Spark核心API ----------------- [SparkContext] 连接到spark集群,入口点.
[HadoopRDD] 读取hadoop上的数据，
[MapPartitionsRDD] 针对父RDD的每个分区提供了函数构成的新类型RDD.
[PairRDDFunctions] 对偶RDD函数类。 可用于KV类型RDD的附加函数。可以通过隐式转化得到.
[ShuffleRDD] 从Shuffle中计算结果的RDD.
[RDD] 是分区的集合. 弹性分布式数据集. 不可变的数据分区集合. 基本操作(map filter , persist) 分区列表 //数据 应用给每个切片的计算函数 //行为 到其他RDD的依赖列表 //依赖关系 (可选)针对kv类型RDD的分区类 (可选)首选位置列表 [DAGScheduler] 高级调度器层面，实现按照阶段(stage),shuffle按照. 对每个JOB的各阶段计算有向无环图(DAG)，并且跟踪RDD和每个阶段的输出。 找出最小调度运行作业,将Stage对象以TaskSet方式提交给底层的调度器。 底层调度器实现TaskScheduler,进而在cluster上运行job. TaskSet已经包含了全部的单独的task，这些Task都能够基于cluster的数据进行 正确运行。
Stage通过在需要shuffle的边界处将RDD打碎来创建Stage对象。 具有'窄依赖'的RDD操作(比如map /filter)被管道化至一个taskset中. 而具有shuffle依赖的操作则包含多个Stage(一个进行输出，另一个进行输入) 最会，每个stage都有一个针对其他stage的shuffle依赖，可以计算多个操作。 Dag调度器检测首选位置来运行rask，通过基于当前的缓存状态，并传递给底层的 task调度器来实现。根据shuffle的输出是否丢失处理故障问题。
不是由stage内因为丢失文件引发的故障有task调度处理。在取消整个stage之前， task会进行少量次数的重试操作。
为了容错，同一stage可能会运行多次，称之为"attemp",如果task调度器报告了一个故障(该 故障是由于上一个stage丢失输出文件而导致的)DAG调度就会重新提交丢失的stage。这个通过 具有 FetchFailed的CompletionEvent对象或者ExecutorLost进行检测的。 DAG调度器会等待一段时间看其他节点或task是否失败，然后对丢失的stage重新提交taskset， 计算丢失的task。
术语介绍 [job] 提交给调度的顶层的工作项目，由ActiveJob表示。 是Stage集合。
[Stage] 是task的集合，计算job中的中间结果。同一RDD的每个分区都会应用相同的计算函数。 在shuffle的边界处进行隔离(因此引入了隔断，需要上一个stage完成后，才能得到output结果) 有两种类型的stage:1)ResultStage，用于执行action动作的最终stage。2)ShuffleMapStage, 对shuffle进行输出文件的写操作的。如果job重用了同一个rdd的话，stage通常可以跨越多个 job实现共享。
并行任务的集合，都会计算同一函数。所有task有着同样的shuffle依赖，调度器运行的task DAG 在shuffle边界处划分成不同阶段。调度器以拓扑顺序执行.
每个stage可以shuffleMapStage,该阶段下输出是下一个stage的输入，也可以是resultStage,该阶段 task直接执行spark action。对于shuffleMapStage，需要跟踪每个输出分区所在的节点。
每个stage都有FirstJobId,区分于首次提交的id [ShuffleMapStage] 产生输出数据，在每次shuffle之前发生。内部含有shuffleDep字段,有相关字段记录产生多少输出 以及多少输出可用。 DAGScheduler.submitMapStage()方法可以单独提交ubmitMapStage().
[ResultStage] 该阶段在RDD的一些分区中应用函数来计算Action的结果。有些stage并不会在所有分区上执行。 例如first(),lookup();
[Task] 单独的工作单元，每个发送给一台主机。
[Cache tracking] Dag调度器找出哪些RDD被缓存，避免不必要的重复计算，同时，也会记住哪些shuffleMap已经输出了 结果，避免map端shuffle的重复处理。
[Preferred locations] dag调度器根据rdd的中首选位置属性计算task在哪里运行。
[Cleanup] 运行的job如果完成就会清楚数据结构避免内存泄漏，主要是针对耗时应用。
[ActiveJob] 在Dag调度器中运行job。作业分为两种类型，1)result job，计算ResultStage来执行action. 2)map-state job,为shuffleMapState结算计算输出结果以供下游stage使用。 主要使用finalStage字段进行类型划分。
job只跟踪客户端提交的"leaf" stage，通过调用Dag调度器的submitjob或者submitMapStage()方法实现. job类型引发之前stage的执行，而且多个job可以共享之前的stage。这些依赖关系由DAG调度器内部管理。
[LiveListenerBus] 异步传输spark监听事件到监听器事件集合中。
[EventLoop] 从caller接受事件，在单独的事件线程中处理所有事件，该类的唯一子类是DAGSchedulerEventProcessLoop。
[LiveListenerBus] 监听器总线，存放Spark监听器事件的队列。用于监控。 [OutputCommitCoordinator] 输出提交协调器.决定提交的输出是否进入hdfs。
[TaskScheduler] 底层的调度器，唯一实现TaskSchedulerImpl。可插拔，同Dag调度器接受task，发送给cluster， 运行任务，失败重试，返回事件给DAG调度器。 [TaskSchedulerImpl] TaskScheduler调度器的唯一实现，通过BackendScheduler(后台调度器)实现各种类型集群的任务调度。
[SchedulerBackend] 可插拔的后台调度系统，本地调度，mesos调度，。。。 在任务调度器下方， 实现有三种 1.LocalSchedulerBackend 本地后台调度器 启动task. 2.StandaloneSchedulerBackend 独立后台调度器
3.CoarseGrainedSchedulerBackend 粗粒度后台调度器
[Executor] spark程序执行者，通过线程池执行任务。
Action发生后，spark流程 ---------------------------- sc.textFile("file:///home/centos/test.txt",4).flatMap(_.split(" ")).map((_,1)).map(t=>{ val word = t._1 val r = scala.util.Random.nextInt(100) (word "_" r,1) }).reduceByKey(_ _,4).map(t=>{ val word = t._1; val count = t._2; val w = word.split("_")(0) (w,count) }).reduceByKey(_ _,4).collect.foreach(println)
