电脑系统下载官方网站怎样推广公司的网站
1. 核心调度组件
-
DAGScheduler：负责将Job拆分为Stage，处理Stage间的依赖关系。
-
TaskScheduler：将Task分配到Executor，监控任务执行。
-
SchedulerBackend：与集群管理器（如YARN、K8s）通信，管理Executor资源。
2. 调度流程分步拆解
步骤1：用户提交代码
val rdd = sc.textFile("hdfs://data.txt").flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
rdd.collect() // 触发Job提交步骤2：生成DAG（有向无环图）
-
RDD血缘（Lineage）：记录RDD的转换过程（
textFile→flatMap→map→reduceByKey）。 -
宽依赖（Shuffle）：
reduceByKey导致Stage划分。
步骤3：划分Stage
-
Stage 0：
textFile→flatMap→map（窄依赖，合并为一个Stage）。 -
Stage 1：
reduceByKey（宽依赖，单独一个Stage）。
步骤4：提交Task
-
Stage 0生成多个
MapTask，Stage 1生成多个ReduceTask。 -
TaskScheduler根据数据本地性（Data Locality）分配Task到Executor。
步骤5：执行与监控
-
Executor执行Task，向Driver汇报状态。
-
失败Task自动重试（默认重试3次）。
3. 关键概念详解
| 概念 | 说明 | 示例 |
|---|---|---|
| Job | 由行动操作（如collect）触发的完整计算任务 | 一次collect()生成一个Job |
| Stage | 由一组无Shuffle依赖的Task组成（分为ResultStage和ShuffleMapStage） | reduceByKey前为一个Stage |
| Task | Stage中每个分区的计算单元（ShuffleMapTask或ResultTask） | 处理一个分区的数据 |
| Shuffle | 跨Stage数据重分布（如groupByKey、join） | reduceByKey触发Shuffle |
| 数据本地性 | 优先将Task调度到数据所在节点（PROCESS_LOCAL > NODE_LOCAL > ANY） | 读取HDFS块时优先分配到数据所在节点 |
4. 调度流程示意图
5. 性能优化点
-
减少Shuffle：
-
用
reduceByKey替代groupByKey（提前局部聚合）。 -
使用
Broadcast Join代替Shuffle Join。
-
-
调整并行度：
-
通过
spark.default.parallelism或repartition()控制分区数。
-
-
数据本地性：
-
确保输入数据与Executor在同一节点（如HDFS副本策略）。
-
-
资源分配：
-
合理设置Executor内存（
spark.executor.memory）和CPU核心数（spark.executor.cores）。
-
6. 容错机制
-
Stage重试：若某个Stage失败，重新提交该Stage的所有Task。
-
Task重试：单个Task失败后，TaskScheduler会重新调度（默认最多3次）。
-
血缘恢复：若Executor丢失数据，根据RDD血缘重新计算。
总结
Spark的调度机制通过DAG优化、本地性优先和容错设计，实现了高效的大数据处理。理解其原理后，可通过调整分区策略、优化Shuffle操作等手段显著提升性能。