Spark 运行机制

1. Spark运行基本流程

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）注册并申请运行Executor资源；
2. 资源管理器分配Executor资源并启动Executor，Executor运行情况将随着心跳发送到资源管理器上；
3. SparkContext构建成DAG图，将DAG图分解成Stage，并把Taskset发送给Task Scheduler。Executor向SparkContext申请Task，Task Scheduler将Task发放给Executor运行同时SparkContext将应用程序代码发放给Executor。
4. Task在Executor上运行，运行完毕释放所有资源

2. Spark运行架构特点

• 每个Application获取专属的executor进程，该进程在Application期间一直驻留，并以多线程方式运行tasks。
• Spark任务与资源管理器无关，只要能够获取executor进程，并能保持相互通信就可以。
• 提交SparkContext的Client应该靠近Worker节点（运行Executor的节点)，最好是在同一个Rack里，因为Spark程序运行过程中SparkContext和Executor之间有大量的信息交换；如果想在远程集群中运行，最好使用RPC将SparkContext提交给集群，不要远离Worker运行SparkContext。
• Task采用了数据本地性和推测执行的优化机制。

Spark 任务调度

1. 任务调度流程图

各个RDD之间存在着依赖关系，这些依赖关系就形成有向无环图DAG，DAGScheduler对这些依赖关系形成的DAG进行Stage划分，划分的规则很简单，从后往前回溯，遇到窄依赖加入本stage，遇见宽依赖进行Stage切分。完成了Stage的划分。DAGScheduler基于每个Stage生成TaskSet,并将TaskSet提交给TaskScheduler。TaskScheduler 负责具体的task调度,最后在Worker节点上启动task。

2. DAGScheduler

• DAGScheduler对DAG有向无环图进行Stage划分。
• 记录哪个RDD或者 Stage 输出被物化（缓存），通常在一个复杂的shuffle之后，通常物化一下(cache、persist)，方便之后的计算。
• 重新提交shuffle输出丢失的stage（stage内部计算出错）给TaskScheduler
• 将 Taskset 传给底层调度器 
  • – spark-cluster TaskScheduler
  • – yarn-cluster YarnClusterScheduler
  • – yarn-client YarnClientClusterScheduler

3. TaskScheduler

• 为每一个TaskSet构建一个TaskSetManager 实例管理这个TaskSet 的生命周期
• 数据本地性决定每个Task最佳位置
• 提交 taskset( 一组task) 到集群运行并监控
• 推测执行，碰到计算缓慢任务需要放到别的节点上重试
• 重新提交Shuffle输出丢失的Stage给DAGScheduler