spark（15） RDD的依赖关系、lineage血统

RDD的依赖关系

依赖类型

RDD根据依赖关系，可以分为父RDD和子RDD，父RDD就是被子RDD依赖的RDD。

而父RDD与子RDD的依赖关系，可以分为两种类型：

1. 窄依赖（narrow dependency）
2. 宽依赖（wide dependency）

窄依赖

窄依赖：指的是每一个父RDD的Partition最多被子RDD的一个Partition使用，可比喻为独生子女。

map/flatMap/filter/union等算子操作都是窄依赖，所有的窄依赖不会产生shuffle

宽依赖

宽依赖：指的是多个子RDD的Partition会依赖同一个父RDD的Partition，可比喻为超生。

reduceByKey/sortByKey/groupBy/groupByKey/join等算子操作都是宽依赖，所有的宽依赖会产生shuffle

示意图

补充说明

由上图可知，join分为宽依赖和窄依赖，如果RDD有相同的partitioner(本质是看分区函数或者分区逻辑是否相同），那么将不会引起shuffle，这种join是窄依赖，反之就是宽依赖。详情看下图：

lineage（血统）理解即可

RDD只支持粗粒度转换：即只记录单个块上执行的单个操作。

那么，就需要创建RDD的一系列Lineage（即血统）记录下来，以便恢复丢失的分区。

RDD的Lineage会记录RDD的元数据信息和转换行为，lineage保存了RDD的依赖关系，当该RDD的部分分区数据丢失时，它可以根据这些信息来重新运算和恢复丢失的数据分区。

比如，下图中的rdd2的1号分区的数据丢失了，那么就可以根据血统lineage保存的RDD的依赖关系和转换行为等，将rdd1中的数据进行flatMap操作恢复丢失的数据。