RDD在Spark中的运行流程

下面，通过一张图来学习一下RDD在Spark中运行流程，如图1所示。

​ 图1 RDD在Spark中的运行流程

在图1中，Spark的任务调度流程分为RDD Objects、DAGScheduler、TaskScheduler以及Worker四个部分。关于这四个部分的相关介绍具体如下：

• RDD Objects：当RDD对象创建后，SparkContext会根据RDD对象构建DAG有向无环图，然后将Task提交给DAGScheduler。
• DAGScheduler：将作业的DAG划分成不同的Stage，每个Stage都是TaskSet任务集合，并以TaskSet为单位提交给TaskScheduler。
• TaskScheduler：通过TaskSetManager管理Task，并通过集群中的资源管理器（Standalone模式下是Master，Yarn模式下是ResourceManager）把Task发给集群中Worker的Executor。若期间有某个Task失败，则TaskScheduler会重试；若TaskScheduler发现某个Task一直没有运行完成，则有可能在空闲的机器上启动同一个Task，哪个Task先完成就用哪个Task的结果。但是，无论Task是否成功，TaskScheduler都会向DAGScheduler汇报当前的状态，若某个Stage运行失败，则TaskScheduler会通知DAGScheduler重新提交Task。需要注意的是，一个TaskScheduler只能服务一个SparkContext对象。
• Worker：Spark集群中的Worker接收到Task后，把Task运行在Executor进程中，这个Task就相当于Executor中进程中的一个线程。一个进程中可以有多个线程在工作，从而可以处理多个数据分区（例如运行任务、读取或者存储数据）。