Spark的集群调度其实蛮简单的，这里总结了一些集群资源调度的基本原理。
spark集群是怎么管理集群的计算资源和内存资源的呢？其实在这背后有一个资源注册的机制。简单来说，就是Worker节点讲自己的资源报告给master。
首先，在Worker节点启动的时候，Worker进程对应的worker类会实现一个WorkerArguments类从配置文件中读取Worker进程相关的配置信息，或者使用默认值，包括分配给Worker的核心数和内存容量。如果没有在配置文件配置这些资源，那么则采取默认的值，可有inferDefaultCores方法和inferDefaultMemory方法得到。如果配置文件中配置了，那么则采用SPARK_WORKER_CORES和SPARK_WORKER_MEMORY设置的值。如果再启动Worker的时候，显式地指定了参数–core(–c)或者–memory(–m)，则采用显式制定的值。
然后，Worker需要向Master进程注册，汇报Worker拥有的计算资源和内存容量。在实现的时候，调用Worker类中的tryRegisterAllMaster方法，通过Akka通信机制向Master节点发送注册消息RegisterWorker。包括Worker的节点编号，主机地址，端口，用户分配的内存以及核心数等信息。
最后，Master节点将Worker发送来的信息进行记录，存储在WorkerInfo对象中。
以上就是Worker资源注册的过程。
资源申请和分配
在集群环境下，Driver程序通过实例化CoarseGrainedSchedulerBackend类实现Driver程序与集群之间的通信。不同的集群模式实例化不同的CoarseGrainedSchedulerBackend子类。对于Standalone来说，使用的是SparkDeploySchedulerBackend类，该类在启动的时候会实例化一个APPClient类，APPClient会想Master节点发送应用注册请求，注册请求含有应用需要的资源情况。
Master节点在接收到应用程序的注册请求之后，会把应用放在等待队列中，并调用Master.scheduler方法，这个方法对应的是Master进程的驱动程序/应用程序调度逻辑：首先对Driver进程调度，在YARN集群模式下，Driver程序可以运行在worker节点上，因此Master节点需要专门分配相应的集群资源来运行Driver进程，采用的方法就是随机把Driver分配到空闲的Worker上。
具体的应用程序的调度，多个应用程序之间采用FIFO调度方法，按照应用程序注册的先后顺序分配资源。对于单个应用程序之间，则有SpreadOut和非SpreadOut两种调度策略。在分配资源之前，Master需要查询当前集群的内存资源是否满足运行应用程序最低的需求，并且之前为这个应用程序分配过Executor的Worker不能参与资源调度，一个应用程序在一个Worker上只能有一个Executor。
SpreadOut策略，Master采用轮询的方式，让每个可用的Worker为应用程序分配一个核心，知道分配的核心满足应用程序的需求。
非SpreadOut策略，会一次性把一个Worker上所有可分配的核心全部分配给应用程序。
被分配任务的Worker会调用addExecutor函数来添加相应的Executor，并调用launchExecutor方法启动Executor，改方法会记录Worker被消耗的资源，并向对应的Worker发送消息，通知其启动Executor。Worker接收到消息之后，会记录资源消耗量，并启动新的Executor进程。
上图是YARN集群模式下资源调度的流程图，根据这幅图，我们也可以了解资源调度的情况。
提交一个Spark应用程序，首先通过Client向ResourceManager请求启动一个Application，同时检查是否有足够的资源满足Application的需求，如果资源条件满足，则准备ApplicationMaster的启动上下文，交给ResourceManager，并循环监控Application状态。
当提交的资源队列中有资源时，ResourceManager会在某个NodeManager上启动ApplicationMaster进程，ApplicationMaster会单独启动Driver后台线程，当Driver启动后，ApplicationMaster会通过本地的RPC连接Driver，并开始向ResourceManager申请Container资源运行Executor进程（一个Executor对应与一个Container），当ResourceManager返回Container资源，则在对应的Container上启动Executor。
Driver线程主要是初始化SparkContext对象，准备运行所需的上下文，然后一方面保持与ApplicationMaster的RPC连接，通过ApplicationMaster申请资源，另一方面根据用户业务逻辑开始调度任务，将任务下发到已有的空闲Executor上。
当ResourceManager向ApplicationMaster返回Container资源时，ApplicationMaster就尝试在对应的Container上启动Executor进程，Executor进程起来后，会向Driver注册，注册成功后保持与Driver的心跳，同时等待Driver分发任务，当分发的任务执行完毕后，将任务状态上报给Driver。
原文:大专栏 学习之路——Spark(5)
Spark 集群资源调度