Spark运行架构

基本概念

在具体讲解Spark运行架构之前，需要先了解几个重要的概念：

RDD

• RDD：是弹性分布式数据集（Resilient Distributed Dataset）的简称，是分布式内存的一个抽象概念，提供了一种高度受限的共享内存模型；

DAG

• DAG：是Directed Acyclic Graph（有向无环图）的简称，反映RDD之间的依赖关系；

Executor

• Executor：是运行在工作节点（Worker Node）上的一个进程，负责运行任务，并为应用程序存储数据；

应用

• 应用：用户编写的Spark应用程序；

任务

• 任务：运行在Executor上的工作单元；

作业

• 作业：一个作业包含多个RDD及作用于相应RDD上的各种操作；

阶段

• 阶段：是作业的基本调度单位，一个作业会分为多组任务，每组任务被称为“阶段”，或者也被称为“任务集”。