDD，起到reducer端reduce的作用。
总结：
第一个stage :
HadoopRDD -> MapPartitionRDD -> MapPartitionsRDD -> MapPartitionsRDD -> MapPartitionsRDD
第二个stage :
Stage shuffledRDD -> MapPartitionsRDD
本文转自大数据躺过的坑博客园博客，原文链接：http://www.cnblogs.com/zlslch/p/5723764.html，如需转载请自行联系原作者
