Spark 作业执行

Spark基本组件，Master和Worker，负责运行Client和Driver

作业执行框架

每个SparkApplication由主控节点Master、集群资源管理节点ClusterManager、执行任务节点Worker和执行单元Executor、负责提交作业的Client、负责作业控制的Driver组成的

SparkContext是应用程序和集群交互的唯一通道，包括：获取数据、交互操作、分析和构建DAG图、通过Scheduler调度任务、Block跟踪、Shuffle跟踪

提交作业有两种方式
Driver运行在集群中和运行在客户端，无论哪种方式，概念是一致的
Stage（根据Shuffle划分Stage）
Task（一个Stage包含多个Task，实现并行）
DAGScheduler（将作业分解成Stage，执行Task数量，生成TaskSet放到TaskScheduler）

基于Standalone模式

各进程角色如下
Master：主控节点，接收Client提交的作业，管理Worker，命令Worker启动Driver和Executor
Worker：Slave节点，管理节点上的资源，定期向Master心跳汇报，接收Master命令
Client：客户端进程，提交作业到Master
Driver：Spark作业的主进程，负责DAG构建、Stage划分、Task管理和调度，包含多个组件
Executor：执行作业，一个Executor可以执行多个Task，每个Worker只能启动一个Executor

作业执行流程

客户端提交应用程序给Master，指定一个Worker启动Driver，然后让其他Worker启动Executor，由Driver触发Executor启动Task执行

故障解决方案
Worker故障
Worker退出前会将Worker上的Executor杀掉，Master可以通过心跳感应到Worker故障，通知给Driver移除Worker节点

Executor故障
ExecutorRunner汇报给Worker，传递给Master，Master发送LanuchExecutor指令给Worker重新启动Executor

Master故障
通过Zookeeper搭建Master的HA，一个作为Active，其他作为Standby，Active节点故障能够及时切换

基于YARN模式

SparkAppMaster相当于Driver

作业执行流程

客户端生成作业信息，提交给ResourceManager，在与NodaManager通信时把AppMaster分配给NodeManager，启动SparkAppMaster。初始化作业并向ResourceManager申请资源后SparkAppMaster通过RPC让NodeManager启动相应的SparkExecutor。SparkClient通过AppMaster获取作业运行状态

作业调度

整个作业调度分为：生成RDD对象、构建DAGScheduler、任务调度、作业执行

调度框架

1. 生成RDD对象，根据输入RDD进行解析，构建DAG图。代码中的RDD进行转换操作是惰性的，只会产生标记不会立即执行。只有遇到执行操作时调用runJob方法提交至DAGScheduler，程序真正执行

2. 构建DAGScheduler过程中，根据DAG划分Stage，提交任务集。首先将DAG划分成一个完整的Stage，从最后一个RDD往前回溯，不断判断RDD的依赖关系，如果是窄依赖则继续回溯，宽依赖则划分出一个新的Stage

3. 任务调度过程中，通过集群管理器分配资源启动具体任务，并重试失败或运行较慢的任务

4. 作业执行过程，执行任务，存储并管理数据块