spark内核架构解密（13）

 本期主要介绍下spark的内核架构。spark的应用程序总体来说，主要包括两部分，一部分是Driver,其包括了SparkConf和SparkContext，另一部分就是Executor，运行具体的业务逻辑。

 应用程序的提交有两种方式，

    1、Driver进程运行在客户端，对应用程序进行监控。

     2、主节点指定某个worker节点启动Driver，负责整个应用的监控。

 Driver一般运行在一台专门用来提交spark程序的机器上，这台机器一般一定和spark cluster在同样的网络环境中（因为Driver要频繁的和Execuotr进行通信，实质上是CorarseGrainExecutorBackend），并且配置和普通的Worker节点一致。可以通过spark-submit去运行程序，与此同时可以指定运行的各种参数，例如memory、cores...。实际生产环境写shell脚本自动化配置和提交程序，当然当前的机器一定安装了Spark，只不过当前机器不属于集群罢了。

 Driver的核心是SparkContext，而SparkContext依赖于SparkConf。SparkContext在初始化的时候会创建DAGScheduler、TaskScheduler、SchedulerBackend。

  在实例化的过程中回向Master注册应用程序，Master接受注册，如果没有问题，Master会为当前的应用程序分配AppId并分配计算资源。Master接受用户提交的程序并给Worker发送指令为当前的应用程序分配计算资源。每个Worker节点默认情况下为当前的程序分配一个Executor，在Executor中通过线程池并发执行。Worker节点收到Master发送的LaunchExecutor指令后，会创建ExecutorRunner实例，并调用start方法，来启动CoarseGrainExecutorBackend进程。CoarseGrainExecutorBackend进程里有Executor，并且CoarseGrainExecutorBackend和Executor是一一对应的。Executor内部会维护一个线程池，实际工作的时候，通过TaskRunner来封装task，然后从ThreadPool获取一条线程执行task，执行完后，线程会被回收复用。

 在spark中，Transformation操作是延迟计算的，当有action算子时才会触发job。SparkContext会通过DAGScheduler把job中的RDD构成的DAG划分成不同的stage，每个stage内部都是一系列业务逻辑完全相同但是处理数据不同的Tasks，构成TaskSet。

 TaskScheduler和SchedulerBackend负责具体的task的执行（遵循数据本地性）。

 一个应用程序有可能包含多个stage，最后一个Stage中的Task称为ResultTask，产生job结果。其他前面的Stage中的Task都称为ShuffleMapTask，作为下一个Stage的数据输入，相当与MapReduce中的Mapper。

 整个Spark程序的运行，就是DAGScheduler把job划分成不同的Stage，提交TaskSet给TaskScheduler，进而提交给Executor执行（符合数据本地性），每个Task会计算RDD中的一个Partition，基于该Partition来具体执行我们定义的一系列同一个Stage内部的函数，以此轮推...直到整个程序运行完成。