优秀网站开发霸屏推广
目录
- 1. ShuffleMapStage（中间阶段）
- 1.1 作用
- 1.2 核心特性
- 1.3 示例
- 2. ResultStage（最终结果阶段）
- 2.1 作用
- 2.2 核心特性
- 2.3 示例
- 3. 对比总结
- 4. 执行流程示例
- 5. 常见问题
- Q1：为什么需要区分两种 Stage？**
- Q2：如何手动观察 Stage 划分？
- Q3：ShuffleMapStage 的数据一定会落盘吗？
在 Spark 的 DAG 调度模型中，Stage 被划分为 ResultStage 和 ShuffleMapStage 两类，它们的核心区别在于在计算流程中的角色和数据输出方式。以下是详细解析：
1. ShuffleMapStage（中间阶段）
1.1 作用
- 为后续 Stage 准备数据：负责处理 Shuffle 操作的上游数据，输出结果会被分区并写入磁盘（或内存），供下游 Stage 读取。
- 典型场景：所有需要 Shuffle 的操作（如
groupByKey、reduceByKey、join等）。
1.2 核心特性
| 特性 | 说明 |
|---|---|
| 输出数据 | 写入 Shuffle 文件（存储在 Executor 本地或分布式存储） |
| 依赖关系 | 可能有多个下游 Stage 依赖它（宽依赖） |
| 任务类型 | 生成 ShuffleMapTask，任务完成后会返回 MapStatus（记录输出文件位置） |
| 生命周期 | 临时性阶段，数据被下游消费后即可释放 |
1.3 示例
# 以下操作会生成 ShuffleMapStage
rdd = sc.parallelize([(1, "A"), (2, "B"), (1, "C")])
shuffled = rdd.groupByKey() # 触发Shuffle
执行流程：
- 上游数据按 Key 分区 → 2. 写入本地 Shuffle 文件 → 3. 下游 Stage 拉取数据
2. ResultStage（最终结果阶段）
2.1 作用
- 生成最终结果：执行 Action 操作（如
count()、collect()、saveAsTextFile()），将计算结果返回 Driver 或写入外部存储。 - 典型场景：所有触发作业执行的 Action 操作。
2.2 核心特性
| 特性 | 说明 |
|---|---|