宽窄依赖/宽窄巷子——spark

宽窄依赖是用于标记算子是否需要shuffle过程的

——本质：只是一种标记，标记两个RDD之间的依赖关系，用于判断是否需要进行shuffle

窄依赖：Narrow Dependencies

定义：父RDD的一个分区的数据只给了子RDD的一个分区 【不用经过Shuffle】 特点：一对一或者多对一，不经过Shuffle，性能相对较快， 但无法实现全局分区、排序、分组等 一个Stage内部的计算都是窄依赖的过程，全部在内存中 完成。

宽依赖：Wide/Shuffle Dependencies

 

定义：父RDD的一个分区的数据给了子RDD的多个分区【需要调用Shuffle的分区器来实现】 特点：一对多，必须经过Shuffle，性能相对较慢，可以实现全局分区、排序、分组等 Spark的job中按照宽依赖来划分不同的Stage

为什么要标记宽窄关系？

1）提高数据容错的性能，避免分区数据丢失时，需要重新构建整个RDD

场景：如果子RDD的某个分区的数据丢失
不标记：不清楚父RDD分区与子RDD分区数据之间的关系，必须重新构建整个父RDD所有分区数据
标记了：父RDD一个分区只对应子RDD的一个分区，按照对应关系恢复父RDD的对应分区即可

 2）提高数据转换的性能，将连续窄依赖操作使用同一个Task都放在内存中直接转换

如果不标记，怎么知道哪些算子需要shuffer呢？
————就只能把数据放在磁盘，让shuffer算子，去拉取数据，效率低