一、整体架构概述

Spark 采用主从架构（Master-Slave），主要组件包括：

• Driver Program：运行用户应用的 main 函数，负责创建 SparkContext、分析作业、调度任务。
• Cluster Manager：资源管理器，如 YARN、Mesos、Standalone。
• Worker Node：集群中的工作节点，负责执行具体任务。
• Executor：Worker 节点上的进程，负责运行任务并缓存数据。

执行流程：

1. 用户提交应用，Driver 启动并创建 SparkContext。
2. SparkContext 连接 Cluster Manager，请求资源。
3. Cluster Manager 分配资源，在 Worker 节点上启动 Executor。
4. Driver 将任务分发给 Executor 执行。
5. Executor 向 Driver 汇报任务状态和结果。

二、核心组件详解

1. SparkContext

• 是 Spark 应用的入口，负责与 Cluster Manager 通信，协调资源分配。
• 管理 RDD 的依赖关系（血统图），并生成 DAG（有向无环图）。

2. DAG Scheduler

• 将作业（Job）分解为多个阶段（Stage），每个阶段包含多个任务（Task）。
• 根据 RDD 的依赖关系划分 Stage：
  • 宽依赖（如 shuffle）会触发新的 Stage。
  • 窄依赖（如 map、filter）会被合并到同一个 Stage。

3. Task Scheduler

• 将 Task 分配给具体的 Executor 执行。
• 负责任务调度、重试失败的任务，以及处理推测执行（Speculative Execution）。

4. Executor

• 负责执行 Task，并将结果返回给 Driver。
• 维护内存缓存，存储 RDD 分区数据。

三、作业执行流程

1. DAG 生成与 Stage 划分

# 示例代码
rdd = sc.textFile("data.txt")  # 读取文件，创建 RDD
words = rdd.flatMap(lambda line: line.split())  # 转换操作
pairs = words.map(lambda word: (word, 1))  # 转换操作
counts = pairs.reduceByKey(lambda a, b: a + b)  # 触发 Shuffle
counts.collect()  # 动作操作，触发作业执行

执行流程：

1. collect() 触发作业提交。
2. DAG Scheduler 将作业划分为两个 Stage：
   • Stage 1：执行 textFile、flatMap、map 操作。
   • Stage 2：执行 reduceByKey 和 collect 操作，依赖于 Stage 1 的输出。

2. Task 调度与执行

• ShuffleMapTask：执行 Stage 1 的任务，输出中间结果（Shuffle 文件）。
• ResultTask：执行 Stage 2 的任务，读取 Shuffle 文件并聚合结果。

3. 内存管理

• Storage Memory：存储缓存的 RDD 和 DataFrame。
• Execution Memory：执行 Shuffle、聚合、排序等操作的内存。
• User Memory：用户代码使用的内存。

四、Shuffle 机制详解

1. Shuffle 过程

1. Map 端：

   • 将数据分区并写入内存缓冲区。
   • 缓冲区满时溢写到磁盘，生成多个小文件。
   • 最终合并所有小文件为一个大文件，并生成索引。

2. Reduce 端：

   • 从各个 Map 任务拉取属于自己的数据。
   • 合并数据并按 key 排序。
   • 执行聚合或其他操作。

2. Shuffle 优化

• Sort Shuffle：默认实现，减少文件数量。
• Tungsten-Sort Shuffle：基于内存管理框架 Tungsten，提高效率。
• 自适应执行（Spark 3.0+）：动态调整 Shuffle 分区数。

五、内存管理机制

1. 统一内存管理（Unified Memory Management）

• Spark 1.6+ 引入，Storage 和 Execution 内存可相互借用：

  # 内存配置参数
  spark.memory.fraction = 0.6  # 统一内存占堆内存的比例
  spark.memory.storageFraction = 0.5  # Storage 内存占统一内存的比例
  

2. Tungsten 优化

• 堆外内存：减少 GC 压力，提高内存访问效率。
• 二进制格式：直接操作二进制数据，避免 Java 对象开销。

六、容错机制

1. Lineage（血统）

• RDD 记录其创建过程（依赖关系），当部分分区丢失时，可通过重新计算恢复。

2. Checkpoint

• 将 RDD 写入可靠存储（如 HDFS），切断血统关系，用于长依赖链的 RDD。

  rdd.checkpoint()  # 设置检查点
  

3. 任务重试

• Task 失败时，Task Scheduler 会自动重试（默认 4 次）。

七、调度策略

1. 任务调度

• FIFO（默认）：先进先出。
• FAIR：公平调度，支持多作业共享资源。

  # 启用公平调度
  spark.conf.set("spark.scheduler.mode", "FAIR")
  

2. 推测执行

• 当某个任务执行缓慢时，会在其他节点启动副本任务，取最先完成的结果。

  # 启用推测执行
  spark.conf.set("spark.speculation", "true")
  

八、性能优化关键点

1. 数据本地性

• PROCESS_LOCAL：数据在同一 JVM 内，最快。
• NODE_LOCAL：数据在同一节点，但需跨进程传输。
• RACK_LOCAL：数据在同一机架的不同节点。
• ANY：数据在任意位置。

2. 并行度调整

• 根据集群资源设置合理的并行度：

  # 设置默认并行度
  spark.conf.set("spark.default.parallelism", 200)
  

3. 内存调优

• 调整 Executor 内存和堆外内存：

  spark.executor.memory = 8g
  spark.memory.offHeap.enabled = true
  spark.memory.offHeap.size = 2g
  

九、高级特性

1. Catalyst 优化器

• Spark SQL 的查询优化器，将 SQL 查询转换为高效的物理执行计划：
  • 分析：解析 SQL 语句，检查表和列是否存在。
  • 逻辑优化：应用规则优化逻辑计划（如谓词下推、投影修剪）。
  • 物理计划生成：生成多个物理计划并选择最优。
  • 代码生成：将执行计划编译为 Java 字节码。

2. Tungsten 项目

• 优化内存和 CPU 利用率：
  • 二进制数据处理，减少内存占用。
  • 避免 Java 对象开销，直接操作内存。

十、监控与调试工具

1. Spark UI

• 查看作业、阶段、任务的执行情况，内存使用等指标。

2. 事件日志

• 记录作业执行的详细信息，可用于离线分析：

  # 启用事件日志
  spark.eventLog.enabled = true
  spark.eventLog.dir = "hdfs:///spark-logs"
  

3. Spark 性能调优工具

• Shuffle 调优：分析 Shuffle 性能瓶颈。
• SQL 执行计划分析：查看 SQL 查询的优化过程。