什么是DAG?有向无环图的几种连贯关系讲解

　　DAG(Directed Acyclic Graph)叫做有向无环图，Spark中的RDD通过一系列的转换算子操作和行动算子操作形成了一个DAG。DAG是一种非常重要的图论数据结构。如果一个有向图无法从任意顶点出发经过若干条边回到该点，则这个图就是有向无环图，具体如图1所示。

图1 DAG有向无环图

　　从图1可以看出，4→6→1→2是一条路径，4→6→5也是一条路径，并且图中不存在从顶点经过若干条边后能回到该点。在Spark中，有向无环图的连贯关系被用来表达RDD之间的依赖关系。其中，顶点表示RDD及产生该RDD的操作算子，有方向的边表示算子之间的相互转化。

　　根据RDD之间依赖关系的不同可以将DAG划分成不同的Stage(调度阶段)。对于窄依赖来说，RDD分区的转换处理是在一个线程里完成，所以窄依赖会被Spark划分到同一个Stage中;而对于宽依赖来说，由于有Shuffle的存在，所以只能在父RDD处理完成后，下一个Stage才能开始接下来的计算，因此宽依赖是划分Stage的依据，当RDD进行转换操作，遇到宽依赖类型的转换操作时，就划为一个Stage。Stage的具体划分如图2所示。

图2 Stage的划分

　　在图2中，创建了三个RDD的实例A、C以及E。当RDD的实例A做groupByKey转换操作生成B时，由于groupByKey转换操作属于宽依赖类型，所以就把实例A划分为一个Stage，如Stage1;当实例C做map转换操作生成D， D与实例E做union转换操作生成F，由于map和union转换操作都属于窄依赖类型，因此不进行Stage的划分，而是将C、D、E、F加入到同一个Stage中;当F与B进行join转换操作时，由于这时的join操作是非协同划分，所以属于宽依赖，因此会划分为一个Stage，如Stage2;剩下的B和G被划分为一个Stage，如Stage3。

不同系统如何加载数据创建RDD？

Spark RDD是什么？RDD特征介绍

Scala下载和环境变量配置教程

黑马程序员大数据培训课程