[大数据]连载No9之SparkCore核心篇-资源调度

本次总结见目录

stage切割规则
1:每一个stage的并行度由task个数决定，task由partition个数决定，partitio由数据大小决定，或者说，stage并行度由最后一个RDD的partiton决定

2：每个task的处理逻辑就是每条线贯穿的Stage的所有的partition的处理逻辑，以递归函数的展开式整合起来的
见图


Spark任务调度流程

代码：
1）var conf = new SparkConf()
2）var sc = new SparkContext(conf)
3）var rddLine = sc.textFile("log")
4）var filterRDD=rddLile.filter()
5）var mapRdd=filterRDD.map()
6）mapRDD.count()
7）sc.stop()

说明：
1:当Worker节点启动后，会向maser节点注册其本身，并告诉maser其在当前节点管理多少资源
 2:Worker会像master每隔3秒发送一次心跳，但不会携带当前资源情况
 3：通过spark-sbumit提交jar,在执行第二步后，会创建SparkSontext对象同时，会创建 DGAScheduler和TaskSchedure对象
 4:TaskSchedure创建成功后，向master申请资源，未指定选项，使用默认值
   --executor-memory :1G 
   --executor-cores:没有默认值，每一个Worker管理的所有core数量
   --total-executor-cores:Int的最大值 （当前APPlication总共 使用多少core）
 5:Master收到请求后， 根据自己管理的资源情况， 通知资源充足的Worker,并在其节点上启动Executor进程
 6：每一个executor启动成功，将其反向注册给TaskScheduler，TaskScheduler就拥有了一批Executor地址了
 7：执行完第六步后，集群开始触发（遇到Action算子）Job执行，DAGSchedule会根据RDD的宽窄依赖，来切割这个RDD,划分Stage,切割完毕后，DAGscheduler会将这个stage中的所有task封装到TaskSet对象中，然后"发送"给TaskScheduler
 8:TaskSchelduer收到到每一个TaskSet对象后，都会遍历这个TaskSet集合，将集合中的每一个task异步发送到Executor中执行，如果task失败，默认重试三次

粗粒度的资源调度（spark）
 解释:当application执行之前，会将所有的资源（Executor）申请完毕，知道资源完毕后，才会进行任务调度，知道最后一个task执行完毕，才释放掉这部分资源
 优点：每一个task执行不需要申请资源，直接去用，而且另外一个task能复用资源，task时间短了，stage时间就短了，job时间也就短了，
 缺点：知道最后一个task执行完毕才释放资源，集群资源不能充分利用

 细粒度的资源调度（mapReduce）
  解释：在application执行前不需要讲资源申请完毕，而是直接进行任务的调度，每一个task在执行前自己去申请资源，申请到了才执行，每一个task执行完毕，会将自己申请的资源释放掉
 缺点：task时间变长了

提交application两种方式（client,cluster）
  client（适合测试环境）:Dirver进程在client端启动，我们就能够看到task的执行情况
 cluster（适合生产环境）:Dirver进程在集群中随机选择一台Worker节点启动，就能将网卡流量集中的问题，散布到集群各个节点，变为(--deploy-mode cluster)
  命令： spark-submit --master spark://master:7077 --deploy-mode cluster --class com.sxt.FilterCountOperator ./01-spark.jar 

 Driver进程与spark集群的通信
  1：申请资源
 2:executor启动完毕，反向注册给Driver
 3:Driver分发task
 4:Executor进程与Driver进程心跳机制