Spark的任务提交和执行流程概述
1、概述
为了更好地理解调度，我们先看一下集群模式的Spark程序运行架构图，如上所示：
2、Spark中的基本概念
1、Application：表示你的程序
2、Driver：表示main函数，创建SparkContext。并由SC负责与ClusterMananger通信，进行资源的申请，任务的监控和分配。程序执行完毕后，关闭SparkContext。
3、Executor：某个Application运行在worker节点上的一个进行，该进程负责运行某些task，并且负责将数据存在内存或者磁盘上。在spark on yarn模式下，其进程名称为CoarseGrainedExectorBackend，一个CoarseGrainedExectorBackend进程有且仅有一个executor对象，它负责将task包装成taskRunner，并从线程池中抽取一个空闲线程运行task，这样，每个CoarseGrainedExectorBackend能并行运行task的数据就取决于分配给它的cpu的个数。
4、Worker：集群上的计算节点，对应一台物理机。在Standalone模式中值得是通过slave文件配置的worker节点，在Spark on yarn模式中指的是NodeManager节点。
5、Task：在Exector进程中执行任务的工作单元，多个task组成一个Stage
6、job：包含多个task组成的并行计算，是又action行为触发的。
7、Stage：每个job任务会被拆分成很多个Task，作为一个TaskSet，其名称为Stage
8、DAGScheduler：根据job将DAG划分成不同的Stage，并提交Stage给TaskScheduler，其划分Stage的依据是RDD之间的依赖关系。
9、TaskScheduler：将TaskSet提交给worker运行，每个Exector运行什么Task就是在此分配。
10、SchedulerBackend：是一个tait，作用是分配当前可用的资源，具体就是向当前等待分配计算资源的task分配计算资源，即Exector，并且在分配的Exector中启动task，完成计算调度。
3、Spark在不同集群中的运行流程
Spark提供了多种集群运行模式，部署在单台机器上，既可以使用本地local模式运行，也可以使用伪分布式模式运行；当以分布式集群部署的时候，可以使用Spark自带的Standalone模式、Yarn-client模式或者Yarn-Cluster模式。
3.1、Saprk On Standalone的运行流程说明：
Standalone模式是Spark实现的资源调度框架，其主要的节点有Client节点、Master节点和Worker节点。其中Driver既可以运行在Master节点上中，也可以运行在本地Client端。当用spark-shell交互式工具提交Spark的Job时，Driver在Master节点上运行；当使用spark-submit工具提交Job或者在Eclips、IDEA等开发平台上使用”new SparkConf().setMaster(“spark://master:7077”)”方式运行Spark任务时，Driver是运行在本地Client端上的。
（1）我们提交一个任务，任务就叫Application，主函数是Drver中的main（）函数
（2）构建SparkApplication的运行环境SparkContext，SC向资源管理器（可以是Standalone、Mesos（超大集群）或者Yarn）注册并申请运行Exector的资源；
（3）SparkContext构建DAG图，并将DAG图分界成Stage，并把TaskSet发送给TaskSheduler。
（4）Task Scheduler通过ClusterManger申请计算资源，比如在集群中某个Worker上启动专属的Exector，并且分配CPU、内存资源。
（5）然后启动StandaloneExcetorBackend；顺便初始化好一个线程池；接着就是在Exector中运行task任务。
（6）StandaloneExecutorBackend向Driver(SparkContext)注册,这样Driver就知道哪些Executor为他进行服务了；到这个时候其实我们的初始化过程基本完成了，我们开始执行transformation的代码，但是代码并不会真正的运行，直到我们遇到一个action操作。此时会生产一个job任务，并划分stage。
（7）Task在Exector上运行，并向SparkContext报告，运行完毕释放所有资源。
运行图如下所示：
3.2 Spark on Yarn的Yarn-Client运行过程
Yarn-Client模式中，Driver在客户端本地运行，这种模式可以使得Spark Application和客户端进行交互，因为Driver在客户端，所以可以通过webUI访问Driver的状态，默认是http://xxx:4040访问，而YARN通过http:// xxx:8088访问。
YARN-client的工作流程分为以下几个步骤：
（1）Spark Yarn Client向YARN的ResourceManager申请启动Application Master。同时在SparkContent初始化中将创建DAGScheduler和TasKScheduler等，由于我们选择的是Yarn-Client模式，程序会选择YarnClientClusterScheduler和YarnClientSchedulerBackend；
