> **摘要**：你是否注意过 Spark UI 上的 "DAG Visualization" 图？那个有向无环图（DAG）不是凭空生成的——它是 Spark 从你写的每一行 RDD Transformation 中逐条构建的"血缘图谱"。本文从 RDD DAG 的构建过程、DAGScheduler 如何将 RDD DAG 转换为 Stage DAG、Lineage 容错机制、Checkpoint 截断血缘、Spark UI DAG 可视化五个维度，配合 1 张原创深色架构图 + 源码分析，带你彻底理解 Spark DAG 的原理与价值。
>
> **关键词**：Spark DAG, RDD Lineage, 惰性求值, Stage DAG, DAGScheduler, Checkpoint, 血缘容错

---

## 一、开篇：DAG 是什么？

```
RDD DAG（有向无环图）= RDD 的血缘图谱（Lineage Graph）
  ├── 顶点（Vertex）= 每个 RDD
  ├── 边（Edge）= 父 RDD 到子 RDD 的 Dependency
  ├── 方向：父 → 子（数据流向）
  └── 无环：不存在循环依赖（RDD 是不可变的）
```

**核心特性**：DAG 是惰性构建的——每写一行 `map`/`filter`/`reduceByKey`，就在 DAG 上加一个节点，但**不执行任何计算**。只有 Action 算子才触发 DAGScheduler 将 RDD DAG 转换为 Stage DAG 并执行。

---

## 二、RDD DAG → Stage DAG 全景图

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-2482016/c805549445ddb74554186b069588630d.png)


---

## 三、RDD DAG 的构建：每行代码一个节点

```scala
// 每行 Transformation 往 DAG 加一个 RDD 节点
val rdd0 = sc.textFile("hdfs://...")       // RDD-0: HadoopRDD
val rdd1 = rdd0.flatMap(_.split(" "))      // RDD-1: FlatMappedRDD — NarrowDep → RDD-0
val rdd2 = rdd1.map((_, 1))                // RDD-2: MappedRDD — NarrowDep → RDD-1
val rdd3 = rdd2.reduceByKey(_ + _)         // RDD-3: ShuffledRDD — WideDep → RDD-2
val rdd4 = rdd3.filter(_._2 > 10)          // RDD-4: FilteredRDD — NarrowDep → RDD-3
// ↑ 此时 DAG 已构建完毕，但没有任何计算发生（惰性求值）

rdd4.collect()  // ← Action 触发 → DAGScheduler 将 RDD DAG 转为 Stage DAG
```

### 3.1 惰性求值的价值

```
Transformation → 只记录操作（构建 DAG），不执行
Action        → 触发 DAGScheduler.runJob() → 转换 Stage DAG → 执行
```

惰性求值让 Spark 有机会在运行前**优化整个计算链**——函数组合（Pipeline）、谓词下推、列裁剪等。

---

## 四、DAGScheduler 转换：RDD DAG → Stage DAG

```scala
// 源码：DAGScheduler.createResultStage()
private def createResultStage(finalRDD: RDD[_], ...): ResultStage = {
  // 从 finalRDD 回溯依赖链 → 遇 ShuffleDep → 创建 ShuffleMapStage
  val parents = getOrCreateParentStages(finalRDD, jobId)
  new ResultStage(id, finalRDD, func, partitions, parents, jobId, ...)
}

// 转换规则
// NarrowDep (RDD1→RDD2) → 同 Stage（不切分）
// ShuffleDep (RDD2→RDD3) → Stage 边界！创建新 Stage
```

**转换结果**：
```
Stage 0 (ShuffleMapStage): RDD-0 → RDD-1 → RDD-2 (3个Narrow, Pipeline)
Stage 1 (ResultStage):     RDD-3 → RDD-4 (Shuffle Read → filter → collect)
```

---

## 五、DAG 的血缘容错

```scala
// RDD 的血缘信息（每个 RDD 都有）
abstract class RDD[T] {
  // 依赖列表（指向父 RDD）
  def dependencies: Seq[Dependency[_]]
  
  // 计算函数（如何处理父 RDD 的 Partition）
  def compute(split: Partition, context: TaskContext): Iterator[T]
  
  // 容错：从 Lineage 重新计算丢失 Partition
  def getOrCompute(partition: Partition, context: TaskContext): Iterator[T]
}
```

| 丢失场景 | 容错方式 | 成本 |
|----------|----------|------|
| NarrowDep Partition | 从父RDD重算该Partition | 低（Narrow链内重算） |
| Shuffle后Partition | 重算整个ShuffleMapStage | 高（全量Shuffle重做） |

