spark-on-yarn 学习

1. hdfs存文件的时候会把文件切割成block，block分布在不同节点上，目前设置replicate=3，每个block会出现在3个节点上。

2. Spark以RDD概念为中心运行，RDD代表抽象数据集。以代码为例：

sc.textFile(“abc.log”)

textFile()函数会创建一个RDD对象，可以认为这个RDD对象代表”abc.log”文件数据，通过操作RDD对象完成对文件数据的操作。

3. RDD包含1个或多个partition分区，每个分区对应文件数据的一部分。在spark读取hdfs的场景下，spark把hdfs的block读到内存就会抽象为spark的partition。所以，RDD对应文件，而partition对应文件的block，partition的个数等于block的个数，这么做的目的是为了并行操作文件数据。

由于block是分布在不同节点上的，所以对partition的操作也是分散在不同节点。

4. RDD是只读的，不可变数据集，所以每次对RDD操作都会产生一个新的RDD对象。同样，partition也是只读的。

sc.textFile("abc.log").map()

代码中textFile()会构建出一个NewHadoopRDD，map()函数运行后会构建出一个MapPartitionsRDD。

这里的map()函数已经是一个分布式操作，因为NewHadoopRDD内的partition是分布在不同节点上的，map()函数会对每一个partition做一次map操作，形成新的partition，一会产生新的RDD(MapPartitionsRDD)。对每个partition执行map操作就是一个task，在图中就会有3个task，task和partition一一对应。

5. 最终每个task会和partition一一对应。但是在分配之前需要考虑task的执行顺序。就出现了job、stage、宽依赖和窄依赖的概念。

宽依赖和窄依赖是为了安排task的执行顺序。简单理解，窄依赖是指操作可以pipeline形式进行，比如map、filter，，不需要依赖所有partition的数据，可以并行地在不同节点计算。map和filter只需要一个分区的数据。

宽依赖，比如groupByKey，需要所有分区的数据才能进行计算，同时会引发节点间的数据传输。

Spark会依据窄依赖和宽依赖划分stage，stage按顺序1，2，3依次执行。

图中stage2里的map和union是窄依赖。

stage3的join是宽依赖。Join操作会把所有partition的数据汇总起来，生产新的partition，这中间可能会发生大量的数据传输。同时会把新生产的RDD写回hdfs，在下次使用时重新读取，划分新的partition。

若干个stage组成一个job，job由真正执行数据的计算部分触发产生，如reduce、collect等操作，所以一个程序可能有多个job。RDD中所有的操作都是Lazy模式进行，运行在编译中不会立即计算最终结果，而是记住所有操作步骤和方法，只有显示的遇到启动命令才执行。

整体看：一个程序有多个job，一个job有多个stage，一个stage有多个task，每个task分配到executor内执行。

6. 分配task时，优先找已经在内存中的数据所在节点；如果没有，再找磁盘上的数据所在节点；都没有，就近节点分配。

7. executor

每个节点根据配置可以起一个或多个executor；每个executor由若干core组成，每个executor的每个core一次只能执行一个task。

task被执行的并行度 = max(executor数目*每个executor的核数，partition数目)。

8. 节点之间使用RPC完成通信(以前是akka，最新的使用netty)。

最后，目前看来，可能会对性能有影响的是有宽依赖的操作，像reduceByKey、sort、sum操作需要所有partition的数据，需要把数据都传输到一个节点上，比较耗时。