对于在分布式系统上背景知识较少的人来说，学习Spark并非易事。 即使我已经使用Spark已有一段时间了，但我发现全面了解Spark中的所有核心概念仍然很耗时。 Spark的官方文档提供了非常详细的解释，但更多地侧重于实际编程方面。 同样，大量的在线教程可能会让您不知所措。 因此，在本文中，我想以更直观的方式记下那些Spark核心概念。 希望您也会发现它有用!
注意：也许您已经对Hadoop有一定的了解，所以我将跳过对琐碎事物(例如节点和集群)的解释。
Spark架构和部署模式
简而言之，Spark在主工作架构上运行，这是并行任务计算模型的典型类型。 运行Spark时，我们可以选择几种模式，即本地(主，执行器，驱动程序都在同一台JVM机器中)，独立，YARN和Mesos。 在这里，我们仅谈论YARN上的Spark以及YARN客户端和YARN群集之间的区别，因为两者都是最常用的，但非常令人困惑。
下两张图片说明了两种模式的设置。 它们看起来很相似，不是吗? 但是，通过查看橙色突出显示的部分，您可能会注意到细微的差别，这就是Spark驱动程序的位置。 这基本上是两种模式之间的唯一区别。
> Fig 1. Spark deployment mode YARN-client (left) and YARN-cluster (right)
假设您编写了一个名为spark_hello_world.py的Spark应用程序。 在客户端模式下，使用spark-submit执行python文件时，驱动程序直接在spark-submit进程内启动，因此它将与spark_hello_world.py驻留在同一台计算机上。 初始化Spark上下文时，本地计算机中的驱动程序将连接到群集中的应用程序主机。 从主机开始，Spark启动了更多执行器。
在群集模式下，spark_hello_world.py代码位于客户端计算机中，而客户端计算机不在群集中。 执行应用程序python代码时，它将在集群中的一个节点中启动驱动程序。 与Spark应用程序主文件一起，它可以启动执行程序并发布应用程序命令。
鉴于设置差别不大，您一定想知道为什么我们需要两种不同的模式。 在实践中，这与客户端计算机与工作计算机在物理上位于同一位置有关。 如果客户端计算机离工作节点"遥远"，例如 您在笔记本电脑上编写了spark_hello_world.py，但是工作程序是AWS EC2实例，那么使用群集模式是有意义的，以便最大程度地减少驱动程序和执行程序之间的网络延迟。 在另一种情况下，如果您的python文件位于与工作节点"非常近"的网关计算机中，则客户端模式可能是一个不错的选择。
执行者
现在，我们了解了Spark集群的设置，让我们放大到Spark中最重要的元素之一-执行器。 执行器是运行任务并将数据跨任务存储在内存或磁盘中的过程。
浏览Spark文档时，您可能会对与执行程序相关的可配置参数数量感到惊讶。 让我们从视觉上看一下它，而不是一次又一次地尝试弄清楚一个人的多个参数之间的关系。
> Fig 2. Spark executor internals
如图2所示，在每个执行器中都有一个执行器JVM，用于存储RDD分区，缓存的RDD分区，运行内部线程和任务。 如果内核数量超出任务要求，则JVM中还将有可用的内核。 这个执行器JVM的绿色块将成为我们研究执行器中的内存管理的起点。
执行程序内存管理
在执行程序容器中，主要分配了两个内存块：内存开销和执行程序内存。
内存开销是为虚拟机开销，内部字符串，其他本机开销等内容预留的堆外内存。通过将数据缓存在主要Java堆空间之外但仍在RAM中的方式，堆外内存可使高速缓存克服冗长的时间 使用大堆大小时，JVM垃圾收集会暂停。
执行器的内存包括以下三个部分。
- 预留内存
- 用户内存：用于在Spark中存储用户数据结构和内部元数据等内容。
- 存储和执行内存：用于存储所有RDD分区并为任务分配运行时内存。
图3显示了每个存储块的相关参数。 假设我们将spark.executor.memory设置为4 GB，那么Spark将向资源管理器请求总共4.4 GB的内存。 在4 GB的执行程序内存中，我们实际上获得了3.7 GB，因为其余部分已保留。 默认情况下，我们获得2.2 GB(0.6 * 3.7)作为执行+存储内存。 其中1.1 GB用于存储RDD等存储空间，其余空间用于执行内存。
> Fig 3. Spark executor memory decomposition
RDD，工作，阶段和任务
如果您已经开始使用Spark UI调试Spark应用程序，那么可能很熟悉诸如作业，阶段和任务之类的关键字。 那么它们与RDD有何关系?
我们知道在RDD上有两种操作，即转换(例如，过滤，并集，非重复，交集)，这些操作实际上是在没有实际执行的情况下从现有的RDD中生成一个新的RDD，以及要执行的操作(例如，采取，显示，收集，foreach) 触发执行。 转换RDD时，基于父RDD和转换后的RDD之间的关系，相关性可以窄或宽。 依赖关系较窄，在父RDD中，一个或多个分区将映射到新RDD中的一个分区。 尽管具有广泛的依赖性，例如在执行join或sortBy时，但我们需要对分区进行混洗以计算新的RDD。
> Fig 4–1. narrow dependency in RDD transformation
> Fig 4–2. Wide dependency in RDD transformation
因此，作业，阶段和任务由操作类型和转换类型确定。 在RDD上执行操作时，将创建一个作业。 在工作中，可能有多个阶段，具体取决于我们是否需要执行广泛的转换(即洗牌)。 在每个阶段中，可以将一个或多个转换映射到每个执行程序中的任务。
> Fig 5. Illustration of one Spark job
为了真正理解它，我们来看以下简单的代码片段。
- val RDD1 = sc.parallelize(Array('1', '2', '3', '4', '5')).map{ x => val xi = x.toInt; (xi, xi+1) }
- val RDD2 = sc.parallelize(Array('1', '2', '3', '4', '5')).map{ x => val xi = x.toInt; (xi, xi*10) }
- val joinedData = RDD2.join(RDD1)
- val filteredRDD = joinedData.filter{case (k, v) => k % 2 == 0}
- val resultRDD = filteredRDD.mapPartitions{ iter => iter.map{ case (k, (v1, v2) ) => (k, v1+v2) } }
- resultRDD.take(2)
此代码中包含一些操作，即map，join，filter，mapPartitions和take。 创建RDD时，Spark将分别为RDD1和RDD2生成两个阶段，如阶段0和1所示。由于map函数包含一个狭窄的依赖性，因此映射的RDD也将分别包含在阶段0和1中。 然后，我们将RDD1和RDD2连接起来，因为连接是包含混洗的广泛转换，因此Spark为该操作创建了另一个阶段。 之后，filter和mapPartition仍然是第2阶段的狭窄转换，通过调用take(这是一个动作)，我们触发了Spark的执行。
> Fig 6. DAG visualization
因此，这就是Spark的所有基本内容。 希望在阅读本文之后，这些概念对您来说更加清楚。 学习愉快!
