1 spark是做什么的
数据处理:用来快速处理数据。
迭代计算:有效应对多步的数据处理逻辑。
2 常用进程
JDBCServer:常驻Spark的应用,通过连接JDBCServer,执行sql语句。
JobHistory:单节点进程,用于展示历史应用的执行情况。
3 核心概念
3.1 application:spark用户程序,用户提交一次应用为一个app,一个app产生一个sparkcontext。
3.2 job:一个app可被划分为多个job,划分标记为action动作,有collect\count等。
3.3 stage:每个job被划分多层stage,划分标记为shffle过程,stage按照父子关系依次执行。
3.4 task:具体的执行任务单位,被分发到executor上执行具体任务。
3.5 ClusterManager集群资源管理服务,包含主节点和多个运行节点,支持运行模式有Standalone\mesos\Yarn。
3.6 Driver:运行app的大脑,负责job的初始化,将job转换成task并提交执行。
3.7 DAGScheduler:是一个面向Stage层面的调度器,按照Stage提交task集合给TaskScheduler。
3.8 TaskScheduler:提交task给Executor运行,并管理执行结果。
3.9 BlockManager:管理app运行周期的中间数据。
3.10 Executor:是app运行在worker node上的一个进程,负责运行task,生命周期同app。
4 运行过程
1)构建SparkApplication运行环境(启动SparkContext)
2)SparkContext向资源管理器(ClusterManager)申请运行Executor资源,并启动StandaloneExecutorBackend。
3)Executor向SparkContext注册。
4)SparkContext启动应用程序DAG调度,Stage划分,TaskSet生成。
5)TaskScheduler调度TaskSet,将task分发给Executor运行。
6)task在Executor上运行,运行完毕释放所有资源。
联系客服