Spark Internals

    Introduction

    本文主要讨论 Apache Spark 的设计与实现，重点关注其设计思想、运行原理、实现架构及性能调优，附带讨论与 Hadoop MapReduce 在设计与实现上的区别。不喜欢将该文档称之为“源码分析”，因为本文的主要目的不是去解读实现代码，而是尽量有逻辑地，从设计与实现原理的角度，来理解 job 从产生到执行完成的整个过程，进而去理解整个系统。

    讨论系统的设计与实现有很多方法，本文选择 问题驱动 的方式，一开始引入问题，然后分问题逐步深入。从一个典型的 job 例子入手，逐渐讨论 job 生成及执行过程中所需要的系统功能支持，然后有选择地深入讨论一些功能模块的设计原理与实现方式。也许这样的方式比一开始就分模块讨论更有主线。

    本文档面向的是希望对 Spark 设计与实现机制，以及大数据分布式处理框架深入了解的 Geeks。

    因为 Spark 社区很活跃，更新速度很快，本文档也会尽量保持同步，文档号的命名与 Spark 版本一致，只是多了一位，最后一位表示文档的版本号。

    由于技术水平、实验条件、经验等限制，当前只讨论 Spark core standalone 版本中的核心功能，而不是全部功能。诚邀各位小伙伴们加入进来，丰富和完善文档。

    关于学术方面的一些讨论可以参阅相关的论文以及 Matei 的博士论文，也可以看看我之前写的这篇 。

    好久没有写这么完整的文档了，上次写还是三年前在学 Ng 的 ML 课程的时候，当年好有激情啊。这次的撰写花了 20+ days，从暑假写到现在，大部分时间花在 debug、画图和琢磨怎么写上，希望文档能对大家和自己都有所帮助。

    1. Job logical plan 介绍 job 的逻辑执行图（数据依赖图）
    2. 介绍 job 的物理执行图
    3. Shuffle details 介绍 shuffle 过程
    4. 介绍系统模块如何协调完成整个 job 的执行
    5. Cache and Checkpoint 介绍 cache 和 checkpoint 功能
    6. 介绍 broadcast 功能
    7. Fault-tolerance 尚未撰写

    可以直接点 md 文件查看。

    喜欢看 pdf 版本的可以去 这里 下载。

    如果使用 Mac OS X 的话，推荐下载 后使用 github 主题去阅读这些文档。

    Gitbook

    感谢 @Yourtion 将文档做成了gitbook版本

    Online reading

    Downloads

    写文档期间为了 debug 系统，自己设计了一些 examples，放在了 下。

    Acknowledgement

    • @Andrew-Xia 参与讨论了 BlockManager 的实现与 broadcast(rdd) 会出现的情况。

    • 参与讨论了 BlockManager 的实现。

    感谢下列同学对文档内容的补充：

    感谢下列同学指出文档中的不足或错误：

    特别感谢 @明风Andy 同学给予的大力支持。

    Special thanks to the rockers (including researchers, developers and users) who participate in the design, implementation and discussion of big data systems.