SPARK：作业基本运行原理

Spark作业基本运行原理：

　　我们使用spark-submit提交一个spark作业之后，这个作业就会启动一个对应的Driver进程。根据你使用的部署模式（deploy-mode）不同：
1）Driver进程可能在本地启动，也可能在集群中的某个工作节点上启动；
2）Driver进程本身会根据我们设置的参数，占有一定数量的内存和CPU core。
而Driver进程要做的第一件事情，就是向集群管理器（可以是Spark Standlone集群，也可以是其他的资源管理集群，比如：YARN作为资源管理集群。）申请运行spark作业需要使用的资源，这里的资源指的是Executor进程。YARN集群管理器会根据我们为Spark作业设置的资源参数，在各个工作节点上，启动一定数据量的Executor进程，每个Executor进程都会占有一定数量的内存和CPU core。

　　在申请到了作业执行所需要的资源之后，Driver进程就会开始调用和执行编写的作业代码。Driver进程会将编写的Spark作业代码拆分为多个stage，每个stage执行一部分代码片段，并为每个stage创建一批task，然后将这些task分配到各个Executor进程中执行。

　　task是最小的计算单元，负责执行一模一样的计算逻辑（编写代码的某个片段），只是每个task处理的数据不同而已。一个stage的所有task都执行完成之后，会在各个节点本地的磁盘文件中写入计算中间结果，然后Driver就会调度运行下一个stage。下一个stage的task的输入数据就是上一个stage输出的中间结果。如此循往复，直到将我们自己的编写的代码全部执行完成，并且计算完所有的数据，得到我们想要的结果为止。

参考《Spark性能优化：资源调优篇》

Spark不错的文章：

《Spark技术内幕：Executor分配详解》

《Spark运行原理》

《Spark 基础（上篇）》

《Spark 基础（下篇）》