Spark学习了解

Spark的基本运行流程

1、构建Spark Application的运行环境（启动SparkContext）。SparkContext向资源管理器（可以是Standalone、Mesos或YARN）注册并运行Executor
2 、资源管理器分配Executor资源并启动StandaloneExecutorBackend,Executor运行情况将随着心跳发送到资源管理器上
3、SparkContext构建DAG图，将DAG图分解成Stage,并把Taskset发送给Task Scheduler。 Executor向SparkContext申请Task
4、Task Scheduler将Task发放给Executor运行同时SparkContext将应用程序代码发放给Executor。
5、Task在Executor上运行，运行完毕释放所有资源

Spark运行流程图解

Spark中的角色

1、Application

表示你的应用程序

2、Driver

表示main()函数，创建SparkContext。由SparkContext负责与ClusterManager通信，进行资源的申请，任务的分配和监控等。程序执行完毕后关闭SparkContext。

3、Executor

某个Application运行在Worker节点上的一个进程，该进程负责运行某些task,并且负责将数据存放在内存或者磁盘上。在Spark on Yarn模式下，其进程名称为CoarseGrainedExecutor Backend，一个CoarseGrainedExecutor Backend进程有且仅有一个executor对象，它负责将Task包装成taskRunner，并从线程池中抽取出一个空闲线程运行Task，这样，每个CoarseGrainedExecutorBackend并行运行Task的数据就取决于分配给它的CPU的个数

4、 Worker

集群中可以运行Application代码的节点。在Standalone模式中指的是通过slave文件配置的worker节点，在Spark on Yarn 模式中指定的就是NodeManager节点。

5、Task

在Executor进程中执行任务的工作单元，多个Task组成一个Stage。

6、Job

包含多个Task组成的并行计算，是由Action行为触发的

7、Stage

每个Job会被拆分很多组TaskSet，作为一个TaskSet，其名称为Stage

8、DAGScheduler

根据Job构建基于Stage的DAG，并提交给Stage给TaskScheduler,其划分Stage的依据是RDD之间的依赖关系

9、TaskScheduler

将TaskSet提交给Worker(集群)运行，每个Executor运行什么Task就是在此处分配的。

Spark工作流程图

stage及依赖

启动hive找不到Spark的语句需要进行的设置

RDD中filter算子应用

将文件通过SparkSession读取，获取DF（DataFrame命名列方式组织的分布式数据集）格式数据