Spark中的Driver、Executor、Stage、TaskSet、DAGScheduler等介绍

工作流程:

  1. Driver 创建 SparkSession 并将应用程序转化为执行计划,将作业划分为多个 Stage,并创建相应的 TaskSet。
  2. Driver 将 TaskSet 发送给 TaskScheduler 进行调度和执行。
  3. TaskScheduler 根据资源情况将任务分发给可用的 Executor 进程执行。
  4. Executor 加载数据并执行任务的操作,将计算结果保存在内存中。
  5. Executor 将任务的执行结果返回给 Driver。
  6. DAGScheduler 监控任务的执行状态和依赖关系,并根据需要调整任务的执行顺序和依赖关系。
  7. TaskScheduler 监控任务的执行状态和资源分配情况,负责任务的调度和重新执行。

在 Spark 中,有多个概念和组件相互协作,以实现分布式数据处理。下面是这些概念和组件的详细说明及它们之间的工作关系:

  1. Driver(驱动器):

    • Driver 是 Spark 应用程序的主要组件,负责整个应用程序的执行和协调。
    • 它包含了应用程序的主函数,并将用户程序转化为执行计划。
    • Driver 与集群管理器通信,请求资源,并监控应用程序的执行状态。
    • 它还与 Executor 进程进行通信,发送任务并接收任务执行结果。
  2. Executor(执行器):

    • Executor 是运行在集群的工作节点上的进程,负责执行任务和计算。
    • 它由集群管理器分配给应用程序,用于并行处理数据和执行操作。
    • Executor 加载数据到内存中,并根据分配的任务执行相应的操作。
    • 它将计算结果保存在内存中,并将结果返回给 Driver。
  3. Application(应用程序):

    • 应用程序是用户编写的 Spark 代码,用于数据处理和分析。
    • 应用程序由 Driver 执行,将用户定义的操作转化为执行计划。
    • 应用程序可以包含多个 Job,并且可以跨多个阶段进行分布式计算。
  4. Job(作业):

    • Job 是应用程序中的一个独立任务单元,由用户定义的操作组成。
    • Job 定义了数据的转换和操作,可以包含多个 Stage。
  5. Stage(阶段):

    • Stage 是 Job 的子任务单位,有两种类型:Shuffle Stage 和 Result Stage。
    • Shuffle Stage 包含需要进行数据洗牌的操作,如 groupByKey、reduceByKey 等。
    • Result Stage 包含没有数据洗牌的操作,如 map、filter 等。
    • Stage 通过依赖关系构成有向无环图(DAG),描述了数据的转换和操作流程。
  6. TaskSet(任务集合):

    • TaskSet 是一个 Stage 中所有任务的集合。
    • TaskSet 中的任务是并行执行的,每个任务对应一部分数据的处理。
    • TaskSet 由 Driver 创建,并发送给 TaskScheduler 进行调度和执行。
  7. Task(任务):

    • Task 是 Spark 中最小的执行单元,对应于一个数据分区的处理。
    • 一个 Stage 中的任务数等于分区数,每个任务负责处理一个数据分区。
    • 任务在 Executor 上执行,加载数据并执行用户定义的操作。
  8. DAGScheduler(有向无环图调度器):

    • DAGScheduler 负责将应用程序转化为有向无环图(DAG)的形式。
    • 它根据任务之间的依赖关系,将 Job 划分为多个 Stage,并确定它们的执行顺序。
    • DAGScheduler 将任务发送给 TaskScheduler 进行调度和执行。
  9. TaskScheduler(任务调度器):

    • TaskScheduler 是 Spark 中的任务调度器,负责将任务分发给 Executor 进程执行。
    • 它根据资源需求和可用资源,将任务分配给合适的 Executor 进程。
    • TaskScheduler 还负责监控任务的执行状态,处理任务失败和重试等情况。

关系:一个Driver可以产生多个Application;一个Application可以产生多个Job​​​​​​​;一个Job对应多个Stage;一个Stage对应一个TaskSet( TaskSet是Stage内部调度的基本单位**);一个Stage对应多个Task(一个TaskSet为一组Task集合);一个Task对应一个分区;**

每个Application都有自己独立的执行环境和资源分配,它们之间相互独立,互不干扰。每个Application都会有自己的SparkContext,用于与集群进行通信和资源管理。


如有错误,欢迎指出!!!

如有错误,欢迎指出!!!

如有错误,欢迎指出!!!

扩展文章推荐:

1500字带你读懂 Spark任务的角色分工! - 知乎

一篇文章搞清spark任务如何执行 - 掘金

Spark[二]------Spark的组件们[Application、Job、Stage、TaskSet、Task] - 掘金

相关推荐
PersistJiao20 分钟前
在 Spark RDD 中,sortBy 和 top 算子的各自适用场景
大数据·spark·top·sortby
2301_8112743132 分钟前
大数据基于Spring Boot的化妆品推荐系统的设计与实现
大数据·spring boot·后端
Yz987640 分钟前
hive的存储格式
大数据·数据库·数据仓库·hive·hadoop·数据库开发
青云交40 分钟前
大数据新视界 -- 大数据大厂之 Hive 数据导入:多源数据集成的策略与实战(上)(3/ 30)
大数据·数据清洗·电商数据·数据整合·hive 数据导入·多源数据·影视娱乐数据
lzhlizihang42 分钟前
python如何使用spark操作hive
hive·python·spark
武子康43 分钟前
大数据-230 离线数仓 - ODS层的构建 Hive处理 UDF 与 SerDe 处理 与 当前总结
java·大数据·数据仓库·hive·hadoop·sql·hdfs
武子康1 小时前
大数据-231 离线数仓 - DWS 层、ADS 层的创建 Hive 执行脚本
java·大数据·数据仓库·hive·hadoop·mysql
运维&陈同学1 小时前
【zookeeper01】消息队列与微服务之zookeeper工作原理
运维·分布式·微服务·zookeeper·云原生·架构·消息队列
时差9531 小时前
Flink Standalone集群模式安装部署
大数据·分布式·flink·部署
锵锵锵锵~蒋1 小时前
实时数据开发 | 怎么通俗理解Flink容错机制,提到的checkpoint、barrier、Savepoint、sink都是什么
大数据·数据仓库·flink·实时数据开发