spark运行结构图如下：
spark基本概念
应用程序(application)：用户编写的spark应用程序，包含驱动程序（Driver）和分布在集群中多个节点上运行的Executor代码，在执行过程中由一个或者多个作业组成。
驱动程序(dirver)：spark中Driver即运行上述Application的main函数并且创建sparkContext，其中sparkcontext的目的是为了准备spark应用程序的运行环境。在 spark中由sparkcontext负责与cluster manager通信，进行资源的申请,任务的分配和监控等，当executor部分运行完毕后，driver负责将sparkcontext关闭。通常sparkcontext代表dirver。
集群管理器（cluster manager）：指在集群中获取资源的外部服务器。目前有一下几种①standalone:spark原生的资源管理，由master负责资源管理。②hadoop yarn:由yarn中的ResourceManager负责资源管理。③mesos:由mesos中的mesos master负责资源的管理。
工作节点（worker）:集群中运行application代码的节点，类似于yarn中的nodemanager节点，standalone模式中就是通过slave文件配置的worker节点，spark on yarn模式中指的是nodemanager节点
master(总控程序)：spark standalone运行模式下的主节点，负责管理和分配集群资源来管理spark application
executor(执行程序)： application运行在worker节点上的一个进程，改进程负责运行task,并负责将数据存在内存或者磁盘上，每个application都有各自独立的一批executor。在spark on yarn模式下，进程名为CoarseGrainedExecutorBackend进程。一个CoarseGrainedExecutorBackend有且只有一个executor对象，他负责将Task包装成taskRunner,并从线程池中抽取出一个空闲线程运行Task。每个CoarseGrainedExecutorBackend能并行运行的Task数据取决于分配给它的CPU个数。
消息通信原理：暂未研究
作业执行原理
spark的作业和任务调度系统是其核心，它能够有效地进行调度的根本原因是对任务划分DAG和容错，使得它对底层到顶层各个模块之间的调用和处理显得游刃有余。
相关术语如下：
作业（job）:RDD中由行动操作所生成的一个或者多个调度阶段
调度阶段（Stage）:每个作业会因为RDD之间的依赖关系拆分成多组任务的组合，称为调度阶段，也叫作任务集（taskset）。调度阶段的划分是由DAGScheduler来划分的，调度阶段有shuffle map stage和result stage两种。
任务（task）：分发到excutor上工作的任务，是spark实际执行应用的最小单元。
DAGScheduler:DAGScheduler是面向调度阶段的任务调度器，负责接收spark提交的作业，根据RDD的依赖关系划分调度阶段，并提交调度阶段给TaskScheduler。
TaskScheduler:TaskScheduler是面向任务的调度器，它接收DAGScheduler提交的调度阶段，然后把任务分发给Worker节点运行，由Woker节点的Executor来运行任务。
spark的作业调度主要指基于RDD的一系列操作构成的一个作业，然后在Executor中执行。这些操作算子分为转换操作和行动操作，对于转换操作的计算是lazy级别的，也就是延迟执行，只有出现了行动操作才会触发作业的提交。在spark调度中最重要的是DAGScheduler和TaskScheduler两个调度器，其中DAGScheduler负责任务的逻辑调度，将作业拆分成不同阶段的具有依赖关系的任务集。而TaskScheduler则负责具体任务的调度执行。
spark的作业和任务调度系统如下图所示：
via:通过.经过；launch:开展，发射，着手进行，投掷，发动
上图分析如下：
（1）.spark引用程序进行各种转换，通过行动操作触发作业运行。提交之后根据RDD之间的依赖关系构建DAG图，DAG图交给DAGScheduler进行解析。
（2）.DAGScheduler是面向调度阶段的高层次调度器，DAGScheduler把DAG拆分成相互依赖的调度阶段，拆分调度阶段以RDD的依赖是否为宽依赖，当遇到宽依赖就划分为新的调度阶段。每个调度阶段包含一个或者多个任务，这些任务形成任务集提交给底层调度器TaskScheduler进行调度运行。另外，DAGScheduler记录哪些RDD被存入磁盘等物化动作，同时要需求任务的最优化调度，例如数据本地性等；DAGScheduler监控运行调度阶段过程，如果某个调度阶段运行失败，则需要重新提交调度阶段。
（3）.每TaskScheduler只为一个SparkContext实例服务，TaskScheduler接受来自DAGScheduler发送过来的任务集，TaskScheduler收到任务集后负责把任务集以任务的形势一个个发到集群Worker节点的Executor中运行，如果某个任务失败，TaskScheduler要负责重试，另外如果TaskScheduler发现某个任务一直未运行完，则可能启动同样的任务运行同一个任务，哪个任务先运行完就用哪个任务的结果。
（4）.Woker中的Executor收到TaskScheduler发送过来的任务后，以多线程的方式运行，每个线程负责一个任务。任务运行结束后要返回给TaskScheduler，不同类型的任务，返回的方式也不同。ShuffleMapTask返回的是一个MapStatus对象，而不是结果本事；ResultTask根据结果大小的不同，返回的方式分为：
①生成的结果大小为（∞，1G）：结果会被丢弃，该配置项可以通过spark.driver.maxResultSize进行设置：
