【Spark工作原理】stage划分原理理解

Job->Stage->Task
开发完一个应用以后，把这个应用提交到Spark集群，这个应用叫Application。这个应用里面开发了很多代码，这些代码里面凡是遇到一个action操作，就会产生一个job任务。

一个Application有一个或多个job任务。job任务被DAGScheduler划分为不同stage去执行，stage是一组Task任务。Task分别计算每个分区partition上的数据，Task数量=分区partition数量。

Spark如何划分Stage：
会从执行action的最后一个RDD开始向前推，首先为最后一个RDD创建一个stage，向前遇到某个RDD是宽依赖，再划分一个stage。如下图，从宽依赖处划分为2个stage。

原理的应用场景：
1.通过监控界面上每个stage及其内部task运行情况，找到对应的代码段做性能调优。

2.指定RDD的分区数参数，实际也调整了task的数量，在数据量较大时适当调整增加并行度。