上海专业网站营销网站建设与管理报告书
基本流程
用户编写的Spark应用程序最开始都要初始化SparkContext。
用户编写的应用程序中，每执行一个action操作，就会触发一个job的执行，一个应用程序中可能会生成多个job执行。一个job如果存在宽依赖，会将shuffle前后划分成两个stage，前一个stage会将计算结果临时进行存储，后一个stage则进行读取，完成数据交换。
每个stage中，需要执行的计算过程会被划分成多个逻辑相同的一组Task，每个Task会被提交到Executor中运行。当Task运行完成后，会将运行结果返回至Driver中。
主要组件
Driver端
- DAGScheduler：负责将Job划分为Stage，再将Stage划分为TaskSet；
- TaskScheduler：负责任务的调度；
- SchedulerBackend：负责资源的分配，并把Task提交给Executor中执行。
Executor端
- BlockManager：缓存RDD、缓存Task运行结果。
Job提交执行流程
Task提交
SparkContext将RDD的action操作转化为Job，并将Job交给DAGScheduler做进一步处理。
DAGScheduler首选根据shuffle划分stage，根据stage中分区的数量，生成一组Task（即TaskSet），生成Task时还会计算Task的最佳执行位置。DAGScheduler会根据RDD是否进行了缓存来确定是否具有最佳运行位置。
DAGScheduler将Stage生成TaskSet以后，会将TaskSet交给TaskScheduler进行处理，TaskScheduler负责将Task提交到集群中运行，并负责失败重试，为DAGScheduler返回事件信息等。
当有任务提交至TaskScheduler中时，TaskScheduler会通知SchedulerBackend分配计算资源。SchedulerBackend将所有可用的Executor的资源信息转换为WorkerOffer交给TaskScheduler。TaskScheduler负责根据这些WorkerOffer在相应的Executor分配TaskSet中的Task。
SchedulerBackend中通过使用Map结构记录每一个ExecutorData的映射，即可管理所有Executor的CPU使用的情况。为计算任务分配计算资源时，只需要遍历所有的ExecutorData，分配可用的资源即可。
TaskScheduler在接受到DAGScheduler提交的TaskSet以后，会为每个TaskSet创建一个TaskSetManager，用于管理该TaskSet中所有任务的运行。TaskSetManager会根据Task中的最佳运行位置计算TaskSet的所有本地运行级别，本地运行的级别决定了Task最终在哪个Executor中运行。Spark中本地运行级别从小到大可分为进程本地化、节点本地化、无优先位置、机架本地化、任意节点。
Task执行
Executor接收到SchedulerBackend提交的LaunchTask消息后，即可运行该消息中包含的Task。Executor将接收到的Task封装到TaskRunner中，TaskRunner是一个Runnable接口，从而可以将该任务提交到线程池中运行。
当在一个Executor中同时运行多个Task时，多个Task共享Executor中SparkEnv的所有组件，共用Executor中分配的内存。如使用Spark广播变量时，每个Executor中会存在一份，Executor中所有的任务会共享这一份变量。当Executor中的BlockManager缓存了某rdd某分区的数据时，在该Executor上调度使用这个RDD的这个分区的数据的Task执行，可以有效减少网络加载数据的过程，减少网络传输。
当Executor中Task运行完成时，需要将Task的运行结果返回Driver程序，Driver程序根据结果判断该Stage是否计算完成，或者该Job是否计算完成。