開門見山，本文就針對乙個點，談談spark中的寬依賴和窄依賴，這是spark計算引擎劃分stage的根源所在，遇到寬依賴，則劃分為多個stage，針對每個stage，提交乙個taskset：
上圖：一張網上的圖：
基於此圖，分析下這裡為什麼前面的流程都是窄依賴，而後面的卻是寬依賴：
我們仔細看看，map和filter運算元中，對於父rdd來說，乙個分區內的資料，有且僅有乙個子rdd的分割槽來消費該資料。
同樣，union運算元也是同樣的：
所以，我們判斷窄依賴的依據就是：父類分區內的資料，會被子類rdd中的指定的唯一乙個分割槽所消費：
這是很重要的：
面試的時候，面試官問到了乙個問題，如果父類rdd有很多的分割槽，而子類rdd只有乙個分割槽，我們可以使用repartition或者coalesce運算元來實現該效果，請問，這種實現是寬依賴？還是窄依賴？
如果從網上流傳的一種觀點：子rdd乙個partition內的資料依賴於父類rdd的所有分割槽，則為寬依賴，這種判斷明顯是錯誤的：
別笑，網上的確有這種說法，我差點栽了跟頭，這種解釋實質上是錯誤的，因為如果我們的reducetask只有乙個的時候，只有乙個分割槽，這個分區內的資料，肯定依賴於所有的父類rdd：
毫無疑問，這是個窄依賴：
相對之下，什麼是寬依賴呢？
寬依賴，指的是父類乙個分區內的資料，會被子rdd內的多個分割槽消費，需要自行判斷分割槽，來實現資料傳送的效果：
總結一下：
窄依賴：父rdd中，每個分區內的資料，都只會被子rdd中特定的分割槽所消費，為窄依賴：
寬依賴：父rdd中，分區內的資料，會被子rdd內多個分割槽消費，則為寬依賴：
這裡，還存在乙個可能被挑刺的地方，比如說父類每個分區內都只有乙個資料，毫無疑問，這些資料都會被唯一地指定到子類的某個分區內，這是窄依賴？還是寬依賴？
這時候，可以從另外乙個角度來看問題：
每個分區內的資料，是否能夠指定自己在子類rdd中的分割槽？
如果不能，那就是寬依賴：如果父rdd和子rdd分割槽數目一致，那基本就是窄依賴了：
總之，還是要把握住根本之處，就是父rdd中分區內的資料，是否在子類rdd中也完全處於乙個分割槽，如果是，窄依賴，如果不是，寬依賴。
寬依賴和窄依賴 Spark 寬依賴和窄依賴
1.前言 上一節spark dag概述 spark中rdd的高效與dag圖有著莫大的關係，在dag排程中需要對計算過程劃分stage，暴力的理解就是stage的劃分是按照有沒有涉及到shuffle來劃分的，沒涉及的shuffle的都劃分在乙個stage裡面，這種劃分依據就是rdd之間的依賴關係。針對...
Spark 中的寬依賴和窄依賴
spark中rdd的高效與dag圖有著莫大的關係，在dag排程中需要對計算過程劃分stage，而劃分依據就是rdd之間的依賴關係。針對不同的轉換函式，rdd之間的依賴關係分類窄依賴 narrow dependency 和寬依賴 wide dependency,也稱 shuffle dependenc...
Spark 寬依賴和窄依賴
spark中rdd的高效與dag圖有著莫大的關係，在dag排程中需要對計算過程劃分stage，暴力的理解就是stage的劃分是按照有沒有涉及到shuffle來劃分的，沒涉及的shuffle的都劃分在乙個stage裡面，這種劃分依據就是rdd之間的依賴關係。針對不同的轉換函式，rdd之間的依賴關係分類...