Spark运行流程及架构设计

• spark中一个应用程序application会在任务控制节点上启动一个Driver程序，并且这个Driver程序会创建一个SparkContext对象（类似于mapreduce中的applicationManager）。该对象有三个任务，1是向资源管理器clusterManager注册（类似mapreduce中的resourcemanager），2是向资源管理器clusterManager申请运行资源，3是根据应用程序RDD间的依赖关系构建多个DAG对象（多个作业job，作业是Spark中实际执行的计算任务，而DAG则是表示这些计算任务执行计划的数据结构），通过DAG调度器得到多个阶段（任务集），再通过任务调度器得到多个任务。刚才SparkContex向资源管理器申请了资源，该资源不会直接分给SC，而是会直接分配资源给工作节点上的executor进程并启动该进程，executor进程同样两项任务，1是通过心跳告知资源管理器自己的运行状况（就像mapreduce中nodemanager会向resourcemanager报告自己的运行状况。），2是向sparkcontex申请任务并将执行结果返回给SC。
• application构成：1个任务控制节点+n个工作job（DAG）
• 运行架构：任务控制节点Driver、工作节点、进程executor、集群管理器clusterManager
• 对以上内容总结如下：

1. Driver程序和SparkContext：
   • Spark应用程序确实会在任务控制节点（通常是集群中的某个节点）上启动一个Driver程序。
   • Driver程序会创建一个SparkContext对象，这是Spark应用程序的入口点。
2. 注册与资源申请：
   • SparkContext首先会向资源管理器（如YARN的ResourceManager或Spark Standalone的Master）注册，这样资源管理器就知道这个应用程序已经启动并且需要资源。
   • 接着，SparkContext会向资源管理器申请资源来启动Executor进程。这些资源通常包括CPU核数和内存大小。
3. DAG（Directed Acyclic Graph）构建与调度：
   • 根据应用程序中的RDD操作，Spark会构建一个或多个DAG（有向无环图），这些DAG表示了RDD之间的依赖关系。
   • DAG调度器（DAGScheduler）会将DAG切分成多个阶段（Stages），每个阶段包含一组可以并行执行的任务（Tasks）。
   • 任务调度器（TaskScheduler）会负责将任务分配给Executor进程来执行。
4. Executor进程：
   • Executor进程是在工作节点（Worker Nodes）上启动的，它们负责执行具体的计算任务。
   • Executor进程通过心跳（Heartbeat）机制与Driver程序通信，告知自己的状态，如资源使用情况、任务执行进度等。
   • Executor进程会向Driver程序请求任务，并在完成后将结果返回给Driver程序。

**一个应用程序通过单个SparkContext与集群交互，它向clustermanager申请资源后，资源管理器会启动n个工作结点上的多个executor进程，这些进程向sparkcontext申请任务来执行，这些任务来自不同的job的不同阶段，所以说job之间是并行计算的。