（2）ResourceManager收到请求后，在集群中选择一个NodeManager，为该应用程序分配第一个Container，要求它在这个Container中启动应用程序的ApplicationMaster，与YARN-Cluster区别的是在该ApplicationMaster不运行SparkContext，只与SparkContext进行联系进行资源的分派；
（3）Client中的SparkContext初始化完毕后，与ApplicationMaster建立通讯，向ResourceManager注册，根据任务信息向ResourceManager申请资源（Container）；
（4）一旦ApplicationMaster申请到资源（也就是Container）后，便与对应的NodeManager通信，要求它在获得的Container中启动启动CoarseGrainedExecutorBackend，CoarseGrainedExecutorBackend启动后会向Client中的SparkContext注册并申请Task；
（5）Client中的SparkContext分配Task给CoarseGrainedExecutorBackend执行，CoarseGrainedExecutorBackend运行Task并向Driver汇报运行的状态和进度，以让Client随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务；
（6）应用程序运行完成后，Client的SparkContext向ResourceManager申请注销并关闭自己。
配图说明
3.3 Yarn-Cluster运行模式
在YARN-Cluster模式中，当用户向YARN中提交一个应用程序后，YARN将分两个阶段运行该应用程序：第一个阶段是把Spark的Driver作为一个ApplicationMaster在YARN集群中先启动；第二个阶段是由ApplicationMaster创建应用程序，然后为它向ResourceManager申请资源，并启动Executor来运行Task，同时监控它的整个运行过程，直到运行完成。
YARN-cluster的工作流程分为以下几个步骤：
1. Spark Yarn Client向YARN中提交应用程序，包括ApplicationMaster程序、启动ApplicationMaster的命令、需要在Executor中运行的程序等；
2. ResourceManager收到请求后，在集群中选择一个NodeManager，为该应用程序分配第一个Container，要求它在这个Container中启动应用程序的ApplicationMaster，其中ApplicationMaster进行SparkContext等的初始化；
3. ApplicationMaster向ResourceManager注册，这样用户可以直接通过ResourceManage查看应用程序的运行状态，然后它将采用轮询的方式通过RPC协议为各个任务申请资源，并监控它们的运行状态直到运行结束；
4. 一旦ApplicationMaster申请到资源（也就是Container）后，便与对应的NodeManager通信，要求它在获得的Container中启动启动CoarseGrainedExecutorBackend，CoarseGrainedExecutorBackend启动后会向ApplicationMaster中的SparkContext注册并申请Task。这一点和Standalone模式一样，只不过SparkContext在Spark Application中初始化时，使用CoarseGrainedSchedulerBackend配合YarnClusterScheduler进行任务的调度，其中YarnClusterScheduler只是对TaskSchedulerImpl的一个简单包装，增加了对Executor的等待逻辑等；
5. ApplicationMaster中的SparkContext分配Task给CoarseGrainedExecutorBackend执行，CoarseGrainedExecutorBackend运行Task并向ApplicationMaster汇报运行的状态和进度，以让ApplicationMaster随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务；
6. 应用程序运行完成后，ApplicationMaster向ResourceManager申请注销并关闭自己
配图说明：
3.4 YARN-Client 与 YARN-Cluster 区别
理解YARN-Client和YARN-Cluster深层次的区别之前先清楚一个概念：Application Master。在YARN中，每个Application实例都有一个ApplicationMaster进程，它是Application启动的第一个容器。它负责和ResourceManager打交道并请求资源，获取资源之后告诉NodeManager为其启动Container。从深层次的含义讲YARN-Cluster和YARN-Client模式的区别其实就是ApplicationMaster进程的区别。
1、YARN-Cluster模式下，Driver运行在AM(Application Master)中，它负责向YARN申请资源，并监督作业的运行状况。当用户提交了作业之后，就可以关掉Client，作业会继续在YARN上运行，因而YARN-Cluster模式不适合运行交互类型的作业；
2、YARN-Client模式下，Application Master仅仅向YARN请求Executor，Client会和请求的Container通信来调度他们工作，也就是说Client不能离开。
