《深入理解Spark-核心思想与源码分析》（五）第五章任务提交与执行
即欲捭之贵周，即欲阖之贵密。周密之贵，微而与道相随。---《鬼谷子》
解释：译文：如果要分析问题，关键在于周详，如果要综合归纳问题，关键在于严密。周详严密的关键在于精深而与道相随。
解词：捭阖（bǎihé）：开合。意为运用某些计策和手段，使双方联合或分化。含此义的成语有“纵横捭阖”。
解析：《鬼谷子》是一部充满着谋略和智慧的名著。“即欲捭之贵周，即欲阖之贵密”十分鲜明地体现了此书的特点。文中首先提出了“捭”和“阖”，这是两种不同的克敌制胜的计策。然后，再提出运用这两种计策必须具有的智慧，即“捭”要贵于周详，“阖”要贵于严密。在此基础上，又进一步指出，“周密之贵”在于“微而与道相随”。“微”意在“周密”之上，再进一步精深严密。最后提高到“道”上，则是理性的升华。
读此名句，在于有助于谋略的深化和智慧的提升。
5.1任务概述
1.完成RDD的转换及DAG的构建
2.完成finalStage的创建与Stage的划分，做好Stage与Task的准备工作后，最后提交Stage与Task。
3.使用集群管理器分配资源与任务调度,，对于失败的有重试和容错机制。
4.执行任务
5.2 广播Hadoop的配置信息
SparkContext的BroadCast方法用于广播Hadoop的配置信息。
def broadcast[T: ClassTag](value: T): Broadcast[T] = {
assertNotStopped()
require(!classOf[RDD[_]].isAssignableFrom(classTag[T].runtimeClass),
"Can not directly broadcast RDDs; instead, call collect() and broadcast the result.")
val bc = env.broadcastManager.newBroadcast[T](value, isLocal)
val callSite = getCallSite
logInfo("Created broadcast " + bc.id + " from " + callSite.shortForm)
cleaner.foreach(_.registerBroadcastForCleanup(bc))
bc
}
上面的代码通过使用BroadcastManager发送广播，广播结束将广播对象注册到ContextCleaner中，以便清理。
代码中BroadcastManager的newBroadcast方法实际上代理了broadcastFactory的newBroadcast。
5.3 RDD转换及DAG构建
为什么需要RDD？
下面从四个方面解释：
1.数据模型方面
RDD是一个容错的、并行的数据结构，可以控制将数据存储到磁盘或者内存，能够获取数据的分区。
2.依赖划分原则
依赖主要分为宽依赖和窄依赖，窄依赖划分为用一个Stage，管道方式迭代执行。
宽依赖的上游RDD不止一个，往往需要跨节传输数据。
3.数据处理效率
4.容错处理
RDD实现分析
5.4 任务提交
任务提交准备
1.经过5.3节对RDD的层层转换以及DAG的构建。
接下来调用RDD的collect方法转成Seq，封装为Seq为ArrayList
RDD的collect方法调用SparkContext的runJob
SparkContext的runJob重新调用runJob，点击runJob进入源代码
接着调用重载的runJob，最终调用的runJob方法又一次调用clean方法防止闭包的反序列化错误，然后运行dagScheduler的runJob
1.提交Job
submitJob方法将一个Job提交到Job scheduler，处理过程：
1）、调用RDD的paritition函数来获取当前Job的最大分区数，即为maxPartitions。根据maxPartitions，确认我们没有一个不存在的partition上运行的任务
2）、生成当前Job的JobId
3）、创建JobWaiter
4）、向eventProcessActor发送JobSubmitted
5）、返回JobWaiter
2.处理Job提交
DAGSchedulerEventProcessActor收到JobSubmit事件，会调用dagScheduler的handleJobSubmitted方法。
5.4.2 finalStage的创建与Stage的划分
在Spark中，一个Job可能被划分为一个或者多个Stage，各个之间存在依赖关系，其中最下游的Stage也被成为最终的Stage，用于处理Job最后阶段的工作
1.newStage的实现分析
handleJobSubmitted方法使用newStage方法创建finalStage
2.获取父Stage列表
Spark的Job会被划分到一到多个Stage，这些Stage的划分是从finalStage开始，从后往前边划分边创建的。getParentStages方法用于获取或者创建给定的RDD的所有父Stage
这些Stage将被分配给jobId对应的job
3.获取map任务对应Stage
getShuffleMapStage方法用于创建或者获取Stage并注册到shuffleToMapStage
5.4.3 创建Job
5.4.4 提交Stage
5.4.5 提交Task
5.5 执行任务
5.5.1 状态更新
调用execBackend的statusUpdate方法更新任务状态。
5.5.2 任务还原
所谓任务还原就是将Driver提交的Task在Executor上通过反序列化、更新依赖达到Task的还原效果的过程。
5.5.3任务运行
TaskRunner最终调用Task的run方法运行任务。
5.6 任务执行后续处理
5.6.1 计量统计与执行结果序列化
5.6.2 内存回收
TaskRunner的run方法最后还会在finally中做一些清理工作。
5.6.3 执行结果处理
5.7 小结
首先从Spark为什么设计RDD入手，依次讲解RDD的实现分析、Stage的划分、提交Stage、任务执行、执行结果处理等内容。
在资源分配中涉及的本地化实现，本章做了较为详细的分析，Spark通过一种阶梯式的本地化策略，
在有效利用资源、节省网络I/O的同时提高系统执行的效率。
容错方面，Spark通过DAG构成的有向无环图可以在某些任务执行失败的情况下，通过重新提交任务达到容错，而那些执行成功的任务由于结果已经存在缓存中，所以不需要重复计算。
