Spark集群的任务提交执行流程
本文转自：https://www.linuxidc.com/Linux/2018-02/150886.htm
一、Spark on Standalone
1.spark集群启动后，Worker向Master注册信息
2.spark-submit命令提交程序后，driver和application也会向Master注册信息
3.创建SparkContext对象：主要的对象包含DAGScheduler和TaskScheduler
4.Driver把Application信息注册给Master后，Master会根据App信息去Worker节点启动Executor
5.Executor内部会创建运行task的线程池，然后把启动的Executor反向注册给Dirver
6.DAGScheduler：负责把Spark作业转换成Stage的DAG（Directed Acyclic Graph有向无环图），根据宽窄依赖切分Stage，
然后把Stage封装成TaskSet的形式发送个TaskScheduler；
同时DAGScheduler还会处理由于Shuffle数据丢失导致的失败；
7.TaskScheduler：维护所有TaskSet，分发Task给各个节点的Executor（根据数据本地化策略分发Task），监控task的运行状态，负责重试失败的task；
8.所有task运行完成后，SparkContext向Master注销，释放资源；
注：job的失败不会重试
二、Spark on Yarn
yarn是一种统一的资源管理机制，可以通过队列的方式，管理运行多套计算框架。Spark on Yarn模式根据Dirver在集群中的位置分为两种模式
一种是Yarn-Client模式，另一种是Yarn-Cluster模式
yarn框架的基本运行流程图
ResourceManager：负责将集群的资源分配给各个应用使用，而资源分配和调度的基本单位是Container，
其中封装了集群资源（CPU、内存、磁盘等），每个任务只能在Container中运行，并且只使用Container中的资源；
NodeManager：是一个个计算节点，负责启动Application所需的Container，并监控资源的使用情况汇报给ResourceManager
ApplicationMaster：主要负责向ResourceManager申请Application的资源，获取Container并跟踪这些Container的运行状态和执行进度，
执行完后通知ResourceManager注销ApplicationMaster，ApplicationMaster也是运行在Container中；
(1)client
yarn-client模式，Dirver运行在本地的客户端上。
1.client向ResouceManager申请启动ApplicationMaster，同时在SparkContext初始化中创建DAGScheduler和TaskScheduler
2.ResouceManager收到请求后，在一台NodeManager中启动第一个Container运行ApplicationMaster
3.Dirver中的SparkContext初始化完成后与ApplicationMaster建立通讯，ApplicationMaster向ResourceManager申请Application的资源
4.一旦ApplicationMaster申请到资源，便与之对应的NodeManager通讯，启动Executor，并把Executor信息反向注册给Dirver
5.Dirver分发task，并监控Executor的运行状态，负责重试失败的task
6.运行完成后，Client的SparkContext向ResourceManager申请注销并关闭自己
(2)cluster
yarn-cluster模式中，当用户向yarn提交应用程序后，yarn将分为两阶段运行该应用程序：
第一个阶段是把Spark的Dirver作为一个ApplicationMaster在yarn中启动；
第二个阶段是ApplicationMaster向ResourceManager申请资源，并启动Executor来运行task，同时监控task整个运行流程并重试失败的task；
Yarn-client和Yarn-cluster的区别：
yarn-cluster模式下，Dirver运行在ApplicationMaster中，负责申请资源并监控task运行状态和重试失败的task，
当用户提交了作业之后就可以关掉client，作业会继续在yarn中运行；
yarn-client模式下，Dirver运行在本地客户端，client不能离开。
