DAG（直接无环图）是Spark执行程序的方式的表示，该图上的每个顶点都是一个单独的操作，边表示每个操作的依赖关系。您的程序（即表示它的DAG）可以在多个实体（RDD、Dataframes等）上运行。RDD Lineage只是导致创建特定RDD的DAG（一个或多个操作）的一部分。

因此，一个DAG（一个Spark程序）可能会创建多个RDD，每个RDD都有它的血统（即DAG中通向该RDD的路径）。如果RDD的某些分区损坏或丢失，Spark可能会重新运行DAG的那部分，从而创建这些分区。
如果Spark程序的唯一目的是创建一个RDD，并且这是最后一步，那么整个DAG就是该RDD的一个血统。
您可以在这里找到更多信息-https://data-flair.training/blogs/rdd-lineage/

简单来说，Lineage：逻辑计划从一个RDD派生出另一个RDD，它是转换的结果。DAG：作为RDD https://ch-nabarun.medium.com/few-spark-concepts-35d2aa026e28操作的结果而执行的物理计划

每当我们创建一个dataframe或Spark SQL或HIVE查询时，spark都会
i.生成未解析逻辑计划 *。
ii.然后，它将应用分析规则和模式目录来转换为已解析的逻辑计划。
这是怎么回事了解数据集的来源和列的类型。
iii.优化规则将最终创建优化逻辑计划。
上述3个步骤属于Catalyst Optimizer，负责优化逻辑计划。
在这里，逻辑计划只不过是血统。每当一个动作被调用时，这个谱系将被转换为DAG，基本上是一个物理计划。