Spark概览
概述
Spark应用作为一组进程运行在集群上，这组进程由主进程启动（包含main函数的进程），主进程中含有一个SparkContext，来协调这组进程之间的调度关系。在集群上运行Spark应用的时候，SparkContext可以使用多个ClusterManager（Yarn、Mesos、Spark自带的Master）。ClusterManager用来维护集群中的资源（Executor）.SparkContext与ClusterManager建立连接之后，就会向ClusterManager申请集群中用于执行任务的空闲Executor。申请到Executor后，SparkContext把代码发给Executor（Spark应用的代码），然后把任务发给Executor让Executor执行*从上面的描述可以知道，ClusterManager负责的事情是资源的管理与分配，当有Spark应用程序要执行的时候，SparkContext负责把应用程序拆解为任务DAG，同时确定需要的资源，然后向ClusterManager申请资源，资源申请到后，哪个Executor上执行DAG中的哪个任务，还是SparkContext来负责的工作。ClusrerManager的职责就是维护集群内的计算资源*下图描述了Spark应用在执行时资源的申请关系以及任务的分配关系
更多
下面的几点补充信息可以帮助我们了解更多
1. 每个Spark应用有自己的Executor进程，每个Executor进程内，执行多个任务线程（任务是拆解Spark应用后分解出的DAG的所有节点）。这样做对不同任务之间的数据隔离很有效。同时这也说明，一个Spark集群在同一时刻，是可以支持多个Spark应用的，但是多个Spark应用互相之间不能直接通过Spark集群来共享数据，除非他们都使用了同一个外部存储。
2. ClusterManager其实并不知道Spark的存在，ClusterManager只负责分配资源。所以Spark可以和其他的应用共享ClusterManager（典型的就是YARN）
3. Driver Program必须在整个Spark应用的生命周期内都和Worker节点通信，以便控制整个Spark应用的执行过程。所以，这个节点必须可以和所有Worker进行网络通信。
4. Driver Program所在的机器和Worker节点，最好在一个内网里。如果需要远程启动Driver Program则最好开启RPC
ClusterManager类型
目前Spark支持3中ClusterManager1. Stand a lone2. Yarn 3. Mesos#监控每一个Driver Program都有一个自己的WEB UI，用来查看当前应用中的所有任务执行情况，Executor的状态，本地存储的使用情况等信息。默认端口是4040，http://:4040。更多监控信息，可以查看这里
任务调度
todo
词汇表
Application ： Spark应用
Application jar：Spark应用Jar包,包含Sprak应用的jar包，有些时候我们提交的jar中除了自己的代码，还要有一些依赖的jar（注意不要把依赖的hadoop和spark的jar打包进来，因为集群中已经有了），在运行时这个jar中的所有类都会别加载到Driver Program的主程序中|
Driver program：运行main函数的主应用程序，它内部创建了SparkContext|
Cluster manager：外部的集群资源管理器，比如 stand a lone manager， yarn， mesos|
Deploy mode：部署模式这个模式表示Dirver Program的运行位置。在 cluster 模式下，Driver Program在集群内的机器上运行。在 client 模式下，Driver Program在提交任务的那台集群上运行
Worker Node：集群中的一台机器（slaver）就是一个WorkerNode
Executor：为一个Spark应用在Worker Node上启动的一个进程，它执行任务，在自己的内存里保存数据，也可以把数据保存到磁盘以便让当前应用内的其他Executor使用。每个应用有它自己的Executor（由Cluster Manager分配的）
Task：任务 Spark应用被拆解的最小执行单元，会被SparkContext发送到一个Executor上去执行
Job：一个包含多个任务（task）的可以并行执行的计算过程,一般情况下由一个Spark Action来生成，比如 save或者collect
Stage：一个Spark应用被分为了多个阶段。每个阶段是一个Stage，Stage之间是有依赖关系的
