1. 运行架构
Spark 框架的核心是一个计算引擎，整体来说，它采用了标准master-slave 的结构。
如下图所示，它展示了一个Spark 执行时的基本结构。图形中的Driver 表示master，负责管理整个集群中的作业任务调度。图形中的Executor 则是slave，负责实际执行任务。
2. 核心组件
由上图可以看出，对于Spark 框架有两个核心组件：
2.1 Driver
Spark 驱动器节点，用于执行Spark 任务中的main 方法，负责实际代码的执行工作。
Driver 在Spark 作业执行时主要负责：
- 将用户程序转化为作业（job）
- 在Executor 之间调度任务(task)
- 跟踪Executor 的执行情况
- 通过UI 展示查询运行情况
实际上，我们无法准确地描述Driver 的定义，因为在整个的编程过程中没有看到任何有关Driver 的字眼。所以简单理解，所谓的Driver 就是驱使整个应用运行起来的程序，也称之为Driver 类。
2.2 Executor
Spark Executor 是集群中工作节点（Worker）中的一个JVM 进程，负责在Spark 作业中运行具体任务（Task），任务彼此之间相互独立。Spark 应用启动时，Executor 节点被同时启动，并且始终伴随着整个Spark 应用的生命周期而存在。如果有Executor 节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他Executor 节点上继续运行。
Executor 有两个核心功能：
- 负责运行组成Spark 应用的任务，并将结果返回给驱动器进程
- 它们通过自身的块管理器（Block Manager）为用户程序中要求缓存的RDD 提供内存式存储。RDD 是直接缓存在Executor 进程内的，因此任务可以在运行时充分利用缓存数据加速运算。
2.3 Master & Worker
Spark 集群的独立部署环境中，不需要依赖其他的资源调度框架，自身就实现了资源调度的功能，所以环境中还有其他两个核心组件：Master 和Worker，这里的Master 是一个进程，主要负责资源的调度和分配，并进行集群的监控等职责，类似于Yarn 环境中的RM, 而Worker 呢，也是进程，一个Worker 运行在集群中的一台服务器上，由Master 分配资源对数据进行并行的处理和计算，类似于Yarn 环境中NM。 ##
2.4 ApplicationMaster
Hadoop 用户向YARN 集群提交应用程序时,提交程序中应该包含ApplicationMaster，用于向资源调度器申请执行任务的资源容器Container，运行用户自己的程序任务job，监控整个任务的执行，跟踪整个任务的状态，处理任务失败等异常情况。 说的简单点就是，ResourceManager（资源）和Driver（计算）之间的解耦合靠的就是ApplicationMaster。
3. 核心概念
3.1 Executor 与Core
Spark Executor 是集群中运行在工作节点（Worker）中的一个JVM 进程，是整个集群中的专门用于计算的节点。在提交应用中，可以提供参数指定计算节点的个数，以及对应的资源。这里的资源一般指的是工作节点Executor 的内存大小和使用的虚拟CPU 核（Core）数量。
应用程序相关启动参数如下：
| 名称 | 说明 |
|---|---|
| –num-executors | 配置 Executor 的数量 |
| –executor-memory | 配置每个 Executor 的内存大小 |
| –executor-cores | 配置每个 Executor 的虚拟 CPU core 数量 |
3.2 并行度（ Parallelism）
在分布式计算框架中一般都是多个任务同时执行，由于任务分布在不同的计算节点进行计算，所以能够真正地实现多任务并行执行，记住，这里是并行，而不是并发。这里我们将整个集群并行执行任务的数量称之为并行度。那么一个作业到底并行度是多少呢？这个取决于框架的默认配置。应用程序也可以在运行过程中动态修改
3.3 有向无环图（ DAG）
大数据计算引擎框架我们根据使用方式的不同一般会分为四类，其中第一类就是Hadoop 所承载的MapReduce,它将计算分为两个阶段，分别为Map 阶段和Reduce 阶段。对于上层应用来说，就不得不想方设法去拆分算法，甚至于不得不在上层应用实现多个Job 的串联，以完成一个完整的算法，例如迭代计算。由于这样的弊端，催生了支持DAG 框架的产生。因此，支持DAG 的框架被划分为第二代计算引擎。如Tez 以及更上层的Oozie。这里我们不去细究各种DAG 实现之间的区别，不过对于当时的Tez 和Oozie 来说，大多还是批处理的任务。接下来就是以Spark 为代表的第三代的计算引擎。第三代计算引擎的特点主要是Job 内部的DAG 支持（不跨越Job），以及实时计算。
这里所谓的有向无环图，并不是真正意义的图形，而是由Spark 程序直接映射成的数据流的高级抽象模型。简单理解就是将整个程序计算的执行过程用图形表示出来,这样更直观，更便于理解，可以用于表示程序的拓扑结构。
DAG（Directed Acyclic Graph）有向无环图是由点和线组成的拓扑图形，该图形具有方向，不会闭环。
4. 提交流程
所谓的提交流程，其实就是我们开发人员根据需求写的应用程序通过Spark 客户端提交给Spark 运行环境执行计算的流程。在不同的部署环境中，这个提交过程基本相同，但是又有细微的区别，我们这里不进行详细的比较，但是因为国内工作中，将Spark 引用部署到Yarn 环境中会更多一些，所以本课程中的提交流程是基于Yarn 环境的。
Spark 应用程序提交到Yarn 环境中执行的时候，一般会有两种部署执行的方式：Client 和Cluster。两种模式主要区别在于：Driver 程序的运行节点位置。
4.1 Yarn Client 模式
Client 模式将用于监控和调度的Driver 模块在客户端执行，而不是在Yarn 中，所以一般用于测试。
- Driver 在任务提交的本地机器上运行
- Driver 启动后会和ResourceManager 通讯申请启动ApplicationMaster
- ResourceManager 分配container，在合适的NodeManager 上启动ApplicationMaster，负责向ResourceManager 申请Executor 内存
- ResourceManager 接到ApplicationMaster 的资源申请后会分配container，然后ApplicationMaster 在资源分配指定的NodeManager 上启动Executor 进程
- Executor 进程启动后会向Driver 反向注册，Executor 全部注册完成后Driver 开始执行main 函数
- 之后执行到Action 算子时，触发一个Job，并根据宽依赖开始划分stage，每个stage 生成对应的TaskSet，之后将task 分发到各个Executor 上执行。
4.2 Yarn Cluster 模式
Cluster 模式将用于监控和调度的Driver 模块启动在Yarn 集群资源中执行。一般应用于实际生产环境。
- 在YARN Cluster 模式下，任务提交后会和ResourceManager 通讯申请启动ApplicationMaster，
- 随后ResourceManager 分配 container，在合适的 NodeManager 上启动 ApplicationMaster，此时的ApplicationMaster 就是Driver。
- Driver 启动后向ResourceManager 申请Executor 内存，ResourceManager 接到ApplicationMaster 的资源申请后会分配container，然后在合适的NodeManager 上启动Executor 进程
- Executor 进程启动后会向Driver 反向注册，Executor 全部注册完成后Driver 开始执行main 函数，
- 之后执行到Action 算子时，触发一个Job，并根据宽依赖开始划分stage，每个stage 生成对应的TaskSet，之后将task 分发到各个Executor 上执行。