Spark-Job-Stage-Task之间的关系
基本概念
在开始之前需要先了解Spark中Application，Job，Stage等基本概念，官方给出的解释如下表：
| Term | Meaning |
|---|---|
| Application | 用户编写的Spark应用程序,包括一个Driver和多个executors |
| Application jar | 包含用户程序的Jar包 |
| Driver Program | 运行main()函数并创建SparkContext进程 |
| Cluster manager | 在集群上获取资源的外部服务，如standalone manager,yarn,Mesos |
| deploy mode | 部署模式，区别在于driver process运行的位置 |
| worker node | 集群中可以运行程序代码的节点（机器） |
| Executor | 运行在worker node上执行具体的计算任务，存储数据的进程 |
| Task | 被分配到一个Executor上的计算单元 |
| Job | 由多个任务组成的并行计算阶段，因RDD的Action产生 |
| Stage | 每个Job被分为小的计算任务组，每组称为一个stage |
| DAGScheduler | 根据Job构建基于Stage的DAG，并提交Stage给TaskScheduler |
| TaskScheduler | 将TaskSet提交给worker运行，每个executor运行什么task在此分配 |
Job-Stage-Task之间的关系
如下图所示，一个Spark程序可以被划分为一个或多个Job，划分的依据是RDD的Action算子，每遇到一个RDD的Action操作就生成一个新的Job。
每个spark Job在具体执行过程中因为shuffle的存在，需要将其划分为一个或多个可以并行计算的stage，划分的依据是RDD间的Dependency关系，当遇到Wide Dependency时因需要进行shuffle操作，这涉及到了不同Partition之间进行数据合并，故以此为界划分不同的Stage。
Stage是由Task组组成的并行计算，因此每个stage中可能存在多个Task，这些Task执行相同的程序逻辑，只是它们操作的数据不同。一般RDD的一个Partition对应一个Task,Task可以分为ResultTask和ShuffleMapTask。
RDD-Partition-Records-Task之间的关系
通常一个RDD被划分为一个或多个Partition，Partition是Spark进行数据处理的基本单位，一般来说一个Partition对应一个Task，而一个Partition中通常包含数据集中的多条记录(Record)。
注意不同Partition中包含的记录数可能不同。Partition的数目可以在创建RDD时指定，也可以通过reparation和coalesce等算子重新进行划分。
通常在进行shuffle的时候也会重新进行分区，这是对于key-valueRDD，Spark通常根据RDD中的Partitioner来进行分区，目前Spark中实现的Partitioner有两种：HashPartitioner和RangePartitioner，当然也可以实现自定义的Partitioner，只需要继承抽象类Partitioner并实现numPartitions and getPartition(key: Any)即可。
将上面的概念串联起来，可以得到下面的运行层次图：
Reference:
