spark程序运行剖析

写在前面的话

目的：不要别人说个啥你都是一脸懵逼状态，圈子内交流最好用专业术语，不然就会感觉鸡同鸭讲，我最近就碰到这个问题，首先要做的就是我们自己一定要明确这些术语！

一些重要的术语

• Application
  spark应用程序，说白了，就是用户基于spark api开发的程序，一定是通过一个有main方法的类执行的，比如java开发spark，就是在eclipse中，建立的一个工程

• Application Jar
  这个就是把写好的spark工程，打包成一个jar包，其中包括了所有的第三方jar依赖包，比如java中，就用maven+assembly插件打包最方便

• Driver Program
  说白了，就是运行程序中main方法的进程，这就是driver，也叫driver进程

• Cluster Manager
  集群管理器，就是为每个spark application，在集群中调度和分配资源的组件，比如Spark Standalone、YARN、Mesos等

• Deploy Mode

• 部署模式，无论是基于哪种集群管理器，spark作业部署或者运行模式，都分为两种，client和cluster，client模式下driver运行在提交spark作业的机器上；cluster模式下，运行在spark集群中

• Executor

• 集群管理器为application分配的进程，运行在worker节点上，负责执行作业的任务，并将数据保存在内存或磁盘中，每个application都有自己的executor

• Job

• 每个spark application，根据你执行了多少次action操作，就会有多少个job

• Stage

• 每个job都会划分为多个stage（阶段），每个stage都会有对应的一批task，分配到executor上去执行

• Task

• driver发送到executor上执行的计算单元，每个task负责在一个阶段（stage），处理一小片数据，计算出对应的结果

• worker node
  集群中的工作节点，能够运行executor进程，运行作业代码的节点
  代表的是一个工作节点，并不一定就是指代的standalone模式下的Worker进程所在的节点负责启动executor进程，执行task计算任务，实际执行我们写的代码，处理一部分数据节点，也就是集群中的从节点（slave节点），统一叫做worker node

standalone模式下，基于spark的Master进程和Worker进程组成的集群，Worker进程所在节点，也就是Worker节点

yarn模式下，yarn的nodemanager进程所在的节点，也就叫做worker node，工作节点

spark程序两种不同模式运行区别

• client模式，区别就在于driver启动的位置，你在哪台机器上提交spark application，在那台机器上，就会启动driver进程，直接会去启动一个jvm进程，开始执行你的main类

• cluster模式，spark application或者叫做spark作业，提交到cluster manager，cluster manager负责在集群中某个节点上，启动driver进程