Spark系列文章：

大数据 - Spark系列《一》- 从Hadoop到Spark：大数据计算引擎的演进-CSDN博客

大数据 - Spark系列《二》- 关于Spark在Idea中的一些常用配置-CSDN博客

大数据 - Spark系列《三》- 加载各种数据源创建RDD-CSDN博客

大数据 - Spark系列《四》- Spark分布式运行原理-CSDN博客

大数据 - Spark系列《五》- Spark常用算子-CSDN博客

大数据 - Spark系列《六》- RDD详解-CSDN博客

大数据 - Spark系列《七》- 分区器详解-CSDN博客

大数据 - Spark系列《八》- 闭包引用-CSDN博客

大数据 - Spark系列《九》- 广播变量-CSDN博客

大数据 - Spark系列《十》- rdd缓存详解-CSDN博客

大数据 - Spark系列《十一》- Spark累加器详解-CSDN博客

大数据 - Spark系列《十二》- 名词术语理解-CSDN博客

目录

  13.1. 构造并初始化SparkContext  

   13.2 创建RDD构建DAG  

  13.3 触发行动算子  

   13.4 切分Stage，生成Task和TaskSet  

  13.5 提交stage-Stage的创建过程  

🥙finalStage（ResultStage）

🥙父stage（ShuffleMapStage）

  13.6 在Executor中执行Task  

🥙ResultTask

🥙ShuffleMapTask

13.7 job执行全流程关键步骤总结

---

 13.1. 构造并初始化SparkContext  

用户主类的 main 方法中首先初始化 SparkContext，这会创建 DagScheduler 和 TaskScheduler，并为与 Executor 通信创建后端。

13.2 创建RDD构建DAG  

• 原始的RDD通过一系列的转换形成有向无环图（DAG），根据RDD之间的依赖关系划分成不同的 Stage。

• 窄依赖的RDD操作在同一个Stage中进行计算，而宽依赖需要等待父Stage处理完成后才能开始计算。

   

13.3 触发行动算子  

• 用户代码中的行动算子触发了 Spark 作业的执行。

• SparkContext 的 runJob() 方法被调用，开始调度作业。

 13.4 切分Stage，生成Task和TaskSet  

• DAGScheduler根据作业的RDD依赖关系切分Stage，生成不同的Stage对象。

• 每个Stage对象中最关键的属性是最后一个RDD，将来生成的Task将使用此RDD的迭代器执行整个迭代器链。

 13.5 提交stage-Stage的创建过程  

  1. 首先，DAGScheduler会将上一步（划分stage）得到finalStage，拿去提交task

2. 提交逻辑会检查当前要提交的stage是否还有未提交的父stage，如果有，就得先提交父stage！  

🥙finalStage（ResultStage）

🥙父stage（ShuffleMapStage）

 

13.6 在Executor中执行Task  

Executor收到Task对象并反序列化后，会将Task包装成一个TaskRunner类以便放入线程池执行；

🥙ResultTask

🥙ShuffleMapTask

而线程执行时，调用的就是Task的runTask方法，而runTask方法中，拿到这个task的rdd的迭代器，然后将迭代器传入一个ShuffleWriter.write(records)！

而shuffleWriter.write方法中，就是开始“迭代”这个迭代器

13.7 job执行全流程关键步骤总结

• spark任务是通过行动算子触发执行的 ,在每个行动算子中都有sc.runjob方法 ;

foreach()行动算子-> sc.runJob() // 在SparkContext中执行作业-> dagScheduler.runJob() // DAG调度器执行作业
​
​
dagScheduler的runJob()—> submitJob()// 提交作业dagScheduler的submitJob()-> eventProcessLoop.post(JobSubmitted)   // 发送作业提交事件 DAGSchedulerEventProcessLoop收到消息->doOnReceive()  ​
DAGSchedulerEventProcessLoop的doOnReceive()-> dagScheduler.handleJobSubmitted DagScheduler的handleJobSubmitted方法->  finalStage = createResultStage(finalRDD, func, partitions, jobId, callSite)  // 根据finalRDD创建finalStage->  submitStage(finalStage)  // 递归提交，永远是先从前面的stage开始提交submitStage()->  submitMissingTasks(stage, jobId.get)​
submitMissingTasks方法-> 把stage的finalRDD信息序列化后广播给每个executor-> 根据要提交的stage的类型，以及需要计算的分区个数，生成相应类型相应个数的Task对象-> taskScheduler.submitTasks(new TaskSet(tasks.toArray,stage.id,job.id...))
​
​
TaskSchedulerImpl.submitTasks-> 将task对象序列化，发给executor-> task发给executor，也是有调度策略的：FIFOExecutor收到task对象，就反序列化
并将反序列化出来的task对象封装到一个TaskRunner对象中
然后把这个TaskRunner对象放入线程池执行
​
TaskRunner的run方法，就是调task对象的runTask方法
​
​
​
task对象的runTask方法就要看是哪种task了（shuffleMapTask,resultTask）
​
shuffleMapTask的runTask方法中，调ShuffleWriter.write(finalRDD.iterator)
​
​
ShuffleWriter.write(iterator)具体实现，要看是哪一种ShuffleWriter实现类while(iterator.hasNext)kv = iterator.next// 不同实现类的不同之处就在后续将kv放到哪里去缓存，以及缓存满了以后怎么溢出
​