通过前面的分析，我们了解到，在Spark中只存在两种Stage：
- ResultStage
- ShuffleMapStage
Stage之前划分的条件是遍历当前RDD和父RDD的依赖列表，如果遇到了ShuffleDependency则进行Stage的划分，Spark中最后一个Stage永远都是ResultStage，其他的都是ShuffleMapStage。
每个ShuffleMapStage都对应一个ShuffleMapTask
而每个ResultStage都对应一个ResultTask
我们经常说一个Stage对应了多个Task，这里在源代码层面来说，Master节点都是根据待计算的RDD的分区数量来生成Task，一般一个分区对应一个Task，么个task会包含需要执行的节点信息，然后Master节点会将这些Task发往对应的Executor节点去执行Task任务。
在谈谈Spark中的依赖，从大的层面来说，Spark中只有两种依赖：
- NarrowDependency 这就是我们常说的窄依赖
- ShuffleDependency 这就是我们常说的宽依赖
其他的：
- OneToOneDependency 继承自NarrowDependency
- PruneDependency 继承自NarrowDependency
- RangeDependency 继承自NarrowDependency
这里只有遇到ShuffleDependency类型才会进行Stage划分，也就会发生我们常说的MapReduce操作。
这里的：
OneToOneDependency就是父RDD和子RDD的分区一一对应RangeDependency多个父RDD和子RDD的分区一一对应PruneDependency父RDD的某几个分区和子RDD一一对应