Spark资源调度和任务调度概述

以standalone-client模式为例，序列图如下：

图中：
1~6 资源调度
7~11 任务调度

Spark资源调度和任务调度的流程：

1.启动集群后，Worker节点会向Master节点汇报资源情况，Master掌握了集群资源情况。
2.当Spark提交一个Application后，根据RDD之间的依赖关系将Application形成一个DAG有向无环图。任务提交后，Spark会在Driver端创建两个对象：DAGScheduler和TaskScheduler。
3.DAGScheduler是任务调度的高层调度器，是一个对象。DAGScheduler的主要作用就是将DAG根据RDD之间的宽窄依赖关系划分为一个个的Stage，然后将这些Stage以TaskSet的形式提交给TaskScheduler（TaskScheduler是任务调度的低层调度器，这里TaskSet其实就是一个集合，里面封装的就是一个个的task任务,也就是stage中的并行度task任务）
4.TaskSchedule会遍历TaskSet集合，拿到每个task后会将task发送到计算节点Executor中去执行（其实就是发送到Executor中的线程池ThreadPool去执行）。
5.task在Executor线程池中的运行情况会向TaskScheduler反馈，
6.当task执行失败时，则由TaskScheduler负责重试，将task重新发送给Executor去执行，默认重试3次。如果重试3次依然失败，那么这个task所在的stage就失败了。
7.stage失败了则由DAGScheduler来负责重试，重新发送TaskSet到TaskSchdeuler，Stage默认重试4次。如果重试4次以后依然失败，那么这个job就失败了。job失败了，Application就失败了。
8.TaskScheduler不仅能重试失败的task,还会重试straggling（落后，缓慢）task（也就是执行速度比其他task慢太多的task）。如果有运行缓慢的task那么TaskScheduler会启动一个新的task来与这个运行缓慢的task执行相同的处理逻辑。两个task哪个先执行完，就以哪个task的执行结果为准。这就是Spark的推测执行机制。在Spark中推测执行默认是关闭的。推测执行可以通过spark.speculation属性来配置。

总结：

1. TaskScheduler可以重试发送失败的task，重试三次，如果依然失败，由DAGScheduler负责重试stage，重试四次，如果依然失败，则job失败，Application失败。
2. TaskScheduler不仅可以重试失败的task，还可以重新执行缓慢的task，这是Spark中的推测执行机制，默认关闭，对于数据清洗的场景要关闭，防止数据重复。
3. 如果遇到Application一直执行不完的情况：

• 遇到数据倾斜
• 开启推测执行

粗粒度资源申请：
任务执行之前，先将所有的资源申请到，task执行的时候不需要自己申请资源，加快了执行速度。如果多数task执行完成，只有一个task没有执行完，那么这批申请到的资源不会被释放，只有所有的task执行完成之后才会释放所有资源。会有集群资源不能充分利用的情况。

细粒度资源申请：
任务执行之前，不会申请所有的资源，task执行时，自己申请资源，自己释放资源，任务执行就慢了，但是集群资源可以充分利用。

参考：https://www.cnblogs.com/LHWorldBlog/p/8415625.html