概述
研究Spark作业调度，是为了合理使用集群的资源。更具体一点，是看看是否提供了可以个性化配置的点，然后根据应用的具体情况制定配置或者使用方案。
本文参考官网作业调度文档。
spark的作业调度分为两个场景：跨应用的调度和应用内部的调度，下面分别介绍。
声明：文中配图是自己的理解，并不敢保证其准确性。
跨应用调度
跨应用的调度是由底层的集群管理器负责的，有两种资源分配策略。
一种是静态资源分隔，即一个应用一开始就申请所有的资源，并在程序运行期间使用持有这些资源。
一种是动态资源分配，应用根据自己的负载情况动态请求或释放资源。这种策略默认是不开启的。
静态资源分隔
所有的集群管理器都支持静态资源分隔，只是具体的配置策略不同：
Standalone mode
提交到Standalone mode集群的应用会以FIFO的顺序运行，每一个正在运行的应用都会尝试占用所有的可用资源。使用下面的配置项可以限制每个应用申请的资源：
spark.cores.max
应用可以申请的最大数量的CPU核的数量，如果没有设置，取spark.deploy.defaultCores的值。
spark.executor.memory
分配给每个executor进程的内存资源。
Mesos
为了使用静态资源隔离，需要设置spark.mesos.coarse为true，这称为粗粒度的Mesos模式。
另外，spark.cores.max和spark.executor.memory在Mesos模式下同样有效。
YARN
--num-executors
在使用spark-submit提交作业时，可以使用--num-executors选项请求指定的executor个数。
在程序内部，可以通过设置spark.executor.instances属性达到同样的目的。
--executor-memory
在使用spark-submit提交作业时，可以使用--executor-memory选项设置每个executor申请的内存。
在程序内部，可以通过设置spark.executor.memory属性达到同样的目的。
--executor-cores
在使用spark-submit提交作业时，可以使用--executor-cores选项设置每个executor申请的CPU核。
在程序内部，可以通过设置spark.executor.cores属性达到同样的目的。
动态资源分配
spark的运行模型是基于executor的，executor是资源的实际持有者。所以动态资源分配，是通过动态的申请executor和释放executor来实现的。
动态资源分配涉及到两个方面，如何在需要的时候动态申请资源，以及如何在空闲的时候动态释放资源。
动态请求策略：如果一个应用有tasks在等待，超过一定的时间（spark.dynamicAllocation.schedulerBacklogTimeout秒）就会申请1个executor。此后每隔一定的时间（spark.dynamicAllocation.sustainedSchedulerBacklogTimeout秒）就检测应用是否有tasks在等待，有就继续申请executor。
动态请求资源的数量是指数级的，第一次申请1个，第二次申请2个，接着是4, 8 ...这种考虑是为了在谨慎申请资源的同时，又可以在允许的时间范围内获得真正需要的资源量。
动态释放资源：是通过检查应用占据的executor是否超过了指定的时间（spark.dynamicAllocation.executorIdleTimeout秒）来决定的，超过了就释放。
释放资源的条件和请求资源的条件是互斥的，即如果一个应用有tasks在排队，就不应该会有空闲的executor。
how to do
为了使用动态资源分配，需要做两件事：
- 设置
spark.dynamicAllocation.enabled值为true - 在每一个工作节点启动
external shuffle service，并设置spark.shuffle.service.enabled为true
external shuffle service的作用在后面会介绍，不同集群模式下启动external shuffle service的方式不同：
- 在Standalone模式，不需要额外的工作来启动
external shuffle service，只需要设置spark.shuffle.service.enabled为true即可。 - 在Mesos粗粒度模式，在每一个slave nodes运行脚本
$SPARK_HOME/sbin/start-mesos-shuffle-service.sh来启动external shuffle service。 - 在YARN模式，参考Configuring the External Shuffle Service On Yarn。
动态移除executor面对的问题
动态释放资源需要额外的支持，因为executor可能会产生中间结果并输出到本地，在需要的时候需要通过这个executor获取它的中间结果。冒然移除executor会丢失它计算的中间结果，导致在真正需要的时候又要重新计算。
