mappartition:把每个分区中的内容作为整体来处理
mapPartitionsWithIndex 函数作用同mapPartitions,不过提供了两个参数,第一个参数为分区的索引。
mappartition之前应该先设置分区repartition
partition 分区,默认为1,可以在local[] 设置,也可以parallelize的时候设置
TaskSetManager 实例管理 TaskSet 的生命周期
Stage (调度阶段)
DAGScheduler对这些依赖关系形成的DAG进行Stage划分,划分的规则很简单,从后往前回溯,遇到窄依赖加入本stage,放到一个partition分区里,遇见宽依赖进行Stage切分。放到一个partition分区里
Checkpoint 防止数据丢失,并且是多副本的方式,放在HDFS上
Spark运行基本流程参见下面示意图:
- 构建Spark Application的运行环境(启动SparkContext),SparkContext向资源管理器(可以是Standalone、Mesos或YARN)注册并申请运行Executor资源;
- 资源管理器分配Executor资源并启动Executor,Executor运行情况将随着心跳发送到资源管理器上;
- SparkContext构建成DAG图,将DAG图分解成Stage,并把Taskset发送给Task Scheduler。Executor向SparkContext申请Task,Task Scheduler将Task发放给Executor运行同时SparkContext将应用程序代码发放给Executor。
- Task在Executor上运行,运行完毕释放所有资源。
Spark运行架构特点
- 每个Application获取专属的executor进程,该进程在Application期间一直驻留,并以多线程方式运行tasks。
- Spark任务与资源管理器无关,只要能够获取executor进程,并能保持相互通信就可以了。
- 提交SparkContext的Client应该靠近Worker节点(运行Executor的节点),最好是在同一个Rack里,因为Spark程序运行过程中SparkContext和Executor之间有大量的信息交换;如果想在远程集群中运行,最好使用RPC将SparkContext提交给集群,不要远离Worker运行SparkContext。
- Task采用了数据本地性和推测执行的优化机制。