SparkCore-核心组件，核心概念，提交流程

核心组件

Spark框架可以大致分三个部分：

第一部分： Driver + Executor ，任务执行和调度

第二部分： Master + Worker ，Saprk自身的资源调度框架，只有Standalone模式下才有Master和Worker.

第三部分： Cluster Manager ，集群管理中间件，协调任务的调度

• Application：Spark应用程序：Spark Application的概念 和 Hadoop MapReduce中的类似，指的是用户编写的Spark应用程序，包含了 一个Driver功能代码 和 分布在集群中多个节点上运行的Executor代码；
  
  Spark应用程序，可以调用多次行动算子，每调用一次行动算子，都会提交一个Job。

• Driver：驱动程序：即运行上述Application的main()函数并且创建SparkContext，即创建SparkContext的程序。
  
  在Spark中由 SparkContext负责 和 ClusterManager通信，进行资源的申请、任务的分配和监控等；当Executor部分运行完毕后，Driver负责将SparkContext关闭。

  1. 用于执行Spark任务中的main()方法，负责实际代码的执行
  2. 将用户程序转化为job；
  3. 调度Executor之间的任务(task);
  4. 跟踪Executor的执行情况；
  5. 通过UI展示查询运行的结果。

• Executor：资源管理器：Application运行在 Worker 节点上的一个JVM进程，负责在 Spark 作业中运行具体任务（Task），并且负责将数据存在内存或者磁盘上，任务彼此之间相互独立。
  
  在Spark on Yarn模式下，其进程名称为CoarseGrainedExecutorBackend，类似于Hadoop MapReduce中的YarnChild。一个CoarseGrainedExecutorBackend进程有且仅有一个executor对象，它负责将Task包装成taskRunner，并从线程池中抽取出一个空闲线程运行Task。每个CoarseGrainedExecutorBackend能并行运行Task的数量就取决于分配给它的CPU的个数了；

  1. Worker节点上的一个JVM进程，负责Spark作业中，执行具体的任务(task);
  2. 负责运行组成Spark应用的任务，并将结果返回给驱动器进程；
  3. 在执行器内有块管理器，为用户程序中要求缓存的RDD提供内存的缓存。

• Master：资源管理器：负责资源的调度和分配，并进行集群的监控，类似于YARN中的ResourceManager节点。

  1. Standalone：Spark原生的资源管理，由Master负责资源的分配
  2. Hadoop Yarn：由YARN中的ResourceManager负责资源的分配；

• Worker：计算节点：运行在集群的一个节点，由Master分配资源对数据进行并行的处理和计算，类似于YARN中的NodeManager节点。

  1. Standalone模式：指的就是通过Slave文件配置的Worker节点，
  2. Spark on Yarn模式：指的就是NodeManager节点；

核心概念

• Task：任务：被送到某个Executor上的工作任务；单个分区数据集上的最小处理流程单元，同一个Stage的每个分区的数据，可以交给一个Task进行处理；

• Job：作业：由一个或多个Stage所组成的一次计算作业;
  包含多个Task组成的并行计算，往往由行动算子提交，一个job包含多个RDD，及作用于相应RDD上的各种Operation，一个DAG其实就是一个Job

• Stage：阶段：每个Job会被拆分很多组Task，每组任务被称为Stage，也可称TaskSet；
  
  一个Stage对应一个TaskSet；
  
  DAG会根据 shuffle/宽依赖 划分Stage（也就是TaskSet），每产生一次shuffle，就会生成一个新阶段，一个Job的stage的数量 = shuffle算子的个数 + 1；
  
  Stage分成两种类型ShuffleMapStage、ResultStage。

• DAG：有向无环图（Directed Acyclic Graph）：有向无环图是由点和线组成的拓扑图形，该图形具有方向，不会闭环；
  
  就是映射RDD之间的依赖关系，会根据依赖关系被划分成多个Stag

  1. 支持 DAG 的框架被划分为第二代计算引擎，如Tez、Oozie ：作业和作业之间的有向无环图
  2. 第三代计算引擎的特点主要是 Job 内部的 DAG 支持（不跨越 Job），如Spark：作业内部的有向无环图

• Parallelism：并行度：整个集群并行执行任务的数量，称为并行度。

提交流程

Spark应用程序主要有两种部署执行的方式：Client 和 Cluster。两种模式：

主要区别在于：Driver程序的运行节点位置；

1. Client(默认)： 会在Client本地启动Driver程序，jar包只需要在Client端有即可。
2. Cluster: 会在集群中选择其中一台机器启动Driver程序，确保jar包可以在集群的任意台Worker都可以读到。

Standalone运行模式

Yarn运行模式

Yarn Cluster模式

Cluster模式 将用于监控和调度的Driver模块启动在Yarn集群资源中执行。一般应用于生产环境。

1. 在 YARN Cluster 模式下，任务提交后会和 ResourceManager 通讯申请启动 ApplicationMaster，
2. 随后 ResourceManager 分配 container，在合适的 NodeManager 上启动 ApplicationMaster，此时的 ApplicationMaster 就是Driver。
3. Driver启动后向 ResourceManager 申请 Executor 内存，ResourceManager 接到ApplicationMaster的资源申请后会分配container，然后在合适的NodeManager上启动Executor进程
4. Executor进程启动后会向Driver反向注册，Executor全部注册完成后Driver开始执行main函数，
5. 之后执行到Action算子时，触发一个Job，并根据宽依赖开始划分stage，每个stage生成对应的TaskSet，之后将task分发到各个Executor上执行。