Spark 概念学习系列之Spark基本概念和模型（十八）

　　打好基础，别小瞧它！

　　spark的运行模式多种多样，在单机上既可以本地模式运行，也可以伪分布模式运行。而当以分布式的方式在集群中运行时。底层的资源调度可以使用Mesos或者Yarn，也可使用spark自带的Standalone模式。

　　1、Application ： Application的概念和Hadoop MapReduce中的类似，都是用户编写的Spark应用程序，其中包含了一个Driver功能的代码和分布在集群中多个节点上运行的Executor代码。

　　

　　2、Driver ： 使用Driver这一概念的分布式框架很多，比如Hive等。 Spark中的Driver即运行Application的main()函数并创建SparkContext，创建SparkContext的目的是为了准备Spark应用程序的运行环境。在Spark中由SparkContext负责与ClusterManager通信，进行资源的申请、任务的分配和监控等。当Executor部分运行完毕后，Driver同时负责将SparkContext关闭。通常用SparkContext代表Driver。

　　3、Executor ： 某个Application运行在Worker节点上的一个进程，该进程负责运行某些Task，并且负责将数据存在内存或者磁盘上，每个Application都有各自独立的一批Executor。 在Spark on Yarn模式下其进程名称为CoarseGrainedExecutor Backend，类似于Hadoop MapReduce中的YarnChild。一个CoarseGrainedExecutor  Backend进程有且仅有一个executor对象，它负责将Task包装成taskRunner，并从线程池抽取出一个空闲线程运行Task。这样，每个CoarseGrainedExecutor  Backend能并行运行Task的数量就取决于分配给它的CPU的个数了。

　　

　　4、Cluster Manager ： 指的是在集群上获取资源的外部服务，目前有三种类型：

　　　　Standalone ： Spark原生的资源管理，由Master负责资源的分配，可以在亚马逊的EC2上运行。

　　　　Apache Mesos ： 与Hadoop MapReduce兼容性良好的一种资源调度框架。

　　 　  Hadoop Yarn  ： 主要是指的Yarn中的ResourceManager。

　　5、Worker  ： 集群中任何可以运行Application代码的节点，类似于Yarn中的NodeManager节点。在Standalone模式中指的就是通过slave文件配置的Worker节点，在Spark on Yarn模式中指的就是NodeManager节点。

　　6、Task  ：  被送到某个Executor上的工作单元，和Hadoop MapReduce中的MapTask和ReduceTask概念一样，是运行Application的基本单元。多个Task组成一个Stage，而Task的调度和管理等由下面的TaskScheduler负责。

　　7、Job  : 包含多个Task组成的并行计算，往往由Spark Action触发产生。一个Application中可能会产生多个Job。

　　8、Stage : 每个Job会拆分很多组Task，作为一个TaskSet，其名称为Stage。Stage的划分或调度由下面的DAGScheduler负责。Stage有非最终的Stage（即 Shuffle Map Stage）和最终的Stage（即Result Stage）两种。Stage的边界就是发生Shuffle的地方。

　　9、RDD ：Spark的基本计算单元，可以通过一系列算子进行操作（主要有Transformation 和Action操作）。同时，RDD是Spark最核心的东西，它表示已被分区、被序列化的、不可变的、有容错机制的，并且能够被并行操作的数据集合。其存储级别可以是内存，也可以是磁盘，可通过spark.storage.StorageLevel属性配置。

　　10、共享变量 ：在Spark Application运行时，可能需要一些变量，提供给Task 或Driver等使用。 Spark提供了两种共享变量，一种是可以缓存到各个节点的广播变量，另一种是只支持加法操作，可以实现求和的累加变量。

　　11、宽依赖 ： 与Hadoop MapReduce中Shuffle的数据依赖相同，宽依赖需要计算好所有父RDD对应分区的数据，然后在节点之间进行Shuffle。

　　12、窄依赖： 指某个具体的RDD，其分区partitoin a最多被子RDDD中的一个分区partitoin b依赖。此种情况只有Map任务，是不需要发生Shuffle过程的。

　　13、DAGScheduler : 根据Job构建基于Stage的DAG，并提交Stage给TaskScheduler。其划分Stage的依据是RDD之间的依赖关系。

　　14、TaskScheduler : 将Taskset提交给Worker（集群）运行，每个Executor运行什么Task就是在此处分配的。