Spark 内存迭代计算

Spark内存迭代是每个task根据算子之间形成的DAG在内存中不断迭代计算的过程。

如图，带有分区的DAG以及阶段划分，可以从图中得到逻辑上最优的task分配。一个task是一个线程来具体执行。task1中的rdd1，rdd2,rdd3的迭代计算，都是由一个task（线程完成），这一阶段的这一条线，是纯内存计算。task1，task2，task3就形成了三个并行的内存计算管道。

Spark默认受到全局并行度的限制，除了个别算子有特殊分区情况，大部分的算子，都遵循全局并行度的要求，来规划自己的分区数，如果全局并行度是3，其实大部分算子的分区都是3。Spark计算，我们一般推荐只设置全局并行度，不再算子上设置并行度，除了一些排序算子外，计算算子就采用默认的分区就可以了

Spark是怎么做内存计算的？DAG的作用是什么？Stage阶段划分的作用是什么？

1. Spark会产生DAG图
2. DAG图会基于分区和宽窄依赖关系划分阶段
3. 一个阶段内部都是窄依赖，在窄依赖内，如果形成前后1:1的分区对应关系，就可以产生许多内存迭代计算的管道
4. 这些内存迭代计算的管道，就是一个个具体执行的task
5. 一个task是一个具体的线程，任务跑在一个线程内，就是走内存计算

Spark为什么比MapReduce快？

1. Spark算子丰富，MapReduce算子匮乏，MapReduce这个编程模型，很难在一套MR中处理复杂的任务，很多的复杂任务，是需要写多个MapReduce进行串联，多个MR串联通过磁盘交互数据
2. Spark可以执行内存迭代，算子之间形成DAG基于依赖划分阶段后，在阶段内形成内存迭代管理，在算子交互上，和计算上可以尽量多的内存计算而非磁盘迭代。但是MapReduce的Map和Reduce之间的交互依旧是通过磁盘来交互的。