Spark checkpoint 过程 spark运行过程

Spark运行时的基本工作流程如下：

• （1）任何spark应用程序都包含driver代码和executor代码。spark应用程序首先在driver初始化SparkContext。因为SparkContext是spark应用程序通往集群的唯一路径，在SparkContext中包含了DAGScheduler和TaskScheduler两个调度器类。在创建SparkContext对象的同时也自动创建了这两个类。
• （2）SparkContext初始化完成以后，首先根据Spark的相关配置，向Cluster Manager申请所需资源，然后在各个Worker节点初始化相应的Executor。Executor初始化完成以后，Driver将通过对Spark应用程序中的RDD进行解析，生成相应的RDD graph，该图描述了RDD之间的依赖关系。
• （3）RDD图构建完毕以后，Driver将提交给DAGScheduler进行解析。DAGScheduler在解析RDD图的过程中，当遇到Action算子的时候将进行逆向解析，根据RDD之间的依赖关系以及是否存在Shuffle等，将Job解析成一系列具有先后依赖关系的Stage。
• （4）DAGScheduler将划分的一系列的Stage按照先后顺序依次提交给底层的调度器TaskScheduler去执行。
• （5）TaskScheduler接收到来自DAGScheduler的stage以后，将会在集群环境中构建一个TaskSetManager实例来管理Stage（TaskSet）的生命周期。
• （6）TaskSetManager将会将相关的计算代码、数据资源文件等发送到相应的Executor上，并在相应的Executor上启动线程池执行。TaskSetManager在执行的过程之中，使用了一些优化的算法，用于提高执行的效率，譬如根据数据本地性决定每个Task的最佳位置、推测执行碰到Straggle任务需要放到别的结点上重试、出现Shuffle输出数据丢失时要报告fetch failed错误等机制。
• （7）在Task的执行过程中，可能有部分应用程序涉及到I/O的输入输出，在每个Executor由相应的BlockManager进行管理，相关BlockManager的信息将会与Driver中的Block tracker进行交互和同步。
• （8）在Task Threads执行的过程中，如果存在运行错误、或其他影响的问题导致失败，TaskSetManager将会默认尝试3次，尝试均失败以后将上报TaskScheduler，TaskScheduler如果解决不了，再上报DAGScheduler，DAGScheduler将根据各个Worker节点 的运行情况重新提交到别的Executor中执行。
• （9）Task Threads执行完成以后，将把执行的结果反馈给TaskSetManager，TaskSetManager反馈给TaskScheduler，TaskScheduler反馈给DAGScheduler，DAGScheduler将根据是否还存在待执行的Stage，将继续循环迭代提交给TaskScheduler去执行。
• （10）待所有的Stage都执行完成以后，将会最终达到应用程序的目标，或者输出到文件、或者在屏幕上显示等，Driver的本次运行过程结束，等待用户的其他指令或者关闭。
• （11）在用户显式关闭SparkContext后，整个运行过程结束，相应的资源被释放或回收。
  从以上工作流可以看出，所有的Spark程序都离不开SparkContext和Executor两部分，每个Spark应用都有自己的Executor进程，此进程的生命周期和整个Application的生命周期相同，此进程内部维持着多个线程来并行地执行分配给他的Task。这种运行形式有利于不同的Application之间的资源调度隔离，但也意味着不同的Application之间难以做到相互通信和信息交换。同时需要注意由于Driver负责所有的任务调度，所以他应该尽可能地靠近worker结点。如果能在一个网络环境中那就更好了、