【面试】Spark

Spark中Driver和Executor的作用

Driver
Spark的驱动器节点，负责运行Spark程序中的main方法，执行实际的代码。Driver在Spark作业时主要负责：

• 将用户程序转化为作业（job）。
• 负责Executor之间的任务（task）调度。
• 监控Executor的执行状态。
• 通过UI展示运行情况。

Executor

• 运行Spark作业中具体的任务，并且将执行结果返回给Driver。
• 通过自身的块管理器（Block Manager）对用户要求缓存的RDD进行内存式存储。RDD式缓存在Executor进程内部的，这样任务在运行时可以充分利用缓存数据加速运算。

Application Job Stage Task

(1) Application
spark-submit 提交的一个spark任务
(2) Job
spark job是根据action算子触发的,遇到action算子就会起一个job
Simply put, a Spark Job is a single computation action that gets instantiated to complete a Spark Action. A Spark Action is a single computation action of a given Spark Driver.
(3) Stage
stage的划分依据就是看是否产生了shuflle(即宽依赖),遇到一个shuffle操作就划分为前后两 个stage
(4) Task
它是 stage 的子集，以分区数来衡量，分区数多少，task 就有多少

Action Transformer

• Transformer是一个不需要实际执行，外部用户无感知的操作
• Action是一个数据计算执行操作

宽依赖和窄依赖

• 窄依赖 指父RDD的每个分区只被子RDD的一个分区所使用，子RDD分区通常对应常数个父RDD分区(O(1)，与数据规模无关)
• 宽依赖 指父RDD的每个分区都可能被多个子RDD分区所使用，子RDD分区通常对应所有的父RDD分区(O(n)，与数据规模有关)

Spark为什么比MR快

1. DAG 相比Hadoop的MapReduce 在大多数情况下可以减少IO次数。 DAG可以连续shuffle，也就是DAG可以包含多个MapReduce操作，不用每次Map后落盘。
2. Spark shuffle优化。 MapReduce在shuffle时默认进行排序，Spark在Shuffle时则只有部分场景才排序(bypass机制不排序 groupby就是bypass)，排序是非常耗时的，这样可以加快shuffle的速度。
3. Spark 支持将反复使用的数据进行缓存。 checkpoint 机制
4. 任务级别并行度上的不同。 MapReduce采用了多进程模型，而Spark采用的多线程模式。MapReduce的MapTask 和ReduceTask都是进程级别，都是jvm进程，每次启动都要重新申请资源，消耗不必要的时间；而SparkTask是基于线程的模型，通过复用线程池中的线程来减少启动和关闭Task的资源消耗

ByPass机制

https://blog.csdn.net/weixin_37090394/article/details/109023233

内存管理

https://www.cnblogs.com/frankdeng/p/9301783.html
https://blog.csdn.net/qq_22473611/article/details/105989061
https://cloud.tencent.com/developer/article/1194698

Spark集群会启动Driver和Executor两种JVM进程，前者为主控进程，后者负责执行具体的计算任务。由于Driver的内存管理相对简单，本文主要对Executor的内存管理进行分析，下文中的Spark内存均特指Executor的内存。