Spark 核心之 RDD 窄依赖与宽依赖详解

摘要 ：为什么 map().filter() 可以在一个 Stage 内完成，而 reduceByKey() 必须切分新的 Stage？为什么 Shuffle 是 Spark 性能的头号杀手？答案就在 RDD 的依赖类型之中------NarrowDependency 与 ShuffleDependency。本文从依赖类型体系、Stage 边界判定源码、Pipeline 优化原理、容错策略差异、性能影响与调优五个维度，配合 1 张原创深色架构图 + 完整源码分析，带你彻底理解 Spark 最核心的概念之一。

关键词：Spark RDD, NarrowDependency, ShuffleDependency, Stage, Pipeline, 血缘, 容错, Shuffle

---

一、开篇：为什么依赖类型决定一切？

先看两段等价代码：

// 方案 A: 全 Narrow --- 1 个 Stage, 无 Shuffle
rdd.map(_ + 1).filter(_ > 10).collect()

// 方案 B: 包含 Wide --- 2 个 Stage, 有 Shuffle
rdd.map(_ + 1).reduceByKey(_ + _).collect()

方案 A 只有 1 个 Stage ，因为 map 和 filter 都是窄依赖------子 Partition 只依赖父 Partition 的 1 对 1 映射，Spark 可以将它们 Pipeline 在一起 执行。

方案 B 有 2 个 Stage ，因为 reduceByKey 是宽依赖------子 Partition 需要从多个父 Partition 拉取数据，必须通过 Shuffle 重新分区。

---

二、NarrowDependency vs ShuffleDependency 全景图

三、NarrowDependency（窄依赖）

3.1 三种子类型

// 源码：Dependency.scala
abstract class NarrowDependency[T](_rdd: RDD[T]) extends Dependency[T] {
  // 子 Partition 依赖父 RDD 的哪些 Partition
  def getParents(partitionId: Int): Seq[Int]
}

// 1:1 映射
class OneToOneDependency[T](rdd: RDD[T]) extends NarrowDependency[T](rdd) {
  override def getParents(partitionId: Int) = List(partitionId)
}

// Range 依赖 (union)
class RangeDependency[T](rdd: RDD[T], inStart: Int, outStart: Int, length: Int)
  extends NarrowDependency[T](rdd) {
  override def getParents(partitionId: Int) =
    if (partitionId >= outStart && partitionId < outStart + length)
      List(partitionId - outStart + inStart) else Nil
}

3.2 哪些算子产生 NarrowDependency？

算子	依赖类型	说明
map	OneToOneDependency	1→1 映射
filter	OneToOneDependency	1→1 映射（过滤后仍独立）
flatMap	OneToOneDependency	1→1 映射
mapPartitions	OneToOneDependency	1→1 映射
union	RangeDependency	多 RDD 拼接
coalesce	NarrowDependency	减少 Partition（不涉及 Shuffle 时）
sample	OneToOneDependency	采样

---

四、ShuffleDependency（宽依赖）

4.1 源码结构

class ShuffleDependency[K, V, C](
    @transient private val _rdd: RDD[_ <: Product2[K, V]],
    val partitioner: Partitioner,        // HashPartitioner / RangePartitioner
    val serializer: Serializer = SparkEnv.get.serializer,
    val keyOrdering: Option[Ordering[K]] = None,
    val aggregator: Option[Aggregator[K, V, C]] = None, // mapSideCombine
    val mapSideCombine: Boolean = false)
  extends Dependency[Product2[K, V]] {
  val shuffleId: Int = _rdd.context.newShuffleId()
  val shuffleHandle: ShuffleHandle = ... // SortShuffleManager 生成
}

4.2 ShuffleDependency 的五个关键属性

属性	说明	影响
partitioner	HashPartitioner / RangePartitioner	决定数据如何分布到下游 Partition
serializer	Kryo / Java	序列化 Shuffle 中间数据
keyOrdering	排序器	sortByKey 必须指定
aggregator	聚合器	reduceByKey 的 mapSideCombine
mapSideCombine	是否 Map 端预聚合	reduceByKey vs groupByKey 的关键区别

4.3 reduceByKey vs groupByKey

// ❌ groupByKey: mapSideCombine=false --- 全量数据传输
rdd.groupByKey()  // Shuffle 传输所有 KV 对

// ✅ reduceByKey: mapSideCombine=true --- Map 端预聚合
rdd.reduceByKey(_ + _)  // Shuffle 前先在 Map 端合并

性能差异 ：reduceByKey 比 groupByKey 减少 90%+ 的 Shuffle 数据量（取决于 Key 的重复率）。

---

五、依赖类型决定 Stage 边界

// 源码：DAGScheduler.scala
private def getOrCreateParentStages(rdd: RDD[_], firstJobId: Int): List[Stage] = {
  rdd.dependencies.flatMap {
    case shufDep: ShuffleDependency[_, _, _] =>
      // 🔥 遇到 Shuffle → 创建 ShuffleMapStage → Stage 边界
      getOrCreateShuffleMapStage(shufDep, firstJobId) :: Nil
    case _: NarrowDependency[_] =>
      Nil  // Narrow → 同 Stage, 不切分
  }.toList
}

规则 ：遇到 ShuffleDependency 即切分 Stage，NarrowDependency 全部在同一 Stage 内 Pipeline 执行。

---

六、容错策略差异

维度	Narrow	Wide
容错范围	只重算丢失 Partition	重算整个 Stage（因为上游数据需要重新 Shuffle）
血缘链	短（Pipeline 内）	长（跨 Stage）
恢复成本	低	高（Shuffle 重复 I/O）
Checkpoint	通常不需要	强烈建议在 Shuffle 后 Checkpoint

---

七、性能优化建议

# 1. 用 reduceByKey 代替 groupByKey（开启 mapSideCombine）
# 2. 用 Kryo 序列化减少 Shuffle 数据量
--conf spark.serializer=org.apache.spark.serializer.KryoSerializer

# 3. 调大 Shuffle 分区数避免数据倾斜
--conf spark.sql.shuffle.partitions=400

# 4. 启用 Shuffle 文件合并
--conf spark.shuffle.consolidateFiles=true

---

八、总结

要点	总结
NarrowDependency	1→1 / Range / Prune, 同 Stage Pipeline, 容错轻
ShuffleDependency	多→多, Stage 边界, Shuffle I/O 重, 容错贵
Stage 切分	遇 ShuffleDependency 即切分
优化核心	减少 Shuffle = 减少 Stage = 提升性能

金句：Narrow 是团队内部的接力赛（一棒接一棒，全在一个 Stage），Wide 是部门之间的邮件沟通（必须写好 Shuffle 文件，下一个 Stage 再来读）。

---

作者：starzy | AI Data Engineer / 大数据技术实践者

博客：blog.starzy.cn | GitHub：starzy1990.github.io

专注 AI Agent · LangGraph · RAG · 大数据架构 · 数据工程实践