关于Spark中Stage的传输Pipeline

首先pipeline管道计算模式，pipeline只是一种计算思想，一种模式，跟MR不同于，pipeline是将逻辑完全走完才会进行结果的落地，MR则是计算一下持久化磁盘，再进行计算，这也是MR与Spark速度上差距的根本原因（代码实现Stage中的Pipeline)主要是体现了ReduceByKey的内部过程

object Pipeline {
  def main(args: Array[String]): Unit = {
    //创建连接
    val conf = new SparkConf()
    conf.setMaster("local").setAppName("PPLine");
    val sc = new SparkContext(conf)
    //设置一个两个并发数的数组(2个分区数）
    val rdd = sc.parallelize(Array(1, 2, 3, 4, 5, 6, 7, 8), 2)
  
    val rdd1: RDD[Int] = rdd.map(x => {
      println("rdd1----[pid" + TaskContext.get.partitionId + "]----" + x)
      x
    })
    val rdd2: RDD[Int] = rdd1.filter(x => {
      println("rdd2----[pid" + TaskContext.get.partitionId + "]----" + x)
      true
    })
    val rdd3: RDD[(String, Int)] = rdd2.map(x => {
      println("rdd3----[pid" + TaskContext.get.partitionId + "]----" + x)
      Tuple2("yjx" + x % 3, x)
    })

    //在RDD4中进行一个分区运算，在RDD4算子之后会被单独划分出一个stage用于计算（2——>4遇到宽依赖）
    val rdd4: RDD[(String, Int)] = rdd3.reduceByKey((sum: Int, value: Int) => {
      println("rdd4----[pid" + TaskContext.get.partitionId + "]----" + sum + "---" + value)
      sum + value
    }, 3)

    val rdd5: RDD[(String, Int)] = rdd4.map(x => {
      println("rdd5----[pid" + TaskContext.get.partitionId + "]----" + x)
      x
    })
    //启动算子
    rdd5.count
    sc.stop()
  }
}

以上代码就是体现了一组数据在pipeline的执行顺序，被划分两个stage，先是RDD1_{RDD4之间的一个简单的打印过滤（`stage1`)，再是RDD4}RDD5之间的一个计算打印(stage2)

//含义如下：
  

流程图：