Spark 核心之任务调度角色划分以及资源调度角色划分详解

摘要：为什么 DAGScheduler 从不关心集群用的是 Standalone 还是 YARN？为什么 Master 从不关心 DAG 怎么切？这背后是 Spark 架构中最精妙的设计——任务调度与资源调度的完美解耦。Driver 端只管"算什么、怎么算"（DAG→Stage→Task），集群端只管"在哪算、给多少资源"（分配 Executor）。本文从两大调度体系全景、三层任务调度链、三层资源调度链、角色交互时序、三种部署模式映射五个维度，配合 1 张原创深色架构图 + 完整源码分析，带你看清 Spark 调度体系的角色划分。

关键词：Spark 任务调度, 资源调度, DAGScheduler, TaskScheduler, Master, Worker, SchedulerBackend, ClusterManager

---

一、开篇：一句话说清两大调度体系

任务调度（Driver 端）:  算什么 + 怎么算 → DAGScheduler → TaskScheduler → SchedulerBackend
资源调度（集群端）:      在哪算 + 给多少资源 → ClusterManager → Master/RM → Worker/NM

核心设计哲学：Driver 不管集群用什么（Standalone/YARN/K8s），集群不管 Driver 怎么切 DAG。两者通过 SchedulerBackend 这个适配器通信。

---

二、全景架构图

图 1：Spark 任务调度 vs 资源调度角色划分全景图

---

三、任务调度侧：三层链（全部在 Driver JVM）

Layer 1: DAGScheduler — Stage 切分者

// 职责: RDD Lineage → Stage DAG → TaskSet
def handleJobSubmitted(jobId: Int, finalRDD: RDD[_], ...) {
  val finalStage = createResultStage(finalRDD, ...)
  submitStage(finalStage)  // 递归提交（先父后子）
}

Layer 2: TaskScheduler — Task 分发者

// 职责: TaskSet → 数据本地性排序 → 匹配 Executor
def submitTasks(taskSet: TaskSet) {
  val manager = new TaskSetManager(this, taskSet)
  schedulableBuilder.addTaskSetManager(manager)
  backend.reviveOffers()  // 通知 Backend 有 Task 可调度
}

Layer 3: SchedulerBackend — 集群通信者

// 职责: 与集群通信 → 匹配空闲 Executor → 发送 Task
def reviveOffers() {
  driverEndpoint.send(ReviveOffers)
}
// StandaloneSchedulerBackend → Master RPC
// YarnSchedulerBackend      → AM → RM
// KubernetesSchedulerBackend → K8s API Server

---

四、资源调度侧：三层链（独立守护进程）

Layer 1: ClusterManager — 集群入口

实现	canHandle	资源池
StandaloneClusterManager	spark://	Master + Workers
YarnClusterManager	yarn	RM + NM + Container
KubernetesClusterManager	k8s://	API Server + Pod

Layer 2: Master / RM — 调度决策者

// Master.schedule() 核心逻辑
private def schedule(): Unit = {
  // ① 先调度 Driver (Cluster 模式)
  for (driver <- waitingDrivers) { launchDriverOnWorker(driver) }
  // ② 再调度 Executor
  startExecutorsOnWorkers()  // SpreadOutApps 负载均衡
}

Layer 3: Worker / NM — 资源执行者

Master 指令 → Worker.receive(LaunchExecutor)
  → ProcessBuilder("java", "CoarseGrainedExecutorBackend", ...)
  → coresFree -= cores · memoryFree -= memory
  → 监控子进程 exit → 回收资源

---

五、两大体系的交互时序

Driver 端                    集群端
───────                     ──────
new SparkContext()           Master/RM 就绪
  ↓
DAGScheduler 就绪            RegisterApplication
  ↓                              ↓
TaskScheduler 就绪            schedule() → 分配 Executor
  ↓                              ↓
SchedulerBackend 就绪 ←── 反向注册 → Executor 启动
  ↓
Action → DAG → Stage         资源状态更新
  ↓
submitMissingTasks()
  ↓
reviveOffers → launchTasks ──→ Executor 执行
  ↓
statusUpdate ←──────────────  Task 完成
  ↓
sc.stop() → KillExecutors → 资源回收

---

六、三种部署模式角色映射

角色	Standalone	YARN	Kubernetes
ClusterManager	StandaloneClusterManager	YarnClusterManager	K8sClusterManager
资源调度者	Master	ResourceManager	API Server
资源执行者	Worker	NodeManager	kubelet
资源载体	Executor (JVM)	Container → Executor	Pod → Executor
TaskScheduler	TaskSchedulerImpl	TaskSchedulerImpl / YarnClusterScheduler	TaskSchedulerImpl
SchedulerBackend	StandaloneSchedulerBackend	YarnSchedulerBackend	K8sSchedulerBackend

---

七、总结

要点	总结
任务调度	Driver 端 · DAGScheduler→TaskScheduler→SchedulerBackend
资源调度	集群端 · ClusterManager→Master/RM→Worker/NM
解耦点	SchedulerBackend 是适配器 · TaskScheduler 是纯逻辑
映射	三种部署模式替换资源调度层，任务调度层保持不变

金句：Spark 把"计算逻辑"（DAG/Stage/Task）和"资源管理"（CPU/内存/节点）完全解耦——这就是为什么同一个 Job 可以在 Standalone、YARN、K8s 上无差异运行的根本原因。

---