【原创】Spark Standalong模式运行原理剖析

　一、概述

　　Apache Spark是一种快速和通用的集群计算系统。它提供Java，Scala，Python和R中的高级API，以及支持一般执行图的优化引擎。它还支持一组丰富的更高级别的工具，包括Spark SQL用于SQL和结构化数据的处理，MLlib机器学习，GraphX用于图形处理和Spark Streaming。

　　Spark除了在Mesos或YARN群集管理器上运行，它还提供了一种简单的独立部署模式Standalone模式。接下来我们就以下面的WordCount代码为例剖析Spark Standalone模式的运行原理。理解并掌握Spark Standalone模式的运行原理对后期进一步学习Spark相关技术有很大的帮助，同时也是Spark开发工程师岗位面试经常被提问的地方。

　　WordCount代码如下：

　　Standalone运行模式原理概要如下图所示：

　　二、Standalong模式运式原理剖析之天龙八“步”

　　1、第一步：

　　通过spark-submit指令将打好的Spark jar包提交到Spark集群中运行。先从Driver进程开始运行，Driver中包含了我们所编写的代码。

　　首先执行代码中的前两行代码，

　　//创建SparkConf对象　　

　　val conf = new SparkConf().setAppName("WordCount")　　

　　//创建SparkContext对象　　

　　val sc = new SparkContext(conf)

　　这两行代码分别创建了SparkConf和SparkContext对象，在创建SparkContext对象的过程中，Spark会去做两件很重要的事，就是创建DAGScheduler和TaskScheduler这两个对象。然后，TaskScheduler会通过一个后台进程负责与Master进行注册通信，告诉Master有一个新的Application应用程序要运行，需要Master管理分配调度集群的资源。

　　2、第二步：

　　Master接收到TaskScheduler的注册请求之后，会通过资源调度算法对集群资源进行调度，并且与Worker进行通信，请求Worker启动相应的Executor。

　　3、第三步：

　　Worker接收到Master的请求之后，会在本节点中启动Executor。因为集群中有多个Worker节点，那么也意味着会启动多个Executor。一个Application对应着Worker中的一个Executor。

　　4、第四步：

　　Executor启动完成之后，会向Driver中的TaskScheduler进行反注册，反注册的目的就是让Driver知道新提交的Application应用将由哪些Executor负责执行。

　　5、第五步：

　　Executor向Driver中的TaskScheduler反注册完成之后，就意味着SparkContext的初始化过程已经完成，接下来去执行SparkContext下面的代码。

　　//从linux或者HDFS中获取数据

　　val lines = sc.textFile("hdfs://tgmaster:9000/in/resws")

　　//进行单词统计计数

　　val result = lines.flatMap(_.split(" ")).map((_, 1))

　　//将计算结果保存到HDFS中

　　result.saveAsTextFile("hdfs://tgmaster:9000/out/res3")

　　sc.stop()

　　6、第六步：

　　在SparkContext下面的代码中，创建了初始RDD，并对初始RDD进行了Transformation类型的算子操作，但是系统只是记录下了这些操作行为，这些操作行并没有真正的被执行，直到遇到Action类型的算子，触发提交job之后，Action类型的算子之前所有的Transformation类型的算子才会被执行。job会被提交给DAGScheduler，DAGScheduler根据stage划分算法将job划分为多个stage(阶段),并将其封装成TaskSet(任务集合)，然后将TaskSet提交给TaskScheduler。

　　7、第七步：

　　TaskScheduler根据task分配算法，将TaskSet中的每一个小task分配给Executor去执行。

　　8、第八步：

　　Executor接受到task任务之后，通过taskrunner来封装一个task,并从线程池中取出相应的一个线程来执行task。

　　task线程针对RDD partition分区中的数据进行指定的算子操作，这些算子操作包括Transformation和Action类型的操作。

　　补充说明：

　　1、taskrunner(任务运行器),会对我们编写代码进行复制、反序列化操作，进行执行task任务。

　　2、task分为两大类：ShuffleMapTask和ResultTask。最后一个stage阶段中的task称为ResultTask，在这之前所有的Task称为ShuffleMapTask。