**Checkpoint 截断**：`rdd.checkpoint()` 将数据写入 HDFS → 清空 Lineage → 容错起点前移。

```bash
sc.setCheckpointDir("hdfs:///spark-checkpoint")
// ... transformations ...
rdd.checkpoint()  # 标记 Checkpoint
rdd.collect()     # Action 触发时写入 HDFS + 清空 Lineage
```

---

## 六、RDD DAG vs Stage DAG 对比

| 维度 | RDD DAG | Stage DAG |
|------|---------|-----------|
| **构建时机** | Transformation 代码写一行加一个节点 | Action 触发时由 DAGScheduler 生成 |
| **节点类型** | RDD（HadoopRDD/MappedRDD...） | Stage（ShuffleMapStage/ResultStage） |
| **边类型** | NarrowDep / ShuffleDep | Shuffle（只有 Wide 边界） |
| **是否可执行** | ❌（惰性蓝图） | ✅（物理执行计划） |
| **可见位置** | Spark UI → "DAG Visualization" | Spark UI → "Stages" 页签 |

---

## 七、总结

| 要点 | 总结 |
|------|------|
| **DAG 本质** | RDD Lineage 图，惰性构建，Action 才转换执行 |
| **转换** | DAGScheduler 遇 ShuffleDep 切分 → RDD DAG → Stage DAG |
| **容错** | Narrow 轻量重算 · Wide 成本高 · Checkpoint 截断血缘 |
| **价值** | 优化 Pipeline + 容错 Lineage + 可视化执行计划 |

> **金句**：DAG 是 Spark 的"施工蓝图"——Transformation 是在蓝图上画线，Action 是按蓝图施工。蓝图可以回退（容错重算），也可以截断存档（Checkpoint）。

---

<p style="margin-top:20px;padding-top:10px;border-top:1px solid #eee;font-size:14px;color:#999;text-align:center;line-height:2;">
作者：starzy  |  AI Data Engineer / 大数据技术实践者<br/>
博客：blog.starzy.cn  |  GitHub：starzy1990.github.io<br/>
专注 AI Agent · LangGraph · RAG · 大数据架构 · 数据工程实践
</p>

摘要：你是否注意过 Spark UI 上的 "DAG Visualization" 图？那个有向无环图（DAG）不是凭空生成的——它是 Spark 从你写的每一行 RDD Transformation 中逐条构建的"血缘图谱"。本文从 RDD DAG 的构建过程、DAGScheduler 如何将 RDD DAG 转换为 Stage DAG、Lineage 容错机制、Checkpoint 截断血缘、Spark UI DAG 可视化五个维度，配合 1 张原创深色架构图 + 源码分析，带你彻底理解 Spark DAG 的原理与价值。

Spark 核心之 DAG 有向无环图原理分析

摘要：你是否注意过 Spark UI 上的 "DAG Visualization" 图？那个有向无环图（DAG）不是凭空生成的——它是 Spark 从你写的每一行 RDD Transformation 中逐条构建的"血缘图谱"。本文从 RDD DAG 的构建过程、DAGScheduler 如何将 RDD DAG 转换为 Stage DAG、Lineage 容错机制、Checkpoint 截断血缘、

大数据

Spark DAG是RDD的血缘图谱，通过Transformation惰性构建，Action触发DAGScheduler将RDD DAG转换为Stage DAG。窄依赖合并为Stage，宽依赖产生Shuffle边界。血缘提供容错重算，Checkpoint截断Lineage降低恢复成本。本文从DAG构建、调度转换、容错机制到UI可视化全面解析其原理与实战价值。

数据架构

代码解释

数据流

LangGraph

GitHub

Spark 

HDFS

让每一个 Agent，都跑在云上

bigdata-class

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Spark DAG是RDD的血缘图谱，通过Transformation惰性构建，Action触发DAGScheduler将RDD DAG转换为Stage DAG。窄依赖合并为Stage，宽依赖产生Shuffle边界。血缘提供容错重算，Checkpoint截断Lineage降低恢复成本。本文从DAG构建、调度转换、容错机...

Spark 核心之 DAG 有向无环图原理分析-腾讯云开发者社区-腾讯云

Spark 核心之 DAG 有向无环图原理分析

Spark 核心之 DAG 有向无环图原理分析

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