spark资源调度和任务调度流程

spark运行架构

spark资源调度和任务调度流程:

1、启动集群后，Worker节点会向Master节点汇报资源情况，Master掌握了集群资源情况。

2、当Spark提交一个Application后，根据RDD之间的依赖关系将Application形成一个DAG有向无环图。任务提交后，Spark会在Driver端创建两个对象：DAGScheduler和TaskScheduler。

3、DAGScheduler是任务调度的高层调度器，是一个对象。DAGScheduler的主要作用就是将DAG根据RDD之间的宽窄依赖关系划分为一个个的Stage，然后将这些Stage以TaskSet的形式提交给TaskScheduler（TaskScheduler是任务调度的低层调度器，这里TaskSet其实就是一个集合，里面封装的就是一个个的task任务，也就是stage中的并行度task任务）

4、TaskScheduler会遍历TaskSet集合，拿到每个task后会将task发送到计算节点Executor中执行（其实就是发送到Executor中的线程池ThreadPool去执行）。

5、task在Executor线程池中的运行情况会向TaskScheduler反馈。

6、当task执行失败时，则由TaskScheduler负责重试，将task重新发送给Executor去执行，默认重试3次。如果重试3次依然失败，那么这个task所在的stage就失败了。

7、stage失败了则由DAGScheduler来负责重试，重新发送TaskSet到TaskScheduler，Stage默认重试4次。如果重试4次后依然失败，那么这个job就失败了。job失败了，Application就失败了。

8、TaskScheduler不仅能重试失败的task，还会重度straggling（落后、缓慢）task（也就是执行速度比其它task慢太多的task）。如果有运行缓慢的task，那么TaskScheduler会启动一个新的task来与这个运行缓慢的task执行相同的处理逻辑。两个task哪个先执行完，就以哪个task的执行结果为准。这就是Spark的推测执行机制。在Spark中推测执行默认是关闭的，可以通过spark.speculation属性来配置。