spark内核调度

DAG

Spark的核心是根据RDD来实现的，Spark Scheduler则为Spark核心实现的重要一环，其作用就是任务调度。Spark的任务调度就是如何组织任务去处理RDD中每个分区的数据，根据RDD的依赖关系构建DAG,基于DAG划分Stage,将每个Stage中的任务发到指定节点运行。基于Spark的任务调度原理，可以合理规划资源利用，做到尽可能用最少的资源高效地完成任务计算

• DAG:有向无环图（有方向但是没有形成闭环的一个执行流程图）
  有向：有方向
  无环：没有闭环

• Job和Action的关系
  

Action：返回值不是RDD的算子
Job:一个应用程序内的子任务
一个Action会产生一个Job，每一个Job有自己对应的DAG图
1个ACTION = 1个DAG = 1个JOB
层级关系：
一个Application中，可以有多个JOB,每一个JOB内含有一个DAG,同时每一个JOB都是由一个Action产生的。

• DAG和分区：有关系

DAG的宽窄依赖和阶段划分

在SparkRDD前后之间的关系，分为

• 窄依赖:父RDD的一个分区，全部将数据发给子RDD的一个分区

• 宽依赖：父RDD的一个分区，将数据发给子RDD的多个分区
  
• 阶段划分：对于Spark来说，会根据DAG按照宽依赖，划分不同的DAG阶段
  划分依据：从后向前，遇到宽依赖，就划分出一个阶段。称之stage
  
  如图，可以看到，在DAG中，基于宽依赖，将DAG划分成2个stage
  在stage内部一定是：窄依赖

内存迭代计算

基于带有内存的DAG,以及阶段划分。可以从图中可能出 逻辑上最优的task分配。一个task是一个线程来具体执行的。

task1中 rdd1、rdd2、rdd3的迭代计算，都是由一个task(线程完成)，这一阶段的这一条线，是纯内存计算

task1 task2 task3,就形成了三个并行的 内存计算管道

面试题

Spark是怎样做内存计算的？DAG的作用是什么？Stage阶段划分的作用？

1、Spark任务会产生DAG图
2、DAG图会基于分区和宽窄依赖关系划分阶段
3、一个阶段的内部是窄依赖，窄依赖内，如果形成前后1：1分区对应关系，就可以产生许多内存迭代计算的管道
4、这些内存迭代计算的管道，就是一个个具体的执行Task
5、一个Task就是一个具体的线程，任务跑在一个线程内，就是走内存计算了

Spark为什么比MapReduce快

spark并行度

spark的并行：在同一时间内，有多少个task在同时运行
并行度：并行能力的设置
有6个task并行的前提下，rdd的分区就被规划成6个分区了
先有并行度，才会有的分区

如何设置并行度：spark.default.parallelism

可以在代码中和配置文件中以及提交程序的客户端参数中设置
优先级从高到低：
1、代码中
2、客户端提交参数中
3、配置文件中
4、默认

全局并行度是推荐设置，不要针对RDD改分区，可能会影响内存迭代管道的构建，或者会产生额外的shuffle

集群中如何规划并行度

结论：设置为CPU总核数的2~10倍
CPU的一个核心同一时间只能干一件事情
所以，在100个核心的情况下，设置100个并行度，就能让CPU 100%出力
这种设置下，如果task的压力不均衡，某个task先执行完了，就会导致CPU核心空闲
所以，我们将Task并行分配的数量变多，比如800个并行，同一时间只有100个在运行，700个在等待
但是可以确保，某个task运行完了，后续有task补上，不让cpu闲下来，最大程度利用集群资源

规划并行度，只看集群CPU核数

spark的任务调度

spark的任务调度由Drive进行调度，这个工作包含：
1、逻辑DAG产生
2、分区DAG产生
3、Task划分
4、将Task分配给Executor并监控其工作

• Driver端被构建出来
• 构建SparkContext（执行环境入口对象）
• 基于DAG Scheduler（DAG调度器）构建逻辑Task分配
• 基于TaskScheduler(Task调度器)将逻辑Task分配到各个Executor上干活，并监控他们
• Worker（Executor)，被TaskScheduler管理监控，听从他们的指令干活，并定期汇报进度。

Driver内两个组件：
DAGScheduler(DAG调度器)：
工作内容：将逻辑的DAG图进行处理，最终得到逻辑上的Task划分
TaskScheduler(Task调度器)：
工作内容：基于DAG Scheduler的产生，来规划这些逻辑的task,应该在哪些物理的Excutor上运行，以及监控管理他们的运行

Spark运行中的概念名词大全

1、一个spark环境可以运行多个Application
2、一个代码运行起来，会成为一个Application
3、Application内部可以有多个Job
4、每个Job由一个Action产生，并且每个Job有自己的DAG执行图
5、一个Job的DAG图 会基于宽窄依赖划分成不同的阶段
6、不同阶段内基于分区数量，形成多个并行的内存迭代管道
7、没一个内存迭代管道形成一个Task(DAG调度器划分将Job内划分出具体task任务，一个Job被划分出来的task在逻辑上称之为这个Job的taskset)