spark中job，stage，task之间的关系

spark中job，stage，task之间的关系

1. 什么是job
Job简单讲就是提交给spark的任务。
2. 什么是stage
Stage是每一个job处理过程要分为的几个阶段。
3.什么是task
Task是每一个job处理过程要分几为几次任务。Task是任务运行的最小单位。最终是要以task为单位运行在executor中。
4. Job和stage和task之间有什么关系
Job <—> 一个或多个stage <—> 一个或多个task
下图是一个job分成了三个stage：

5.一个stage的task的数量是有谁来决定的？
是由输入文件的切片个数来决定的。在HDFS中不大于128m的文件算一个切片（默认128m）。通过算子修改了某一个rdd的分区数量，task数量也会同步修改。
6.一个job任务的task数量是由谁来决定的？
一个job任务可以有一个或多个stage，一个stage又可以有一个或多个task。所以一个job的task数量是 （多个stage的task数量）的总和。
上图就是job1有2个stage，共3个task。
7.每一个stage中的task最大的并行度？
并行度：是指指令并行执行的最大条数。在指令流水中，同时执行多条指令称为指令并行。
理论上：每一个stage下有多少的分区，就有多少的task，task的数量就是我们任务的最大的并行度。
（一般情况下，我们一个task运行的时候，使用一个cores）
实际上：最大的并行度，取决于我们的application任务运行时使用的executor拥有的cores的数量。

如图所示，cores为4，那么最大的并行度就是4。
8.如果我们的task数量超过这个cores的总数怎么办？
–num-executors 2 --executor-memory 512m --executor-cores 2
当前stage有200个task，先执行cores个数量的task，然后等待cpu资源空闲后，继续执行剩下的task。
9.spark执行时读条中的内容讲解

Stage60：当前的stage编号
(105+2)/200：200：当前stage的task的数量；105：已完成的task数量；4：等待执行的task数量。

原文见：https://www.jianshu.com/p/a111bdc602bf