14、Spark的核心术语

Application：spark应用程序，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

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

Driver Program：就是运行程序中main方法的进程，这就是driver，也叫driver进程

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

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

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

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

Job：每个spark application，根据你执行了多少次action操作，就会有多少个job

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

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

 

deploy mode，分为两种

1、client模式：主要用于测试

2、cluster模式：主要用于生产环境

无论是standalone、yarn，都是分为这两种模式：

1、standalone client、standalone cluster

2、yarn client、yarn cluster

 

client模式，区别就在于driver启动的位置，你在哪台机器上提交spark application，在那台机器上，就会启动driver进程，直接会去启动一个jvm进程，开始执行你的main类

cluster模式，spark application或者叫做spark作业，提交到cluster manager，cluster manager负责在集群中某个节点上，启动driver进程

 

cluster mode：集群模式，常用的有两种，standalone和yarn：

1、standalone模式，由Master进程和Worker进程，组成的集群

2、yarn模式，由ResourceManager进程和NodeManager进程，组成的集群

 

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，就是worker节点

 

 

job，作业，一个spark application / spark作业，可能会被分解为一个或者多个job，分解的标准，就是说你的spark代码中，用了几次action操作，就会有几个job

 

stage，阶段，每个job可能会被分解为一个或者多个stage，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

 

task，任务，最小的计算单元，每个stage会对应一批task，具体的数量，是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