Spark是基于内存计算的大数据并行计算框架。因为其基于内存计算，较Hadoop中MapReduce计算框架具有更高的实时性，同时保证了高效容错性和可伸缩性。从2009年诞生于AMPLab到现在已经成为Apache顶级开源项目，并成功应用于商业集群中。学习Spark就需要了解其架构及运行机制。

Spark架构

Spark架构使用了分布式计算中master-slave模型，master是集群中含有master进程的节点，slave是集群中含有worker进程的节点。

master作为整个集群的控制器，负责整个集群的正常运行。

worker相当于计算节点，接受主节点命令与状态汇报。

executor负责任务的执行。

client作为用户的客户端负责提交应用。

driver负责控制一个应用的执行。

下图为Spark架构图

Spark集群部署后，需要在主节点和从节点分别启动master进程和worker进程来控制集群。在一个应用执行中，driver是应用逻辑执行的起点，负责作业的调度，即Task任务的分发，而多个worker用来管理计算节点和创建executor并行处理任务。在执行阶段，driver会将task和其依赖的文件传递给worker机器，同时executor对相应数据分区的任务进行处理。

SparkContext： 整个应用的上下文，控制应用的生命周期。

RDD： Spark的基本计算单元，一组RDD可执行的有向无环图RDD Graph。

DAGScheduler： 根据作业构建基于Stage的DAG，并提交给Stage的TaskScheduler。

TaskScheduler： 将任务分给executor执行。

SparkEnv： 线程级别的上下文，存储运行时的重要组件的引用。

Spark的运行流程： Client提交应用，master找到一个worker启动driver，driver向master请求资源，之后将应用转化为RDD Graph，再由DAGScheduler将RDD Graph转换为stage的DAG提交给TaskScheduler，由TaskScheduler提交任务给executor。