Spark运行架构

1、构建Spark Application运行环境；

在Driver Program中新建SparkContext（包含sparkcontext的程序称为Driver Program）；

Spark Application运行的表现方式为：在集群上运行着一组独立的executor进程，这些进程由sparkcontext来协调；

2、SparkContext向资源管理器申请运行Executor资源，并启动StandaloneExecutorBackend，executor向sparkcontent申请task；

集群通过SparkContext连接到不同的cluster manager(standalone、yarn、mesos)，cluster manager为运行应用的Executor分配资源；一旦连接建立之后，Spark每个Application就会获得各个节点上的Executor（进程）；每个Application都有自己独立的executor进程；Executor才是真正运行在WorkNode上的工作进程，它们为应用来计算或者存储数据；

3、SparkContext获取到executor之后，Application的应用代码将会被发送到各个executor；

4、SparkContext构建RDD DAG图，将RDD DAG图分解成Stage DAG图，将Stage提交给TaskScheduler，最后由TaskScheduler将Task发送给Executor运行；

5、Task在Executor上运行，运行完毕后释放所有资源；

 

 

 

Spark运行架构特点：

1、每个Application获取专属的executor进程，该进程在Application运行期间一直驻留，并以多线程方式运行tasks；这种Application隔离机制优势在于，无论是从调度角度看（每个Driver调度它自己的任务），还是从运行角度看（来自不同Application的Task运行在不同的JVM中）。当然，这也意味着Spark Application不能跨应用程序共享数据，除非借助于外部存储系。比如：Tachyon、SharkServer；

2、spark并不关心底层用什么cluster manager在运作，它只关心是否能拿到executor并能保持相互通信即可，因为最终的Task是运行在executor上；

3、让你的driver program尽量靠近worker（运行executor节点），最好在同一个机架中。因为Application运行过程中SparkContext和Executor之间有大量信息交互；如果想在远程集群中运行，最好采用RPC将Application提交给集，不要远离worker运行application；

4、Task采用了数据本地性和推测执行的优化机制；

 

 

详见  http://spark.apache.org/docs/latest/cluster-overview.html