Spark笔记(2)-Spark计算引擎剖析

上文简单对Spark进行了简单介绍，本文旨在进一步对Spark计算引擎进行剖析。

val textFile = sc.textFile(args(1))val result textFile.flatMap(line => line.split("\\s+")).map(word => (word,1)).reduceByKey(_+_)result.saveAsTextFile(args(2))

这是用Scala写的Wordcount的例子(CSDN不能选择插入Scala代码块，所以排版有点问题)，步骤比较简单：从HDFS中取数据并转成RDD->flatMap->map->reduceByKey->把数据保存并写回HDFS，显然，和Map-reduce相比，代码量少了很多。

下面来看一下Spark的底层原理：

驱动器(Driver)：负责核心协调，调度各个分布式工作节点。

1.把用户程序转化为任务。
2.为执行器节点调度任务。

执行器(Executor)：负责在Spark作业中运行任务，各个任务相互独立。
1.负责运行组成Spark应用的任务，并将结果返回给驱动器程序。
2.通过自身的块管理器(Block Manager)为用户程序中要求缓存的RDD提供内存式存储，由于RDD是直接缓存在执行器进程里的，所以可以在运行时充分利用缓存数据提高运算速度。

集群管理器(cluster manager)：Spark依赖集群管理器来启动executor节点。
Spark有自带的独立集群管理器，也可以运行在其他外部集群管理器上，如YARN和Mesos等。


下面来简单梳理一下Spark引擎内部执行流程：
1. 生成逻辑查询计划(Logical)：通过RDD，创建DAG。

2. 生成物理查询计划(Physical)：通过DAG生成物理查询计划，将图分解成一系列stage，每个stage由多个task构成，将task提交到集群中。

3. 任务调度(Schedule)：调度并执行Task，通过cluster manager提交作业，之后重新提交失败的task或者拖后腿的task。

4. 任务执行(Execution)：分布式执行Task，存储block，提供block读写服务。Task被序列化后，发送到executor上执行。