spark--专业术语加强(图解)

Application/App：Spark应用程序

Driver：驱动程序

• 会由Driver进程运行main方法和创建SparkContext执行环境对象
  

ClusterManager-资源管理器Master/ResourceManager

从节点-Worker/NodeManager

• Worker中可以运行多个Executor
• 每个Spark应用有自己独立的一批Executor
• 也就是多个Spark任务间是进程隔离的
  

Executor：执行器/执行进程

• 每个Spark应用程序拥有各个独立的一批Executor
• 每个Executor中有可以运行多个Task由线程池进行调度执行这些Task
• 每个Task运行计算RDD的一个分区上的一系列操作
• Task数量=分区数量 >= CPU核数
  

RDD：弹性分布式数据集

• RDD的五大属性:
  • 分区列表 （数据从哪来）
  • 最佳位置 （在哪算）
  • 分区器/分区函数(默认hash,也可以自定义) （怎么分区）
  • 计算函数（怎么计算）
  • 依赖关系（rdd的依赖关系是什么）
    

NarrowDependency窄依赖

• 如:map/flatmap/filter/union/join
  

ShuffleDependency宽依赖

• 如: groupBy(xxx)/groupByKey/reduceByKey/join
  

DAG有向无环图

DAGScheduler[了解]

TaskScheduler[了解]

Job

Stage

• DAGScheduler根据宽依赖划分Stage
  

TaskSet

Task

• 同一个Stage中的同一个分区上的一系列操作
  

整体图示