1、partition數(shù)目
spark的輸入可能以多個文件的形式存儲在HDFS上，每個File都包含了很多塊，稱為Block。
當(dāng)Spark讀取這些文件作為輸入時，會根據(jù)具體數(shù)據(jù)格式對應(yīng)的InputFormat進(jìn)行解析，一般是將若干個Block合并成一個輸入分片，稱為InputSplit，注意InputSplit不能跨越文件。
隨后將為這些輸入分片生成具體的Task。InputSplit與Task是一一對應(yīng)的關(guān)系。
隨后這些具體的Task每個都會被分配到集群上的某個節(jié)點的某個Executor去執(zhí)行。
每個節(jié)點可以起一個或多個Executor。
每個Executor由若干core組成，每個Executor的每個core一次只能執(zhí)行一個Task。
每個Task執(zhí)行的結(jié)果就是生成了目標(biāo)RDD的一個partiton。
注意: 這里的core是虛擬的core而不是機器的物理CPU核，可以理解為就是Executor的一個工作線程。
而 Task被執(zhí)行的并發(fā)度 = Executor數(shù)目 * 每個Executor核數(shù)。
至于partition的數(shù)目：
對于數(shù)據(jù)讀入階段，例如sc.textFile，輸入文件被劃分為多少InputSplit就會需要多少初始Task。
在Map階段partition數(shù)目保持不變。
在Reduce階段，RDD的聚合會觸發(fā)shuffle操作，聚合后的RDD的partition數(shù)目跟具體操作有關(guān)，例如repartition操作會聚合成指定分區(qū)數(shù)，還有一些算子是可配置的。
2、spark部署模式的對比
這篇博客中對三種部署模式做了對比，請參考部署模式對比：總結(jié)如下：
mesos似乎是Spark更好的選擇，也是被官方推薦的
但如果你同時運行hadoop和Spark,從兼容性上考慮，Yarn似乎是更好的選擇，畢竟是親生的。Spark on Yarn運行的也不錯。
如果你不僅運行了hadoop，spark。還在資源管理上運行了docker，Mesos似乎更加通用。
standalone小規(guī)模計算集群，似乎更適合!
對于yarn模式下的client和cluster對比，請參考client和cluster的對比：
理解YARN-Client和YARN-Cluster深層次的區(qū)別之前先清楚一個概念：Application Master。在YARN中，每個Application實例都有一個ApplicationMaster進(jìn)程，它是Application啟動的第一個容器。它負(fù)責(zé)和ResourceManager打交道并請求資源，獲取資源之后告訴NodeManager為其啟動Container。從深層次的含義講YARN-Cluster和YARN-Client模式的區(qū)別其實就是ApplicationMaster進(jìn)程的區(qū)別
YARN-Cluster模式下，Driver運行在AM(Application Master)中，它負(fù)責(zé)向YARN申請資源，并監(jiān)督作業(yè)的運行狀況。當(dāng)用戶提交了作業(yè)之后，就可以關(guān)掉Client，作業(yè)會繼續(xù)在YARN上運行，因而YARN-Cluster模式不適合運行交互類型的作業(yè)
YARN-Client模式下，Application Master僅僅向YARN請求Executor，Client會和請求的Container通信來調(diào)度他們工作，也就是說Client不能離開
（1）YarnCluster的Driver是在集群的某一臺NM上，但是Yarn-Client就是在RM的機器上；
（2）而Driver會和Executors進(jìn)行通信，所以Yarn_cluster在提交App之后可以關(guān)閉Client，而Yarn-Client不可以；
（3）Yarn-Cluster適合生產(chǎn)環(huán)境，Yarn-Client適合交互和調(diào)試。
3、spark運行原理
spark應(yīng)用程序進(jìn)行各種transformation的計算，最后通過action觸發(fā)job。提交之后，構(gòu)建SparkContext，通過sparkContext根據(jù)RDD的依賴關(guān)系構(gòu)建DAG圖，DAG圖提交給DAGScheduler進(jìn)行解析，解析時是以shuffle為邊界，反向解析，構(gòu)建stage，stage之間也有依賴關(guān)系，這個過程就是對DAG圖進(jìn)行解析劃分stage，并且計算出各個stage之間的依賴關(guān)系。stage以stageSet方式提交給TaskScheduler，然后將一個個TaskSet提交給底層調(diào)度器，在spark中是提交給taskScheduler處理，生成TaskSet manager，最后提交給executor進(jìn)行計算，executor多線程計算，完成task任務(wù)后，將完成信息提交給schedulerBackend，由它將任務(wù)完成的信息提交給TaskScheduler。TaskScheduler反饋信息給TaskSetManager，刪除該task任務(wù)，執(zhí)行下一個任務(wù)。同時TaskScheduler將完成的結(jié)果插入到成功隊列里，加入之后返回加入成功的信息。TaskScheduler將任務(wù)處理成功的信息傳給TaskSet Manager。全部任務(wù)完成后TaskSet Manager將結(jié)果反饋給DAGScheduler。如果屬于resultTask，交給JobListener。如果不屬于resultTask，保存結(jié)果。全部運行完之后寫入數(shù)據(jù)。
很多人都知道我有大數(shù)據(jù)培訓(xùn)資料，都天真的以為我有全套的大數(shù)據(jù)開發(fā)、hadoop、spark等視頻學(xué)習(xí)資料。我想說你們是對的，我的確有大數(shù)據(jù)開發(fā)、hadoop、spark的全套視頻資料。
如果你對大數(shù)據(jù)開發(fā)感興趣可以加口群領(lǐng)取免費學(xué)習(xí)資料： 763835121
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機、免備案服務(wù)器”等云主機租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。
重慶分公司
重慶分公司
