RDD在Spark中是怎樣運行的？

下面，通過一張圖來學習一下RDD在Spark中運行流程，如圖1所示。

圖1 RDD在Spark中的運行流程

在圖1中，，Spark的任務調度流程分為RDD Objects、DAGScheduler、TaskScheduler以及Worker四個部分。關于這四個部分的相關介紹具體如下：

(1)RDD Objects：當RDD對象創(chuàng)建后，SparkContext會根據(jù)RDD對象構建DAG有向無環(huán)圖，然后將Task提交給DAGScheduler。

(2)DAGScheduler：將作業(yè)的DAG劃分成不同的Stage，每個Stage都是TaskSet任務集合，并以TaskSet為單位提交給TaskScheduler。

(3)TaskScheduler：通過TaskSetManager管理Task，并通過集群中的資源管理器（Standalone模式下是Master，Yarn模式下是ResourceManager）把Task發(fā)給集群中Worker的Executor。若期間有某個Task失敗，則TaskScheduler會重試；若TaskScheduler發(fā)現(xiàn)某個Task一直沒有運行完成，則有可能在空閑的機器上啟動同一個Task，哪個Task先完成就用哪個Task的結果。但是，無論Task是否成功，TaskScheduler都會向DAGScheduler匯報當前的狀態(tài)，若某個Stage運行失敗，則TaskScheduler會通知DAGScheduler重新提交Task。需要注意的是，一個TaskScheduler只能服務一個SparkContext對象。Worker：Spark集群中的Worker接收到Task后，把Task運行在Executor進程中，這個Task就相當于Executor中進程中的一個線程。一個進程中可以有多個線程在工作，從而可以處理多個數(shù)據(jù)分區(qū)（例如運行任務、讀取或者存儲數(shù)據(jù)）。



   



猜你喜歡：

RDD數(shù)據(jù)丟失后如何恢復？RDD容錯機制介紹

RDD如何分區(qū)，各種模式下的分區(qū)數(shù)目是怎樣的？

Spark RDD是什么？RDD特征介紹

黑馬程序員Python+大數(shù)據(jù)開發(fā)課程