120、Spark核心编程进阶之Spark的核心术语

术语讲解.png

 

基于上面这张图，来看下Spark的核心术语

1. Application
   spark应用程序，说白了，就是用户基于spark api开发的程序，一定是通过一个有main方法的类执行的，比如java开发spark，就是在eclipse中，建立的一个工程
2. Application Jar
   这个就是把写好的spark工程，打包成一个jar包，其中包括了所有的第三方jar依赖包，比如java中，就用maven+assembly插件打包最方便
3. Driver Program
   说白了，就是运行程序中main方法的进程，这就是driver，也叫driver进程
4. Cluster Manager
   集群管理器，就是为每个spark application，在集群中调度和分配资源的组件，比如Spark Standalone、YARN、Mesos等
5. Deploy Mode
   部署模式，无论是基于哪种集群管理器，spark作业部署或者运行模式，都分为两种，client和cluster，client模式下driver运行在提交spark作业的机器上；cluster模式下，运行在spark集群中
6. Worker Node
   集群中的工作节点，能够运行executor进程，运行作业代码的节点
   standalone模式下，基于spark的Master进程和Worker进程组成的集群，Worker进程所在节点，也就是Worker节点
   yarn模式下，yarn的nodemanager进程所在的节点，也就叫做worker node，工作节点
7. Executor
   集群管理器为application分配的进程，运行在worker节点上，负责执行作业的任务，并将数据保存在内存或磁盘中，每个application都有自己的executor
8. Job
   每个spark application，根据你执行了多少次action操作，就会有多少个job
9. Stage
   每个job都会划分为多个stage（阶段），每个stage都会有对应的一批task，分配到executor上去执行
   分解的标准，你在job的代码中，执行了几次shuffle操作（reduceByKey、groupByKey、countByKey），执行一次shuffle操作，job中就会有两个stage，如果一次shuffle都没执行，那就只有一个stage
10. Task
    driver发送到executor上执行的计算单元，每个task负责在一个阶段（stage），处理一小片数据，计算出对应的结果
    任务，最小的计算单元，每个stage会对应一批task，具体的数量，是可以spark自动计算，根据底层的文件（hdfs、hive、本地文件）大小来划分，默认一个hdfs block对应一个task；也可以自己手动通过spark.default.parallelism参数来设置；每个task就处理一小片数据