Spark TaskScheduler和DagScheduler介绍

开始研究神奇的spark。会陆续将研究的心得放上来。 

在Spark中一个核心的是模块就是调度器（Scheduler），在spark中Scheduler有两种TaskScheduler（是低级的调度器接口），DagScheduler（是高级的调度） 

我们在创建SparkContext对象的时候，sparkcontext内部就会创建TaskScheduler和DagScheduler，奇迹从此就发生了。 

其中TaskScheduler和DagScheduler的关系。 
　　DagScheduler：DagScheduler是一个高级的scheduler 层，他实现了基于stage的调度，他为每一个job都计算stage，跟踪哪一个rdd和stage的输出被物化（固化），以及寻找到执行job的最小的调度，然后他会将stage作为tasksets提交给底层的TaskScheduler，由TaskScheduler执行。 
　　除了计算stage的DAG图之外，这个调度器会决定运行task的最优的位置，这是根据当前的cache 状态，并且把这些状态传递给TaskScheduler。而且，他会在shuffle的输出出现错误（比如输出文件丢失）的时候处理失败，这时，之前老的stage就需要被重做。对于并不是由于shuffle file的丢失而造成的stage的失败，这中失败由TaskScheduler，此时TaskScheduler会在取消整个stage之前重试几次task，若重试的几次都失败了，那就会取消stage。 
　　TaskScheduler:每一个taskScheduler只为一个单独的SparkContext进行调度安排tasks，DAGScheduler会为每一个stage向TaskScheduler提交Tasksets（也就是说TaskSets是在DAGScheduler完成组装），TaskScheduler会负责向cluster发送tasks，并且调用backend来运行task。并且在tasks失败的时候，重试，然后会将运行task，重试task的事件返回给DAGScheduler。 
     所以要研究Spark的任务调度，以及执行，需要从DagScheduler-->TaskScheduler进行研究。 

在Spark内部TaskScheduler的种类： 
1.TaskSchedulerImpl（该调度器，实现基于moses、local、local-cluster、simr的调度）。该类还支持启动speculative task 
2.YarnClientClusterScheduler 
3.YarnClusterScheduler 
其中YarnClientClusterScheduler和YarnClusterScheduler就是基于Yarn资源调度。 

TaskScheduler中实际执行task时会调用Backend.reviveOffers，在spark内有多个不同的backend： 
1.LocalBackend 
2.SparkDeploySchedulerBackend 
3.CoarseGrainedSchedulerBackend 
4.MesosSchedulerBackend 
5.YarnClientSchedulerBackend 
6.SimrSchedulerBackend 

参考： 
1.Spark官网：https://spark.apache.org/docs/0.9.0 
2.Spark源代码 
3.白硕:http://baishuo491.iteye.com/ 
4.http://jerryshao.me/architecture/2013/04/21/Spark%E6%BA%90%E7%A0%81%E5%88%86%E6%9E%90%E4%B9%8B-scheduler%E6%A8%A1%E5%9D%97/ 
另：此博客开始，我会在每篇文章中尽量把所有的引用都明确付贴进去，以表示对他人的尊敬。