【Spark】Task、Partition、RDD等概念的理解

有部分图和语句摘抄别的博客，有些理解是自己的补充的。

梳理一下Spark中Task，Partition，RDD、Node数、Executor数、core数目的关系和Application，Driver，Job，Task，Stage理解。

1. Block、InputSplit、Task、Executor关系

输入可能以多个文件的形式存储在HDFS上，每个File都包含了很多块，称为Block。

当Spark读取这些文件作为输入时，会根据具体数据格式对应的InputFormat进行解析，一般是将若干个Block合并成一个输入分片，称为InputSplit，注意InputSplit不能跨越文件。

随后将为这些输入分片生成具体的Task。InputSplit与Task是一一对应的关系。

随后这些具体的Task每个都会被分配到集群上的某个节点的某个Executor去执行。

2. Node(节点)、Executor、core、Task、partition等关系

• 每个Node可以起一个或多个Executor（1: n）。
• 每个Executor由若干core组成（1: n）。
• 每个Executor的每个core一次只能执行一个Task。
• 每个Task执行的结果就是生成了目标RDD的一个partiton。

【注意】这里的core是虚拟的core而不是机器的物理CPU核，可以理解为就是Executor的一个工作线程。

而 Task被执行的并发度 = Executor数目 * 每个Executor的core数。

3. partition的数目理解

    对于数据读入阶段，例如sc.textFile，输入文件被划分为多少InputSplit就会需要多少初始Task，就会有多少个partition。

• 在Map阶段partition数目保持不变。
• 在Reduce阶段，RDD的聚合会触发shuffle操作，聚合后的RDD的partition数目跟具体操作有关，例如repartition操作会聚合成指定分区数，还有一些算子是可配置的。

4. Application

application（应用）其实就是用spark-submit提交的程序。比方说spark examples中的计算pi的SparkPi。一个application通常包含三部分：从数据源（比方说HDFS）取数据形成RDD，通过RDD的transformation和action进行计算，将结果输出到console或者外部存储（比方说collect收集输出到console）。

5. Driver

Spark中的driver感觉其实和yarn中Application Master的功能相类似。主要完成任务的调度以及和executor和cluster manager进行协调。有client和cluster联众模式。client模式driver在任务提交的机器上运行，而cluster模式会随机选择机器中的一台机器启动driver。从spark官网截图的一张图可以大致了解driver的功能。

Driver -> Cluster Manager(Master节点) -> 多个worker结点(executor) -> 多个task

6. Job

Spark中的Job和MapReduce中Job不一样不一样。

• MapReduce中Job主要是Map或者Reduce Job(Map和Reduce在不同的job中执行)。
• 而Spark的Job其实很好区别，一个action算子就算一个Job，比方说count，first等。

7. Task

Task是Spark中最小的执行单元。RDD一般是带有partitions的，每个partition的在一个executor上的执行可以任务是一个Task。

8. Stage

Stage概念是spark中独有的。一般而言一个Job会切换成一定数量的stage。

各个stage之间按照顺序执行。

至于stage是怎么切分的，首选得知道spark论文中提到的narrow dependency(窄依赖)和wide dependency（宽依赖）的概念。其实很好区分，看一下父RDD中的数据是否进入不同的子RDD，如果只进入到一个子RDD则是窄依赖，否则就是宽依赖。宽依赖和窄依赖的边界就是stage的划分点