spark--WordCount执行过程详解

首先看一下WordCount代码：

val conf = new SparkConf().setAppName("ScalaWordCount").setMaster("local[4]")
    //创建spark执行的入口
    val sc = new SparkContext(conf)
    //指定以后从哪里读取数据创建RDD（弹性分布式数据集）
    val lines:RDD[String]= sc.textFile(args(0))
    //val lines: RDD[String] = sc.textFile("hdfs://L1:9000/aaa")
    //切分压平
    val words:RDD[String] = lines.flatMap(_.split(" "))
    //将单词和1组合
    val wordAndOne:RDD[(String,Int)] = words.map((_, 1))
    //按Key进行聚合
    val reduced:RDD[(String,Int)] = wordAndOne.reduceByKey(_+_)
    //将结果保存到HDFS中
    sorted.saveAsTextFile(args(1))

在一个统计词数的程序中，首先读取数据，在执行两次map操作，和一个reduce操作，最好保存结果，在这个过程中，一共生成了6个RDD

在读取数据的时候，生成了两个RDD，经过两次map，又生成了两个RDD，在reduce时生成了一个RDD，在执行saveAsTextFile时又生成了一个RDD

reduce时的过程也称为shuffle，一共有两个步骤，第一步是进行局部聚合，第二步是进行全局聚合

一个分区对应一个task(在同一个stage)，一个分区对应的task只能在一台机器上（在executor中），一台机器上可以有多个分区对应的task

一共有两个阶段（stage），在shuffle时是一个分水岭，shuffle前的task称为shufflemaptask,shuffle后的task成为resulttask.所以，WordCount执行过程中，一共生成了2种task,4个task（因为本例中有两个分区）。