Spark Job-Stage-Task实例理解

基于一个word count的简单例子理解Job、Stage、Task的关系，以及各自产生的方式和对并行、分区等的联系；

相关概念

• Job：Job是由Action触发的，因此一个Job包含一个Action和N个Transform操作；
• Stage：Stage是由于shuffle操作而进行划分的Task集合，Stage的划分是根据其宽窄依赖关系；
• Task：最小执行单元，因为每个Task只是负责一个分区的数据 处理，因此一般有多少个分区就有多少个Task，这一类的Task其实是在不同的分区上执行一样的动作；

例子代码

'''
DAG: Job vs Stage vs Task
'''

# 初始化spark环境
from pyspark import SparkContext,SparkConf
conf = SparkConf()
conf.setMaster('local').setAppName('Job vs Stage vs Task')
sc = SparkContext(conf=conf)

alpha_rdd1 = sc.parallelize(['a c','a b','b c','b d','c d'],10)
word_count1 = alpha_rdd1.flatMap(lambda a:a.split(' ')).map(lambda a:(a,1)).reduceByKey(lambda x,y:x+y)

alpha_rdd2 = sc.parallelize(['a c','a b','b c','b d','c d'],10)
word_count2 = alpha_rdd2.flatMap(lambda a:a.split(' ')).map(lambda a:(a,1)).reduceByKey(lambda x,y:x+y)

word_count1.join(word_count2).collect()

print('END')
input() # input是方便脚本运行不会终止导致web ui不能正常浏览

可以看到，主要的数据处理逻辑分为三部分，分别是两个word count，以及最后对两个结果的join，事实上这也对应了3个stage，下面是代码与stage的对应图，注意图中的并行关系：

从图中可以看出，原代码只有一个action（collect），因此只有一个Job，这个Job被换分为3个Stage，划分原因是有shuffle出现（reductByKey），而明显看出的是Stage 0和Stage 1互相没有依赖关系，因此可以并行，而Stage 2则是依赖于0和1的，因此会最后一个执行；

Spark Web UI

下面通过Web UI来进一步查看Job、Stage、Task的关系；

从上图看到，只有一个已完成的Job，该Job包含3个Stage，30个Task（注意之前的代码里parallelize设置的分区数为10,3*10=30）；

上图表示该Job的运行时间线图，可以明显的看到Stage0和Stage1在时间上有大部分重叠，也就是并行进行，而Stage2是在Stage1结束后才开始，因为Stage0结束的更早，这里对于依赖关系的展示还是很明显的；

另外，对于stage0和stage1，虽然处理的数据量很小，但是依然可以看出二者的运行时间比较接近，也就是没有明显的数据偏斜的情况出现，当然，这里因为只是测试数据，而真实场景下很容易出现个别stage执行时间远远超过其他的stage，导致整体的时间被拖长；

上图是该Job对应的DAG可视化图，它是直接的对Stage以及Stage间的依赖关系进行展示，也验证了我们之前的分析，这里每个Stage还可以继续点进去；

上图中可以更清晰的看到，每个Stage中都包含10个Task，其实就是对应10个partition，对于Stage0和Stage1，他们都是在shuffle前的Stage，因此他们都有Shuffle Write的动作，大小都是514，而Stage2则是join这两部分数据，因此有Shuffle Read动作，大小而前二者之和，也就是1028；