spark运行基本流程

一、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StandaloneExecutorBackend，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。

二、名词

1、Application: Appliction都是指用户编写的Spark应用程序，其中包括一个Driver功能的代码和分布在集群中多个节点上运行Executor代码。

2、Cluster Manager：Standalone : spark原生的资源管理，由Master负责资源的；
YARN : 主要是指Yarn中的ResourceManager。

3、Driver： 运行Application 的main()函数
Spark中的Driver即运行上述Application的main函数并创建SparkContext，创建SparkContext的目的是为了准备Spark应用程序的运 环境，在Spark中有SparkContext负责与ClusterManager通信，进行资源申请、任务的分配和监控等，当Executor部分运行完毕后，Driver同时负责将SparkContext关闭，通常用SparkContext代表Driver。

4、Worker节点：从节点，负责控制计算节点，启动Executor或者Driver。
Standalone：Worker节
Yarn：NoteManager节点

5.、Executor：执行器，是为某个Application运行在worker上的一个进程。
某个Application运行在worker节点上的一个进程， 该进程负责运行某些Task， 并且负责将数据存到内存或磁盘上，每个Application都有各自独立的一批Executor， 在Yarn模式下，其进程名称为CoarseGrainedExecutor Backend。一个CoarseGrainedExecutor Backend有且仅有一个Executor对象， 负责将Task包装成taskRunner,并从线程池中抽取一个空闲线程运行Task， 这个每一个oarseGrainedExecutor Backend能并行运行Task的数量取决与分配给它的cpu个。

6、Task: 被送到某个Executor上的工作单元，但hadoopMR中的MapTask和ReduceTask概念一样，是运行Application的基本单位，多个Task组成一个Stage，而Task的调度和管理等是由TaskScheduler负责

7、Job: 包含多个Task组成的并行计算，往往action算子触发生成， 一个Application中往往会产生多个Job。

8、Stage: 每个Job会被拆分成多组Task， 作为一个TaskSet， 也就是Stage，Stage的划分和调度是有DAGScheduler来负责的，Stage分为两种：Shuffle Map StagResult Stag，Stage的边界就是发生shuffle的地方。

9、DAGScheduler: 根据Job构建基于Stage的DAG（有向无环图)，并提交Stage给TaskScheduler。 其划分Stage的依据是RDD之间的依赖的关系找出开销最小的调度方法（是否发生shuffle）。

10、TaskScheduler: 将TaskSet提交给worker运行，每个Executor运行什么Task就是在此处分配的. TaskScheduler维护所有TaskSet，当Executor向Driver发生心跳时，TaskScheduler会根据资源剩余情况分配相应的Task。另外TaskScheduler还维护着所有Task的运行标签，重试失败的Task。

11、Job=多个stage，Stage=多个同种task。