1、partition數目

spark的輸入可能以多個檔案的形式儲存在HDFS上，每個File都包含了很多塊，稱為Block。

當Spark讀取這些檔案作為輸入時，會根據具體資料格式對應的InputFormat進行解析，一般是將若干個Block合併成一個輸入分片，稱為InputSplit，注意InputSplit不能跨越檔案。 隨後將為這些輸入分片生成具體的Task。InputSplit與Task是一一對應的關係。 隨後這些具體的Task每個都會被分配到叢集上的某個節點的某個Executor去執行。 每個節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一次只能執行一個Task。 每個Task執行的結果就是生成了目標RDD的一個partiton。 注意: 這裡的core是虛擬的core而不是機器的物理CPU核，可以理解為就是Executor的一個工作執行緒。

而 Task被執行的併發度 = Executor數目 * 每個Executor核數。 大資料學習QQ群119599574

至於partition的數目：

對於資料讀入階段，例如sc.textFile，輸入檔案被劃分為多少InputSplit就會需要多少初始Task。 在Map階段partition數目保持不變。 在Reduce階段，RDD的聚合會觸發shuffle操作，聚合後的RDD的partition數目跟具體操作有關，例如repartition操作會聚合成指定分割槽數，還有一些運算元是可配置的。 2、spark部署模式的對比

這篇部落格中對三種部署模式做了對比，請參考部署模式對比：總結如下：

mesos似乎是Spark更好的選擇，也是被官方推薦的 但如果你同時執行hadoop和Spark,從相容性上考慮，Yarn似乎是更好的選擇，畢竟是親生的。Spark on Yarn執行的也不錯。 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小規模計算叢集，似乎更適合! 對於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深層次的區別之前先清楚一個概念：Application Master。在YARN中，每個Application例項都有一個ApplicationMaster程序，它是Application啟動的第一個容器。它負責和ResourceManager打交道並請求資源，獲取資源之後告訴NodeManager為其啟動Container。從深層次的含義講YARN-Cluster和YARN-Client模式的區別其實就是ApplicationMaster程序的區別 YARN-Cluster模式下，Driver執行在AM(Application Master)中，它負責向YARN申請資源，並監督作業的執行狀況。當用戶提交了作業之後，就可以關掉Client，作業會繼續在YARN上執行，因而YARN-Cluster模式不適合執行互動型別的作業 YARN-Client模式下，Application Master僅僅向YARN請求Executor，Client會和請求的Container通訊來排程他們工作，也就是說Client不能離開 （1）YarnCluster的Driver是在叢集的某一臺NM上，但是Yarn-Client就是在RM的機器上；  （2）而Driver會和Executors進行通訊，所以Yarn_cluster在提交App之後可以關閉Client，而Yarn-Client不可以；

（3）Yarn-Cluster適合生產環境，Yarn-Client適合互動和除錯。

3、spark執行原理

spark應用程式進行各種transformation的計算，最後通過action觸發job。提交之後，構建SparkContext，通過sparkContext根據RDD的依賴關係構建DAG圖，DAG圖提交給DAGScheduler進行解析，解析時是以shuffle為邊界，反向解析，構建stage，stage之間也有依賴關係，這個過程就是對DAG圖進行解析劃分stage，並且計算出各個stage之間的依賴關係。stage以stageSet方式提交給TaskScheduler，然後將一個個TaskSet提交給底層排程器，在spark中是提交給taskScheduler處理，生成TaskSet manager，最後提交給executor進行計算，executor多執行緒計算，完成task任務後，將完成資訊提交給schedulerBackend，由它將任務完成的資訊提交給TaskScheduler。TaskScheduler反饋資訊給TaskSetManager，刪除該task任務，執行下一個任務。同時TaskScheduler將完成的結果插入到成功佇列裡，加入之後返回加入成功的資訊。TaskScheduler將任務處理成功的資訊傳給TaskSet Manager。全部任務完成後TaskSet Manager將結果反饋給DAGScheduler。如果屬於resultTask，交給JobListener。如果不屬於resultTask，儲存結果。全部執行完之後寫入資料。 大資料學習QQ群119599574