spark 提交job运行流程

spark在提交任务到集群后，会有一系列的处理，
从根据任务代码构建DAG，再到根据shuffle算子切分stage,
然后生成taskset提交到集群管理进行调度等等，
都需要一个比较清晰的流程梳理，便于问题定位，也利于性能优化

流程

• 通过测试和观察spark ui，spark会将依赖jar提前上传至hdfs目录，用于后续executor的分发和使用
• 流程机构图【基于 yarn-cluster模式)
• 
• 流程解析
  准备
  1.spark client通过spark-submit或API，进行任务提交
  2.RM收到任务提交请求后，进行任务记录，分配起application_id(在yarn web ui对应),并在hdfs目录分配目录用于新任务上传必须资源([hdfs:///user/用户/.sparkStaging/applicationId])
  3.spark client收到响应后，根据application_id上传任务运行所需依赖到为其分配的hdfs目录，以及spark配置参数，应用代码
  4.上传依赖后，准备就绪，想RM申请资源运行任务
  执行
  5.RM收到请求，若资源队列存在可分配NM，则向可用NM发送请求，NM接受到请求后，创建container。NM创建container成功后，向RM发送响应
  6.RM收到响应，提示spark client可以运行任务
  7.spark client收到RM应答后，发送运行的命令到NM所在的container中，启动application master[AM负责任务的协调]
  8.application master从hdfs中该application对应的hdfs目录获取上传jar，配置文件，依赖包，创建spark Driver进程
  9.根据spark集群配置参数，application master向RM申请 NM容器，启动Executor对应的容器
  10.RM调度空闲、可用的NM创建container
  11.application master获取NMcontainer后，发送启动Executor进程的命令，Executor启动后向Driver进行反向注册，用于心跳检测和计算结果返回
  12.Driver进程会解析spark执行，执行main函数，后续DAGScheduler进行一系列DAG构建,然后进行stage划分后，每个stage生成taskset,由taskScheduler提交到cluster manager,最后提交yarn集群
  13.由于Executor已在Driver注册,因此Driver会将task分配到Executor中执行
  14.executor分配到对应的任务进行执行，执行完毕向driver端发送结果，driver端根据结果进行聚合；Driver会根据Executor执行情况，会决定是否进行推测执行，对运行较慢的Executor，开启新的Executor执行该任务。
  结束
  15.Executor结束
  16.Driver结束
  17.Application结束，Application Master向RM注销
  18.RM、NM继续接受下一个任务
  总结
  通过流程梳理，我们发现如果spark任务运行失败，检查配置参数是否正确，jar包[业务代码，依赖]是否上传值该Application对应的hdfs目录，进而根据代码进行分析