说明：本文所讲的Spark资源调度与任务调度是standalone模式下的调度，其它模式下的调度（如Yarn、Mesos等）暂不涉及。
我们结合具体的应用案例——WordCount.scala 来详细说明Spark是如何进行资源调度与任务调度的。WordCount.scala代码：
package com.beijing.scala.spark.operator
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
object WC {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("WordCount")
val sc = new SparkContext(conf)
val linesRDD = sc.textFile("cs")
val wordsRDD = linesRDD.flatMap { _.split(" ") }
val pairRDD = wordsRDD.map { (_,1) }
val resultRDD = pairRDD.reduceByKey(_+_)
resultRDD.sortBy(_._2).foreach(println)
sc.stop()
}
}
这个案例是计算某一文本中各个单词出现的次数，其具体的运算逻辑不用关注，我们关注的是在该应用提交到Spark集群的时候，Spark是如何进行资源和任务的调度的。
提交应用到Spark集群的命令：
./spark-submit --master spark://hadoop1:7077 --deploy-mode client --class com.beijing.scala.spark.operator.WC ../lib/WC.jar
命令说明：
spark-submit : 是SPARK_HOME/bin下的一个命令
--master ： master主机的地址
--deploy-mode ： 部署模式。分为client模式 与 cluster模式。两种模式的区别在后文会有介绍。
--class ： 应用的入口。 此处是WC类中的main()方法。
../lib/WC.jar ： jar包的路径
在使用上述命令提交应用后，Spark会执行一系列的操作，来完成资源调度与任务调度的工作。下面我们跟随代码一步步的拆分，详细的了解每一行代码会执行什么操作。首先，我们通过图示来了解一下Spark集群的情况：
在我的Spark集群中，一共有三台主机：hadoop1~hadoop3，其中hadoop1作为master 节点，hadoop2、hadoop3作为Worker节点，两台Worker节点功能相同，为了图示清晰，在图示中省略了hadoop3。hadoop4是Spark集群的客户端。
资源调度与任务调度的详细流程：
1、Spark集群启动时， 所有的Worker节点会想master节点上报自身的资源信息，这样master节点就掌握了集群中每一个worker节点有多少资源可供使用。
2、在客户端（hadoop4）通过spark-submit命令提交任务时，Spark会根据路径找到Application的入口函数，并依次执行函数语句：
val conf = new SparkConf().setMaster("local").setAppName("WordCount")
val sc = new SparkContext(conf)
在创建SparkContext对象的过程中，Spark会通过底层代码创建两个对象： DAGScheduler（负责切分job，划分stage） 和 TaskScheduler（负责task分发） 。 TaskScheduler对象创建完毕后，会向master为当前的Application申请资源。
3、master(hadoop1节点) 接收到来自TaskScheduler的请求后，会在Workers上启动一批Executor（用于计算的进程）。默认情况下，每一个Worker会为当前的Application创建一个Executor进程。
4、master节点继续向worker节点发送消息，启动Executors。这时，每个Executor进程会创建一个ThreadPool，以供使用。
5、Executor启动完成后，会反向注册给TaskScheduler，这样TaskScheduler对象就会持有一个可用的Executor的列表。
6、跟随代码继续往下走，会遇到flatMap、map、reduceByKey、foreach，其中前三个算子是transformation类的算子，foreach是Action类算子。Transformation类的算子都是懒执行，Action类的算子都是立即执行。所以，直到执行到foreach时，才会触发运算。这时，由DAGSchedulor类对job进行切割（每遇到一个Action类算子，就算一个job），划分stage。划分的依据是根据RDD的宽窄依赖划分的。
7、DAGScheduler 以TaskSet的形式，将task提交给TaskScheduler。
8、TaskScheduler会遍历每一个task ， 然后将task发送给Executor执行（由于TaskScheduler保留有Executor的列表，所以TaskScheduler知道task应该发送给哪些Executor）。在task发送的时候，spark会自动考虑到数据本地化的问题（即在数据所在的节点上执行task）。
9、遇到sc.stop()，释放所有资源。
补充：
Spark 与 MapReduce 的区别（Spark为什么比MR运算速度快）？
1、Spark是基于内存迭代的，而MR是基于磁盘迭代的；
2、Spark的计算模式是pipeline模式， 即1+1+1=3
MR的计算模式是： 1+1=2 ， 2+1=3
3、Spark是可以进行资源复用的，而MR无法进行资源复用
注：Spark的资源复用指的是：同一个Application中，不同的job之间可以进行资源复用，而Application之间是无法进行资源复用的。
4、Spark是粗粒度的资源调度
MR是细粒度的资源调度
注：粗粒度与细粒度：
粗粒度（典型：spark）：在Application执行之前，将所有的资源全部申请完毕。申请成功后，再进行任务的调度，当所有的任务执行完毕后，才会释放这部分资源。
细粒度（典型：MR）：在Application执行之前，不需要将资源全部申请好，执行进行任务调度。在每一个task执行之前，自己去申请资源，资源申请成功后，才会执行任务。当任务执行完成后，立即释放这部分资源。
优缺点：
Spark的优点即是MR的缺点，Spark的缺点是MR的优点。
| Spark | MR | |
| 优点 | 在每一个task执行之前，不需要自己去申请资源，task启动的时间短，相应的stage、job和application耗费的时间变短 | 一个task执行完毕后，会立即释放这部分资源，集群的资源可以充分利用 |
| 缺点 | 在所有的task执行完毕后才会释放资源，导致集群的资源无法充分利用 | 每一个task在执行之前，需要自己去申请资源，这样就导致task启动时间变长，进而导致stage、job、application的运行时间变长 |
Spark部署模式：client模式 与 cluster模式：
以client模式部署时， Driver进程会在客户端创建，因此可以在client上跟踪到task的运行情况 以及 task的运行结果。
以cluster模式部署时，Driver进程会在集群中的某一台Worker主机上创建，因此在客户端上无法跟踪到task的运行情况和运行结果。task的运行情况和运行结果可以通过web的方式加以查看（spark://hadoop1: 8080，选择已完成的task，可查看详情）。
