spark工作原理和介绍

https://zhuanlan.zhihu.com/p/34436165
https://zhuanlan.zhihu.com/p/70424613

1.介绍

Spark 是专为大规模数据处理而设计的快速通用的计算引擎。是Hadoop MapReduce的通用并行框架，Spark，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是——Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

2.Spark 系统架构

image.png

3.Spark基本概念

1.RDD：是弹性分布式数据集（Resilient Distributed Dataset）的简称，是分布式内存的一个抽象概念，提供了一种高度受限的共享内存模型。
2.DAG：是Directed Acyclic Graph（有向无环图）的简称，反映RDD之间的依赖关系。如果一个有向图无法从某个顶点出发经过若干条边回到该点，则这个图是一个有向无环图（DAG图）。
3.Driver Program：控制程序，负责为Application构建DAG图。
4.Cluster Manager：集群资源管理中心，负责分配计算资源。
5.Worker Node：工作节点，负责完成具体计算。
6.Executor：是运行在工作节点（Worker Node）上的一个进程，负责运行Task，并为应用程序存储数据。
7.Application：用户编写的Spark应用程序，一个Application包含多个Job。
8.Job：作业，一个Job包含多个RDD及作用于相应RDD上的各种操作。
9.Stage：阶段，是作业的基本调度单位，一个作业会分为多组任务，每组任务被称为“阶段”。
10.Task：任务，运行在Executor上的工作单元，是Executor中的一个线程。

总结：

• Cluster Manager在standalone模式中即为Master主节点，控制整个集群，监控worker。
• Worker Node从节点，负责控制计算节点，启动Executor或者Driver
• Executor是在WorkerNode上起的一个进程
• Task，负责内存和磁盘的使用。
• Driver是统管Task的产生与发送给Executor的，运行Application 的main()函数
• Application由多个Job组成，Job由多个Stage组成，Stage由多个Task组成。Stage是作业调度的基本单位。

4.Spark 运行原理

image.png
image.png

1.构建Spark Application的运行环境，启动SparkContext
2.SparkContext向资源管理器（可以是Standalone，Mesos，Yarn）申请运行Executor资源，并启动StandaloneExecutorbackend，
3.Executor向SparkContext申请Task
4.SparkContext将应用程序分发给Executor
5.SparkContext构建成DAG图，将DAG图分解成Stage、将Taskset发送给Task Scheduler，最后由Task Scheduler将Task发送给Executor运行
6.Task在Executor上运行，运行完释放所有资源