2.Spark与Hadoop的对比

上一篇文章—Spark概述：spark的概述

这篇文章主要是与MapReduce和Hadoop的名词对比

先从一张图了解下Spark和MapReduce的比较
再从一张图了解一下Spark的运行原理

从这张图我们再进一步进行分析Spark和Hadoop的区别

Hadoop

1.一个MapReduce程序就是一个job，而一个job里面可以有一个或者多个task，task又可以区分为map task和reduce task
2.MapReduce中的每个task分别在自己的进程中运行，当该task运行完时，进程也就结束

Spark

Application

在Spark中，一个任务叫Application，也就是spark-submit提交的程序

Driver

完成任务的调度以及和executor和cluster manager进行协调
1.（驱动程序）是Spark的核心组件
2.构建SparkContext（Spark应用的入口，创建需要的变量，还包含集群的配置信息等）
3.将用户提交的job转换为DAG图
4.根据策略将DAG图划分为多个stage，根据分区从而生成一系列tasks
5.根据tasks要求要RM申请资源
6.提交任务并检测任务状态

Executor

1.每个Spark executor作为一个Yarn容器（container运行）
2.真正执行task的单元，一个节点上会包含多个container，一个container包含一个executor

Job

1.一个action算子就算一个job，例如count，first
2.每个action相当于一个阶段性的结束
3.由多个stage组成

Task

1.Spark中最小的执行单元，是一个线程
2.RDD一般是带有partitions的，每个partitions在一个executor上的执行可以认为是一个task

Stage

1.Stage是Spark独有的
2.一般而言一个Job会切换成一定数量的stage
3.各个stage之前按照顺序执行
4.对应一个taskset，一个stage是对task的包装，taskset对应一组关联的相互之间没有shuffle依赖关系的task组成

这里涉及到一个宽窄依赖的概念，窄依赖都是一对一的，比如stage1和stage2。宽依赖需要依赖前面其他节点的数据，比如stage3需要依赖stage1和stage2的数据。
其实stage表示一个阶段，内部有一些并发的数据处理，stage和stage之间有一定的数据依赖关系，stage可以理解成一个DAG有向无环图

下一章开始学习Spark Core相关的知识，敬请期待！