30天搞定spark源码系列-Job，stage，task区别

阅读本篇文章，你应该得到spark面试中的这几个问题的答案：

• job的概念，job是以什么为准划分的
• stage的概念，stage是以什么为准划分的
• task的概念，task是以什么划分的
• rdd的宽窄依赖是什么，怎么区分

1、 概念关系图

其实这几个概念的理解有个比较好的思路，从stage下手；
spark在任务调度这块，将stage作为核心概念，向下：stage是一系列task的集合；向上：多个stage构成一个job，而划分job的依据是遇到action类型的算子就划分一个job；

2、job

2.1 官方说明

简单提炼一下主要的意思：

• 调度层就是一个有向的stage依赖图调度；
• 对每一个job计算一个stage依赖DAG图并且这个图保持RDD之间的依赖，在遇到一个可以物化的输出（action算子）时就划分为一个job，保证每个job里面拥有一个最小的可执行的调度模块；
• job划分完成后，将一系列的stage作为task的集合（taskset）提交到集群上并在task任务调度下进行具体的执行；
• 一个taskset是完全独立不依赖其他的任务，并且可以在集群数据上立即执行；

这些注释更加明确的显示了job的划分依据，在整个依赖图遇到action算子就会通过submitJob方法提交一个job

2.2、代码验证

提交一个action类型的job函数：

图中红色框圈选出来的分别为函数的输入和输出：
输入包含rdd，对rdd的每一个partition执行的function，失败的位置，成功结果的操作器以及一些配置；
返回值是对于这个job的同步等待器！

3、stage

3.1、官方说明

简单提炼一下主要思想：

• 图中标注的就是stage的划分依据：spark stage是被RDD DAG图中的shuffle边界划分的，简单来说，如果你的程序中出现了shuffle，那么就会以shuffle为界限，前面的构成一个stage，shuffle后的DAG构成一个stage；
• 对于窄依赖的算子，比如map，filter会形成很多的task，这些task会放到一个stage中；
• 对于具有shuffle类型的依赖，也就是宽依赖的话，整个DAG会形成多个stage，典型的是一个写map的输出，一个读map结果并shuffle；
• 整体来看，不同stage之间是以shuffle依赖来进行连接；

3.2、代码验证

3.2.1 Stage.scala

在了解stage的具体使用之前，我们需要知道stage是什么，主要包含哪几种主要的类别？

• shuffle map stage
• result stage：具体的action算子发生的地方，分别在rdd的每一个partition里面执行compute方法

对应上面两种类型的stage，相应的也会有两种生成的方法：

• createShuffleMapStage
• createResultStage

这里不详细介绍了，想仔细了解的童鞋可以查看源码，本篇主要讲区别和面试中遇到的一些问题。

3、task

3.1、官方说明

这里官方注释的比较少，只是说明了一个主要的定义：task是在work节点上的独立单元，会在每一个机器上进行执行；
它有几个基本的属性：

• 每个partition启动一个task；
• 当有很多个小文件的时候，读取的时候也会启动很多的task；
• task是由TaskScheduler进行任务的调度的；
• 每一个TaskScheduler只会在一个spark的上下文中起作用；