（1）用户编写一个Spark程序（像之前编写的WordCount程序一样），在应用程序中包含一个用户自定义的主函数，在主函数内部实现RDD创建、RDD转换、RDD存储等操作。之后用户将完整的Spark程序提交到集群，申请Spark集群资源并执行该程序。集群收到用户提交的Spark程序后，对应的Driver进程将被启动，负责响应执行用户定义的主函数。Driver进程的启动有2种方式：
1.Driver进程在客户端启动；
2.Master节点指定一个Worker节点启动Driver进程，来充当Driver节点的角色；
（2）Driver进程响应执行用户定义的主函数后，会与Master节点通信，通过Master节点申请执行程序所需的资源；
（3）Spark集群中所有的Worker节点都会向Master节点注册，Master节点会通过心跳检查来检查已注册的Worker节点是否存活。在收到Driver进程的资源请求后，Master节点会命令已注册的Worker节点启动Executor进程；
（4）如果Worker节点是正常的，并且Worker节点上的Executor进程启动成功，Master节点就会将这些启动的资源通知Driver进程，使Driver进程使用集群中的那些资源来并行完成该Spark程序；
（5）Driver节点根据RDD在程序中的转换和执行情况对程序进行分割。将分割后的任务发送给已经申请的多个Executor资源，每个Executor进程负责独立完成分给它的那部分任务，并将执行的结果反馈给Driver；
（6）Worker节点上运行的Executor进程是作业的真正执行者，在每个Worker节点上可以启动多个Executor进程，每个Executor单独运行在一个JVM进程中，每个计划任务则运行在Executor中的一个线程。
（7）Driver通知Client应用程序执行完成；
在上面的过程中，最重要的是如下3个步骤：
（1）第一步：生成RDD
Spark本身对RDD的操作模式是惰性计算。在惰性计算机制中，尽管每一次算子操作都会将一个RDD转换成一个新的RDD，并且逻辑上会顺序的执行这一系列计算，但是这些RDD的操作并不是立即执行的，而是会等到出现行动算子时才触发整个RDD操作序列，将之前的所有算子操作形成一个有向无环图（Directed Acyclic Graph，DAG），每个有向无环图再触发执行一个作业（Job）。例如，WordCount程序中，只有程序执行到saveAsTextFile时，Spark才对RDD进行真正的处理，将之前的flatMap、map、reduceByKey和saveAsTextFile这些算子连成一个有向无环图，并向Spark提交该作业。
采用惰性计算的优势：
1.相关的操作序列可以进行连续计算，不用为存储的中间结果离散的独立分配内存空间；
2.节省存储空间，为之后对RDD变换操作的优惠提供了条件；
（2）第二步：生成Stage
Driver节点中的DAGSchedule实例会对有向无环图中节点间的依赖关系进行遍历，将所有操作切分为多个调度阶段（Stage）；
（3）第三步：生成Task
每个Stage需要转换成任务在集群中的Worker节点上执行，因此，由Driver节点中的TaskSchedule实例将Stage转换为Task，并提交到Worker节点的Executor进程中执行；