# Spark Job-Stage-Task例項理解 基於一個word count的簡單例子理解Job、Stage、Task的關係，以及各自產生的方式和對並行、分割槽等的聯絡； ### 相關概念 - Job：Job是由Action觸發的，因此一個Job包含一個Action和N個Transform操作； - Stage：Stage是由於shuffle操作而進行劃分的Task集合，Stage的劃分是根據其寬窄依賴關係； - Task：最小執行單元，因為每個Task只是負責一個分割槽的資料 處理，因此一般有多少個分割槽就有多少個Task，這一類的Task其實是在不同的分割槽上執行一樣的動作； ### 例子程式碼 ```python ''' DAG: Job vs Stage vs Task ''' # 初始化spark環境 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是方便指令碼執行不會終止導致web ui不能正常瀏覽 ``` 可以看到，主要的資料處理邏輯分為三部分，分別是兩個word count，以及最後對兩個結果的join，事實上這也對應了3個stage，下面是程式碼與stage的對應圖，注意圖中的並行關係：  從圖中可以看出，原始碼只有一個action（collect），因此只有一個Job，這個Job被換分為3個Stage，劃分原因是有shuffle出現（reductByKey），而明顯看出的是Stage 0和Stage 1互相沒有依賴關係，因此可以並行，而Stage 2則是依賴於0和1的，因此會最後一個執行； ### Spark Web UI 下面通過Web UI來進一步檢視Job、Stage、Task的關係；  從上圖看到，只有一個已完成的Job，該Job包含3個Stage，30個Task（注意之前的程式碼裡parallelize設定的分割槽數為10,3*10=30）；  上圖表示該Job的執行時間線圖，可以明顯的看到Stage0和Stage1在時間上有大部分重疊，也就是並行進行，而Stage2是在Stage1結束後才開始，因為Stage0結束的更早，這裡對於依賴關係的展示還是很明顯的； 另外，對於stage0和stage1，雖然處理的資料量很小，但是依然可以看出二者的執行時間比較接近，也就是沒有明顯的資料偏斜的情況出現，當然，這裡因為只是測試資料，而真實場景下很容易出現個別stage執行時間遠遠超過其他的stage，導致整體的時間被拖長；  上圖是該Job對應的DAG視覺化圖，它是直接的對Stage以及Stage間的依賴關係進行展示，也驗證了我們之前的分析，這裡每個Stage還可以繼續點進去；  上圖中可以更清晰的看到，每個Stage中都包含10個Task，其實就是對應10個partition，對於Stage0和Stage1，他們都是在shuffle前的Stage，因此他們都有Shuffle Write的動作，大小都是514，而Stage2則是join這兩部分資料，因此有Shuffle Read動作，大小而前二者之和，也就是1028；