- Spark的系统架构
Spark采用master/worker结构，master负责管理应用和任务，worker节点负责执行任务。 - 几个概念
- Spark driver，Spark驱动程序，指的是Spark应用中main函数的进程
- Executor，Spark执行器，是Spark计算资源的一个单位，Spark先以Executor为单位占用集群资源。然后将具体的任务分配给Executor执行
- task，是Spark中最小的计算单位，不能再被拆分，task以线程的方式运行再executor进程中，执行具体的任务，executor持有一个线程池，执行一个task
- 为什么task是以线程的方式运行而不是进程？
- 保证task之间相互独立，独享进程资源，监控比较方便
- 任务执行的过程中task会不断启用和停止，进程启动和停止会耗费大量的时间
- Spark任务执行的流程
（1）编写Spark任务的计算逻辑，（2）Spark根据计算逻辑建立DAG型的逻辑处理流程，（3）然后根据逻辑处理流程生成物理执行计划，物理执行计划中包含具体的计算任务task，最后Spark将task分配到具体的机器上执行。 - Job作业
涉及到具体的计算操作action才算做是一个job，比如count - 物理执行计划是如何生成的？
- 确定应用会产生哪些作业job
- 根据逻辑处理流程中的数据依赖关系将job拆分为执行阶段stage
- 对于每一个stage，根据rdd的分区个数确定task的个数和种类