Spark任务执行流程随笔

  当使用spark-submit提交一个作业之后，这个作业就会启动一个对应的driver进程。

 

    根据你使用的部署模式（deploy-mode）不同，driver进程可能在本地启动，也可能在集群中某个工作节点上启动。

 

    driver进程本身会根据我们设置的参数，占有一定数量的内存和CPU core。而driver进程要做的第一件事，就是向集群管理器（可以是Spark Standalone集群，也可以是其他的资源管理集群）申请运行Spark作业需要使用的资源，这里的资源指的是Executor进程。YARN集群管理器会根据我们为Spark作业设置的资源参数，在各个工作节点上，启动一定数量的Executor进程，每个Executor进程都占有一定数量的内存和CPU core。

 

      在申请到了作业执行所需要的资源之后，Driver进程就会开始调度和执行我们编写的作业代码了。

 

      Driver进程会将我们编写的spark作业代码分拆为多个stage，每个stage执行一部分代码片段，并为每个stage创建一批task，然后将这些task分配到各个Executor进程中执行。task是最小的计算单元，负责执行一模一样的计算逻辑（也就是我们自己编写的某个代码片段），只是每个task处理的数据不同而已。一个stage的所有task都执行完毕以后，会在各个节点本地的磁盘文件中写入计算中间结果，然后Driver就会调度运行下一个stage。下一个stage的task的输入数据就是上一个stage输出的中间结果。如此循环往复，直到将我们编写的代码逻辑全部执行完，并且计算完所有的数据，得到我们想要的结果为止。

 

     Spark是根据shuffle类算子来进行stage的划分。

 

     如果代码中执行了某个shuffle类算子（reduceByKey、join等），那么就会在该算子处，划分出一个stage界限来。可以大致理解为，shuffle算子执行之前的代码会被划分为一个stage，shuffle算子执行以及之后的代码会被划分为下一个stage。因此一个stage刚开始执行的时候，它的每个task可能都会从上一个stage的task所在的节点，去通过网络传输拉取需要自己处理的所有key，然后对拉取到的所有相同的key使用我们自己编写的算子函数执行聚合操作（比如reduceByKey（）算子接收的函数）。这个过程就是shuffle。

 

     当我们在代码中执行了cache/persist等持久化操作时，根据我们选择的持久化级别的不同，每个task计算出来的数据也会保存到Executor进程的内存或者所在节点的磁盘文件中。

 

     因此Executor的内存主要分为三块：第一块是让task执行我们自己编写的代码使用，默认是占Executor总内存的20%；第二块是让task通过shuffle过程拉取了上一个stage的task的输出后，进行聚合等操作时使用，默认也是占Executor总内存的20%，第三块时rdd持久化使用，默认占Executor总内存的60%。

 

     task的执行速度是跟每个Executor进程的CPU core数量有直接关系的。一个CPU core同一时间只能执行一个线程。而每个Executor进程上分配到的多个task，都是以每个task一条线程的方式，多线程并发运行的。如果CPU core数量比较充足，而且分配到的task数量比较合理，那么通常来说，可以比较快速和高效的执行完这些task线程