一个Spark Application分为stage级别和task级别的调度，
task来源于stage，所有本文先从stage提交开始讲解task任务提交。
架构图：
Standalone模式提交运行流程图：
首先写一个WordCount代码（这个代码，为了观察多个suffle操作，我写了两个reducebykey 函数）
源代码：
直接执行代码，查看spark执行程序时，将代码划分stage生成的DAG流程图
可知： WordCount 在stage划分的时候，划分为三个stage
即在代码中如下标识：
讲TaskScheduler ，先从DAGScheduler中提交任务开始吧，其中在stage划分task的时候，涉及到一些优化算法。
org.apache.spark.scheduler.DAGScheduler#handleMapStageSubmitted
这个方法主要有三个部分：
1、创建finalStage
finalStage = getOrCreateShuffleMapStage(dependency, jobId)2、创建ActiveJob
val job = new ActiveJob(jobId, finalStage, callSite, listener, properties)3.提交stage
submitStage(finalStage)直接看第三步 submitStage
这个是提交stage方法。
里面是一个递归方法，举例：
在代码中， 划分为三个stage：
stage0 ---> stage1 ---> stage2
submitStage(stage: Stage) 这个方法先传入的是 finalStage（stage2）在方法里面循环递归， 分别寻找stage的父stage， 即 stage2 找到 stage1 ， stage1找到stage0
stage0 没有父stage 即走 提交方法：
submitMissingTasks(stage: Stage, jobId: Int)好，接下来，我们看submitMissingTasks
可以看到入参： ShuffleMapStage 0 和 jobId 0
找出当前stage的所有分区中，还没计算完分区的stage
ShuffleMapStage
stage.findMissingPartitions获取需要计算的分区，不同的stage有不同的实现：
ResultStage
计算 分区的最佳位置 ： taskIdToLocations
计算最佳位置的核心方法： getPreferredLocsInternal (递归方法)
这个开始传入的RDD：3，
rdd：3找不到最佳位置， 找到rdd：3的父级rdd：2，
rdd2，找不到最佳位置，找到rdd2的父级rdd1
rdd1有最佳位置，直接返回： 具体的机器地址：
广播信息：
为每一个MapStage的分区 创建一个 ShuffleMapTask 或者 ResultTask
将ShuffleMapTask 或者 ResultTask 封装成taskSet，提交Task
在这里执行的是
taskScheduler.submitTasks(new TaskSet(
tasks.toArray, stage.id, stage.latestInfo.attemptNumber, jobId, properties))接着调用执行的是：
org.apache.spark.scheduler.TaskSchedulerImpl#submitTasks
未完，请看下一篇文章：
Spark2.3.2源码解析： 10. 调度系统 Task任务提交 （二） TaskScheduler
https://blog.csdn.net/zhanglong_4444/article/details/85249376