[[188372]]

隨著對spark的業務更深入，對spark的了解也越多，然而目前還處于知道的越多，不知道的更多階段，當然這也是成長最快的階段。這篇文章用作總結最近收集及理解的spark相關概念及其關系。

名詞

driver

driver物理層面是指輸入提交spark命令的啟動程序，邏輯層面是負責調度spark運行流程包括向master申請資源，拆解任務，代碼層面就是sparkcontext。

worker

worker指可以運行的物理節點。

executor

executor指執行spark任務的處理程序，對java而言就是擁有一個jvm的進程。一個worker節點可以運行多個executor，只要有足夠的資源。

job

job是指一次action，rdd(rdd在這里就不解釋了)操作分成兩大類型，一類是transform，一類是action，當涉及到action的時候，spark就會把上次action之后到本次action的所有rdd操作用一個job完成。

stage

stage是指一次shuffle，rdd在操作的時候分為寬依賴(shuffle dependency)和窄依賴(narraw dependency)，如下圖所示。而寬依賴就是指shuffle。

應某人要求再解釋一下什么是窄依賴，就是父rdd的每個分區都只作用在一個子rdd的分區中，原話是這么說的 each partition of the parent RDD is used by at most one partition of the child RDD。

task

task是spark的最小執行單位，一般而言執行一個partition的操作就是一個task，關于partition的概念，這里稍微解釋一下。

spark的默認分區數是2，并且最小分區也是2，改變分區數的方式有很多，大概有三個階段

1.啟動階段，通過 spark.default.parallelism 來初始化默認分區數

2.生成rdd階段，可通過參數配置

3.rdd操作階段，默認繼承父rdd的partition數，最終結果受shuffle操作和非shuffle操作的影響，不同操作的結果partition數不同

名詞關系

物理關系

官網給出的spark運行架構圖

邏輯關系

下圖是總結的邏輯關系圖，如果有不對之處，還望提醒。