1.集群启动后,worker节点会向Master节点汇报资源情况,以便master分配任务
2.当spark提交了一个Application后,根据RDD之间的依赖关系,将Application形成一个DAG的有向无环图,
spark在Driver端创建了两个对象:
DAGScheduler和TaskScheduler
那么DAGScheduler和TaskScheduler有什么关系呢
DAGScheduler是任务调度的高层调度器,它的主要作用是将DAG根据RDD之间的依恋关系划分为一个的stage
然后将这些stage以TaskSet的形式提交给TaskScheduler
3.TaskScheduler是任务调度的底层调度器,TaskSet其实是一个集合,里面就是一个个task任务
TaskScheduler遍历了TaskSet集合,拿到每个task后发送到计算节点Executor中执行
4.task在Executor线程池中的运行情况会反馈给TaskScheduler,
当task执行失败后,由TaskScheduler重试,将task重新发给Executor去执行,默认重试3次,3次都失败了之后,那么这个
task的stage就失败了,之后由DAGScheduler进行重试,重新发送Tasket到TaskScheduler,stage默认重试4次,
如果4次都失败了,那么这个job就失败了,application就失败了,一个Task默认情况下重试3*4=12次
不过也有需要注意的:
1.ETL类型要入数据库的业务,需要关闭推测执行机制,不然会有重复的数据入库
2 如果遇到数据倾斜的情况,开启推测机制由可能导致一直会有task重新启动处理相同的逻辑,任务可能一直处于处理不完的状态
5.粒度资源申请
1.粗粒度资源申请(spark)
在Application执行之前,将所有的资源申请完毕,资源申请成功后,才会进行任务的调度,当所有的task执行完成后,才会释放这部分资源
优点:task启动快了,stage执行快,job就快
缺点:全部完成了之后才释放资源,集群的资源无法充分使用
2细粒度资源申请(mapreduce)
Application执行之气那不需要去申请资源,让每个job的task在执行前去自己申请资源,task执行完成了之后,就释放了资源
优点:集群资源可以充分利用
缺点:任务执行相对变慢