spark运行架构

运行架构：Spark采用master - slave结构，Driver作为master负责作业任务调度，Executor作为slave负责实际执行任务。

核心组件：

Driver：执行Spark任务的main方法，负责将用户程序转化为作业、调度任务、跟踪Executor执行情况并通过UI展示运行情况。

Executor：是Worker中的JVM进程，负责运行任务并返回结果，还为RDD提供内存式存储。

Master & Worker：在独立部署环境中，Master负责资源调度和集群监控，Worker负责在Master分配资源后进行数据处理计算。

ApplicationMaster：在YARN环境中，负责申请资源、运行任务、监控任务执行和处理异常情况，解耦合ResourceManager和Driver。

核心概念

Executor与Core：Executor是计算节点，提交应用时可指定其数量、内存大小和使用的虚拟CPU核数量。

并行度：指整个集群并行执行任务的数量，取决于框架默认配置，也可在运行时动态修改。

有向无环图（DAG）：是Spark程序映射成的数据流抽象模型，用于直观展示程序执行过程和拓扑结构。

提交流程：以Yarn环境为例，Spark应用有Client和Cluster两种部署执行模式。

Yarn Client模式：Driver在本地机器运行，与ResourceManager通讯申请启动ApplicationMaster，后续流程包括启动Executor、反向注册、执行main函数等，执行Action算子时触发Job并分发任务。

Yarn Cluster模式：Driver在Yarn集群资源中启动，同样与ResourceManager通讯申请资源，启动Executor等，后续任务执行流程与Client模式类似。

Spark Core中的RDD

1. RDD概述：RDD是Spark最基本 的数据处理模型，是一个抽象类，代表弹性、不可变、可分区且元素可并行计算的集合。具有存储、容错、计算、分片弹性，数据分布式存储，封装计算逻辑但不保存数据。

2. 核心属性：包含分区列表、分区计算函数、RDD间依赖关系、分区器（K-V数据时可选）、首选位置（可选），这些属性在分布式计算中发挥关键作用。

3. 执行原理：在Yarn环境中，先启动集群，Spark申请资源创建调度和计算节点，将计算逻辑按分区划分为任务，调度节点根据计算节点状态发送任务执行，RDD负责封装逻辑并生成任务。

4. 序列化：包括闭包检查，确保算子外数据可序列化；支持Kryo序列化框架，比Java序列化快10倍，但仍需继承Serializable接口。

5. 依赖关系：RDD通过血缘关系记录元数据和转换行为，用于恢复丢失分区。依赖关系分为窄依赖（父分区最多被子分区的一个使用）和宽依赖（父分区被多个子分区依赖，会引发Shuffle）。基于依赖关系划分阶段和任务，一个Action算子生成一个Job，Stage数量为宽依赖个数加1，一个Stage中最后RDD的分区个数就是Task个数。

6. 持久化：RDD可通过Cache或Persist方法缓存计算结果，默认存于JVM堆内存，触发action算子时缓存，容错机制保证缓存丢失时计算正确。CheckPoint将RDD中间结果写入磁盘，切断血缘依赖，提升容错性，执行Action操作才会触发。Cache可靠性低，CheckPoint数据存储于HDFS等可靠性高的文件系统，建议对Checkpoint的RDD使用Cache缓存。

7. 分区器：Spark支持Hash分区（默认）、Range分区和自定义分区，仅Key - Value类型RDD有分区器。Hash分区根据key的hashCode取余决定分区，Range分区使数据在分区内均匀且有序。

8. 文件读取与保存：可从文件格式（text、csv、sequence、object文件）和文件系统（本地、HDFS、HBASE、数据库）两个维度区分。不同文件格式有各自的读取和保存方法，如textFile和saveAsTextFile用于text文件操作。

词频统计：