Spark 核心概念

Master

Spark 特有资源调度系统的 Leader。掌管着整个集群的资源信息，类似于 Yarn 框架中的 ResourceManager，主要功能：

1. 监听Worker，看 Worker 是否正常工作；

2. Master对Worker、Application等的管理（接受Worker的注册并管所有的Worker，接受Client提交的Application，调度等待的Application并向Worker提交）

Worker

Spark 特有资源调度系统的 Slave，有多个。每个 Slave 掌管着所在节点的资源信息，类似于 Yarn 框架中的 NodeManager，主要功能：

1. 通过Register注册到Master

2. 定时发心跳给Master

3. 根据Master 发送的 Application 配置进程环境，并启动 ExecutorBackend(执行 Task 所需的临时进程)

driver program(驱动程序)

每个Spark 应用程序都包含一个驱动程序, 驱动程序负责把并行操作发布到集群上.

驱动程序包含Spark 应用程序中的主函数, 定义了分布式数据集以应用在集群中.

在前面的wordcount案例集中, spark-shell 就是我们的驱动程序, 所以我们可以在其中键入我们任何想要的操作, 然后由他负责发布.

驱动程序通过SparkContext对象来访问Spark,SparkContext对象相当于一个到Spark 集群的连接.

在spark-shell 中, 会自动创建一个SparkContext对象, 并把这个对象命名为sc.

executor(执行器)

SparkContext对象一旦成功连接到集群管理器, 就可以获取到集群中每个节点上的执行器(executor).

执行器是一个进程(进程名: ExecutorBackend, 运行在 Worker节点上), 用来执行计算和为应用程序存储数据.

然后, Spark 会发送应用程序代码(比如:jar包)到每个执行器. 最后,SparkContext对象发送任务到执行器开始执行程序.

RDDs(Resilient Distributed Dataset)弹性分布式数据集

一旦拥有了SparkContext对象, 就可以使用它来创建 RDD 了. 在前面的文章中, 我们调用sc.textFile(...)来创建了一个RDD, 表示文件中的每一行文本. 我们可以对这些文本行运行各种各样的操作.

cluster managers(集群管理器)

为了在一个Spark 集群上运行计算,SparkContext对象可以连接到几种集群管理器(Spark’s own standalone cluster manager, Mesos or YARN).

集群管理器负责跨应用程序分配资源.

业术语列表