scala> import org.apache.spark.SparkConf
import org.apache.spark.SparkConf
scala> val conf=new SparkConf()
conf: org.apache.spark.SparkConf = org.apache.spark.SparkConf@6724bdec
scala> conf.set("spark.driver.maxResultSize", "4g")
res89: org.apache.spark.SparkConf = org.apache.spark.SparkConf@6724bdec
scala> conf.getAll
res104: Array[(String, String)] = Array((spark.app.name,Spark shell), (spark.jars,""), (spark.master,local[*]), (spark.submit.deployMode,client), (spark.driver.maxResultSize,4g))
----------------------------
scala> import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.SparkSession
scala> val session=SparkSession.builder().getOrCreate()
session: org.apache.spark.sql.SparkSession = org.apache.spark.sql.SparkSession@7952e1d0
scala> session.conf.set("spark.driver.maxResultSize", "6g")
scala> session.conf.getAll
res110: Map[String,String] = Map(spark.sql.warehouse.dir -> /user/hive/warehouse, spark.driver.host -> 192.168.53.122, spark.driver.maxResultSize -> 6g, spark.driver.port -> 40647, spark.repl.class.uri -> spark://192.168.53.122:40647/classes, spark.jars -> "", spark.repl.class.outputDir -> /tmp/spark-07bcb5fa-da26-43c6-a36c-429e45b7b76d/repl-e41427c6-c47a-463f-9382-078e77a97517, spark.app.name -> Spark shell, spark.executor.id -> driver, spark.submit.deployMode -> client, spark.master -> local[*], spark.home -> /root/spark/spark-2.2.0-bin-hadoop2.7, spark.sql.catalogImplementation -> hive, spark.app.id -> local-1534214213827)
两个设置相互不影响
②生成结果大小在[1G,128m-200KB]:如果生成结果的大小等于（128M-200KB)，会把结果以taskid的编号存入到blockmanager中，然后把该编号通过Netty发送给driver终端点，该阈值是Netty框架数据的最大值spark.akka.framesize(默认128M)和Netty的预留空间reserveredSizeBytes(200kb)的差值
③结果大小在(128MB-200K,0):通过Netty直接发送到driver终端点
在spark应用程序中，会拆分多个作业，然后对于多个作业之间的调度，spark目前提供了两种调度策略：一种是FIFO（即先来先得first in first out），这是目前的默认模式，另一种是FAIR模式。
FIFO调度策略中，由于调度池 rootpool直接包含了多个作业的任务管理器，在比较时，首先比较作业的优先级（根据作业编号，编号越小优先级越高），如果是同一个作业，会再比较调度阶段的优先级（根据调度阶段的编号，调度阶段的编号越小优先级越高）。
FAIR调度策略中包含了两层调度，第一层根据调度池rootpool中博涵了夏季的下级调度吃pool,第二层为下级调度池pool包含多个tasksetmanager。具体配置参见spark conf目录的fairscheduler.xml，其中minshare最小任务数和weight任务的权重两个参数用来设置第一级调度的算法，schedulingmode参数用来设置第二层调度算法，配置文件如下：
<allocations>
<pool name="production">
<schedulingMode>FAIR</schedulingMode>
<weight>1</weight>
<minShare>2</minShare>
</pool>
<pool name="test">
<schedulingMode>FIFO</schedulingMode>
<weight>2</weight>
<minShare>3</minShare>
</pool>
</allocations>
在fair算法中，先获取两个调度的饥饿程度，饥饿程度为正在运行的任务是否小余最小的任务，如果是，则表示该调度处于饥饿程度。获取借程度后进行如下比较：
如果某个调度处于饥饿状态量另外一个非饥饿状态，则先满足饥饿状态的调度；
如果两个调度都处于饥饿状态，则计较资源，先满足资源比小的调度；
如果两个调度都处于非饥饿状态，则比较权重比，先满足权重比小的调度；
以上情况均相同的情况下，根据调度的名称排序