02 Spark架构与运行流程

1. 为什么要引入Yarn和Spark。

答：（1）因为Yarn通用资源管理系统可以为上层应用提供统一的资源管理和调度，它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处。

　　（2）因为Spark基于内存运算，速度快；支持多语言；通用，可以处理批处理、交互式查询、实时流、机器学习和图计算；兼容性好，可以使用Hadoop的YARN作为它的资源管理和调度器。

2. Spark已打造出结构一体化、功能多样化的大数据生态系统，请简述Spark生态系统。

答：Spark生态系统包括，

　　（1）Spark Core，分布式大数据处理框架；

　　（2）Spark Streaming，数据流处理；

　　（3）Spark sql，SQL查询；

　　（4）MLlib，机器学习；

　　（5）GraphX，图计算。

3. 用图文描述你所理解的Spark运行架构，运行流程。

答：

1、Driver创建SparkContext对象

2、SparkContext向资源管理器申请资源

3、资源管理器为Executor进程分配资源，并启动Executor进程

4、Executor进程向SparkContext申请Task

5、SparkContext根据RDD依赖关系构建DAG图，DAG图提交给DAGScheduler解析成Stage，然后把一个个TaskSet提交给底层调度器TaskScheduler处理，TaskScheduler向Executor返回Task

6、Executor运行Task，并向TaskScheduler和DAGScheduler返回运行结果

7、写入数据，释放资源