Spark运行原理

Spark运行原理

构建应用程序运行时

首先根据应用程序资源需求构建一个运行时环境，通过与资源管理器交互来完成，通常存在两种方式：
粗粒度，应用程序在提交之后，正式运行之前根据程序资源需求一次性获取资源，整个运行过程不再申请新的资源
细粒度，应用程序在提交之后，动态向集群申请资源，只要等资源满足一个任务的运行就开始执行，基于Hadoop的MR就是基于细粒度运行时构建

对于Spark on YARN，目前支持粗力度

应用程序转换成DAG

根据宽依赖和窄依赖拆分Stage，将应用程序转换成DAG

首先，从数据混洗的角度，窄依赖RDD可以通过相同键进行联合分区，整个操作可以在同一个节点上流水线式运行，不会造成网络间数据传输
其次，从失败恢复的角度，窄依赖的失败只需要重新计算丢失的RDD的父分区，并且可以在不同节点并行计算。宽依赖会设计多个父RDD分区的重新计算

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

调度执行DAG

DAGScheduler按照依赖关系调度执行每个Stage，优先选择不依赖任何阶段的Stage。执行Stage阶段启动一定数目的Task并行执行

Spark的优化机制（借鉴MapReduce）
数据本地性，对任务进行调度时，为算子选择节点，优先选择数据所在节点，其次选择数据所在机架节点，最后选择其他机架节点。
推测执行，检查到同类任务存在明显比较慢的任务时，尝试为慢任务启动备份任务，先完成的结果作为最终结果。
多线程执行具体的任务，减少多进程任务的启动开销
Executor上有一个BlockManager存储模块，当需要多轮迭代时，将中间过程的数据进行存储，后续需要时直接读取存储数据。

作者：Alex90
链接：https://www.jianshu.com/p/5fdfbbe417d8