【Spark】SparkContex原理剖析

哈哈！从今天开始认真学习Spark了

SparkContext原理剖析

初始化的工作机制如图：

1).TaskSchedule:

关于TaskScheduler

第一步：创建TaskSchedulerImpl()、SparkDeploySchedulerBackend()实际上负责与Masterd的注册、Executor的反注册、task发送到Executor等操作。TaskSchedulerImpl()底层基于SparkDeploySchedulerBackend()来工作，而SchedulerPool有不同的优先策略（FIFO）。

第二步：TaskSchedulerImpl()会调用start()方法，再继续调用SparkDeploySchedulerBackend()的start()方法，然后创建AppClient（它是一个接口，负责为application与spark集群进行通信，它会接收一个spark master的url，以及一个applicationDescription和一个集群事件的监听器，以及各种事件的回调函数）,再由AppClient去创建线程ClientActor，调用registerMaster和tryRegisterAllMaster()方法。

第三步：发送RegisterApplication(case class)，里面封装了Application的信息。注册到Spark集群的Master节点上，执行Worker，再由Worker发送给Executor，并反向注册到SparkDeploySchedulerBackend()上去。

2).DAGSchedule:

关于 DAGScheduler

DAGSchedule（它实现了面向stage的调度机制的高层次的调度层。会为每个Job计算一个stage的DAG,追踪RDD和stage的输出是否被物化了，并且寻找一个最优调度机制来运行Job。将stage作为taskset提交到底层的TaskSchedulerImpl上,来集群运行task。除了处理stage的DAG，还负责决定运行每个task的最佳位置，基于当前的缓存状态，将这些最佳位置提交给底层的TaskSchedulerImpl。如果由于shuffle输出文件丢失导致的失败，在这种情况下，旧的stage可能就会被重新提交，一个stage内部的失败，如果不是由于shuffle文件丢失所导致的，会被TaskSchedule处理）。主要创建DAGSchedulerEventProcessActor组件，底层基于该组件进行通信（线程）。

3）SparkUI显示application()运行的状态。实际上是通过启动Jetty服务器，来提供web服务，从而显示网页。