窄依赖(narrow dependency)
父级RDD里的每个partition都对应子级RDD里的唯一一个partition的依赖关系
宽依赖(shuffle dependency)
父级RDD里的每个partition都对应子级RDD里的多个partition的依赖关系
宽依赖一定执行shuffle操作,必执行磁盘IO操作
DAG任务切割
a.通过action算子提交一个job任务,对其进行切分
b.当前job直接作为finalStage:ResultStage
c.从最后一个RDD向父级依次查找依赖关系
过滤出宽依赖,根据当前宽依赖拆分成
stage(不是具体stage名字):ShuffleMapStage
d.每个stage的依赖关系一定是窄依赖
e.由于是窄依赖,所以partition之间互不干扰,
所以每个partition都可以形成一个pipline
f.每个pipline就是一个task任务
task是spark计算过程中的最小单元
g.stage中的task数量由原始rdd的partition数量决定
每个stage中task不定长,所以也叫做taskSet
h.spark最终计算的就是每个task任务
几个关键词
a.application
我们写好的代码就是app
b.Driver
提交任务之后启动的第一个进程
创建sc,执行主方法
c.clusterManager
集群管理者
本地:没有,不需要
独立:自己本身提供 master woker
主节点通过配置文件决定
分布式:yarn
主节点与hadoop中的resourceManager共用一个
d.workerNode
工作节点
e.executor
执行任务的进程
spark执行原理
a.action算子提交任务,启动Driver
b.Driver执行主方法,创建sc
c.rdd object -> DAG有向无环图
- DAG Scheduler -> stages(taskSet)
- task Scheduler -> task
task Scheduler提交和监控任务执行
d.向clusterManager申请资源执行任务
e.clusterManager根据心跳机制选择合适的资源
f.被申请到的资源向Driver注册并申请task
g.Driver向被申请到的节点提交任务执行
三个步骤
a.任务切割
b.资源分配
c.任务执行