1)任务划分:Spark 将任务划分为多个 stages 和 tasks。每个 stage 包含多个 tasks,且每个 task 是对数据集中⼀个分区的计算。
2)任务调度:Spark 会将每个 stage 中的 tasks 分配给集群中的 Executor 进⾏计算。任务调度分为两 个阶段:第⼀阶段为 Task Scheduler,在该阶段 Spark 会将任务分配给可⽤的 Executor;第⼆阶段为DAG Scheduler,Spark 会在该阶段优化任务执⾏计划。
3)数据分区:Spark 将数据集划分为多个分区,每个分区会被分配到集群中的某⼀个 Executor 上进⾏计算。每个 Executor 会处理多个分区,且每个分区只会被⼀个 Executor 计算。
4)任务执⾏:Executor 会从 Driver 程序中获取任务信息,并根据任务信息从对应的数据分区中获取据,然后执⾏具体的计算任务。
5)任务结果收集:Executor 执⾏完任务后,将计算结果返回给 Driver 程序。Driver 程序会收集所有Executor 返回的计算结果,并进⾏汇总。
6)结果输出:最后,Driver 程序会将计算结果写⼊到外部存储系统(如 Hadoop HDFS)。