比如在map阶段executor输出map结果，在shuffle阶段这些map结果又需要通过executor读出来传送到负责reduce的executor。
spark通过external shuffle service来解决这个问题。external shuffle service是指在每一个node都运行的一个长期进程，这个进程独立于应用和executor，负责提供executor的输出数据的获取服务。原来executor之间相互请求来获取对方的输出结果，变成了统一从external shuffle service获取结果。
即使executor已经被移除了，它所输出的数据依然可以通过external shuffle service来获取。
另外，executor还可能会把中间结果缓存到内存，目前的策略是不移除此类的executor。未来可能采取将缓存持久化的方式，进而释放executor。
应用内部调度
一个spark应用可以支持多个不同线程的job同时提交，这常见于spark应用提供网络服务的场景。
spark默认的调度策略是FIFO，如果队列头部的job比较大，占用了集群的所有资源，后面的小任务将迟迟得不到运行的机会。
另外，spark还支持配置FAIR调度，spark循环调度每个job的task。这样即使有大job在运行，刚提交的小job也可以及时获得资源，而不需要等到大job结束。
通过设置属性spark.scheduler.mode来启用公平调度：
val conf = new SparkConf().setMaster(...).setAppName(...)
conf.set("spark.scheduler.mode", "FAIR")
val sc = new SparkContext(conf)
公平调度池
spark支持公平调度池的概念，每个线程可以指定将jobs提交到哪个池子，最细粒度的场景下是每个线程对应一个池，也可以多个线程使用同一个池。
每个线程默认使用的池是default，也可以通过设置参数来明确指定池。
// Assuming sc is your SparkContext variable
sc.setLocalProperty("spark.scheduler.pool", "pool1")
如果想重置当前线程绑定的池子，调用sc.setLocalProperty("spark.scheduler.pool", null)。
可以通过配置文件将资源按照一定的比重分配到池，配置文件的模板：conf/fairscheduler.xml.template。
通过conf.set("spark.scheduler.allocation.file", "/path/to/file")指定配置文件。
每个池可支持的参数有三个：
- schedulingMode：FIFO 或 FAIR，FIFO是默认的策略。
- weight：每个池子分配资源的权重，默认情况下所有的权重为1。
- minShare：最小资源，CPU核的数量，默认为0。在进行资源分配时，总是最先满足所有池的minShare，再根据weight分配剩下的资源。
配置文件示例：
<?xml version="1.0"?>
<allocations>
<pool name="production">
<schedulingMode>FAIR</schedulingMode>
<weight>1</weight>
<minShare>2</minShare>
</pool>
<pool name="test">
<schedulingMode>FIFO</schedulingMode>
<weight>2</weight>
<minShare>3</minShare>
</pool>
</allocations>
没有出现在配置文件中的池，所有参数取默认值（schedulingMode=FIFO，weight=1，minShare=0）。
概念澄清
executor到底指什么？和容器、JVM的关系是怎样的？
executor是负责一定职责的程序组件，可以在已有的JVM中运行（比如local mode），也可以在新的JVM中运行。使用YARN时，executor是在YARN容器中运行的。
spark的job - stage - task的划分是怎么样的？
spark的job可以划分为多个stage，这些stage构成了DAG。每一个stage又可以划分为多个tasks。stage的划分是根据shuffle map task来的，这一类的task相当于MapReduce中shuffle的map端，负责在本地RDD分区进行计算，并将结果输出到新的分区，供后续的使用。在划分stage时，shuffle map任务作为阶段的结束的边界。
Mesos的粗粒度和细粒度
Mesos可以启用CPU核的共享，即同一个节点executor在不使用核的情况下可以让给另一个executor来使用。
不启用CPU核共享称为粗粒度，启用则称为细粒度，相关的配置项为spark.mesos.coarse，值为true表示粗粒度。