2.spark基本概念

基本概念1

Application

用户编写的Spark应用程序。Application的main方法为应用程序的入口，用户通过Spark的API，定义了RDD和对RDD的操作。

Job

提供给Spark运行的作业，一个Application中以Action为划分边界往往会产生多个Job。Spark采用惰性机制，对RDD的创建和转换并不会立即执行，只有在遇到Action时才会生成一个Job，然后统一调度执行。

Stage

每个Job以Shuffle为边界划分出的不同阶段， 其名称为Stage。Stage有非最终的Stage（Shuffle Map Stage）和最终的Stage（Result Stage）两种。

在对Job中的所有操作划分Stage时，一般会按照倒序进行：即从Action开始，遇到窄依赖操作，则划分到同一个执行阶段；遇到宽依赖操作，则划分一个新的执行阶段，且新的阶段为之前阶段的parent，然后依次类推递归执行。child Stage需要等待所有的parent Stage执行完之后才可以执行，这时Stage之间根据依赖关系构成了一个大粒度的DAG。在一个Stage内，所有的操作以串行的Pipeline的方式，由一组Task完成计算。

Task

真正执行的工作单元，对一个Stage之内的RDD进行串行操作的计算任务。多个Task组成一个Stage。

Task分为ShuffleMapTask和ResultTask两种，位于最后一个Stage的Task为ResultTask，其他阶段的属于ShuffleMapTask。

基本概念2

Cluster Manager

在集群上获取资源的外部服务。Cluster Manager可以为自带的Standalone、或第三方的Yarn和Mesos。

Cluster Manager一般采用Master-Slave结构。以Yarn为例，部署ResourceManager服务的节点为Master，负责集群中所有计算资源的统一管理和分配；部署NodeManager服务的节点为Slave，负责在当前节点创建一个或多个具备独立计算能力的JVM实例，在Spark中，这些节点也叫做Worker。

Executor

某个Application运行在worker节点上的一个进程， 该进程负责运行某些Task，并将结果返回给Driver，同时为需要缓存的RDD提供存储功能。

Driver

准备Spark应用程序的运行环境，负责执行用户Application中的main方法，提交Job，并将Job转化为Task，在各个Executor进程间协调Task的调度。

Spark有Client和Cluster两种部署模式。Application以Client模式部署时，Driver运行于Client节点；而以Cluster模式部署时，Driver运行于Worker节点，与Executor一样由Cluster Manager启动。

基本概念3

DAGScheduler

根据Job构建DAG图，将Job拆分成多个Stage并提交给TaskScheduler。

TaskScheduler

将Stage拆分成多个Task并提交给worker运行，Executor运行什么Task就是在此处分配的。