开发者学堂课程【大数据 Spark 2020版（知识精讲与实战演练）第三阶段：Spark 原理_总体介绍_逻辑执行图】学习笔记，与课程紧密联系，让用户快速学习知识。
课程地址：https://developer.aliyun.com/learning/course/689/detail/12007
Spark 原理_总体介绍_逻辑执行图
逻辑执行图是 RDD 的一组组成，是 RDD 的转换，表示了数据的处理过程，将数据处理过程表示出来，可以将逻辑执行图转化为物理执行图，物理执行图在集群组成中运行。
逻辑执行图步骤：
1.RDD 如何生成
2.通过图了解 RDD 之间的关联
打开代码，可以看出使用 sc 创建 RDD，使用算子 flatmap 转成 splitRDD 的过程，textRDD 使用 flatmap 算子生成splitRDD 的关系，splitRDD 使用 map 算子生成 tupleRDD，而 tupleRDD 使用 reduceByKey 算子生成reduceRDD，reduceRDD 使用 map 算子生成 strRDD，逻辑执行图如下：
逻辑执行图负责 textRDD 如何转化为 splitRDD，splitRDD 存放哪些数据；splitRDD 如何转化为 tupleRDD，tupleRDD 中存放哪些数据，彼此之间存在依赖关系。tupleRDD 的-RDD 是 tupleRDD，是如何创建出来的，都由逻辑执行图得出，逻辑执行图描述数据如何流动，如何计算。
接下来改变代码，注释掉获取结果栏，编写 strRDD.todebugstring，其打印结果即为逻辑执行图，运行代码结果如下：
Todebugstring 是将 strRDD 预运行，取出 strRDD 所有的依赖关系，可以看到s trRDD 的对应关系。
也依赖了一个-RDD，是一个 reduceRDD，与代码相呼应，可以看到整个逻辑执行图通过 Todebugstring 打印出来，自上而下，最上面是离结果最近的 RDD，由副类计算得到。
打开笔记，可以看到逻辑执行图如下：
最左侧是 parallelcollectionRDD，是由 textRDD 通过 parallelize 来得到，再次通过 flatmap 算子得到新的 RDD，经过 map 算子生成另一个 mappartitionsRDD，再次经过 map 算子生成另一个 mappartitionsRDD，通过 reducebykey 算子得到 shuffledRDD，再次经过 map 得到 mappartitionsRDD，在 mappartitionsRDD 分区1和parallelcollectionRDD 的分区1紧密相联，通过父亲1计算生成。
逻辑生成图并不真实存在，代表 RDD一个依赖的链条，代表逻辑执行图，代表数据如何流转。
