Spark的各种运行模式虽然启动方式，运行位置，调度手段有所不同，但它们所要完成的任务基本都是一致的，就是在合适的位置安全可靠的根据用户的配置和Job的需要管理和运行Task，这里粗略的列举一下在运行调度过程中各种需要考虑的问题

• 环境变量的传递
• Jar包和各种依赖文件的分发
• Task的管理和序列化等
• 用户参数配置
• 用户及权限控制

环境变量的传递

Spark的运行参数有很大一部分是通过环境变量来设置的，例如Executor的内存设置，Library路径等等。Local模式当然不存在环境变量的传递问题，在Cluster模式下，就需要将环境变量传递到远端JVM环境中去

SparkContext在初始化过程中 需要传递给Executor的环境变量，会在executorEnvs变量中（HashMap）中收集起来

而具体如何将这些变量设置到Executor的环境中，取决于Executor的Launch方式

在Spark Standalone模式中，这些变量被封装在org.apache.spark.deploy.Command中，交给AppClient启动远程Executor，Command经由Spark Master通过Actor再次转发给合适的Worker，Worker通过ExecutorRunner构建Java.lang.Process运行ExecutorBackend，环境变量在ExecutorRunner中传递给java.lang.ProcessBuilder.environment完成整个传递过程

在Mesos相关模式中，这些环境变量被设置到org.apache.mesos.Protos.Environment中，在通过MesosLaunch Task时交给Mesos完成分发工作

在yarn-standalone模式中，这些环境变量首先要通过Yarn Client 设置到Spark AM的运行环境中，基本就是Client类运行环境中以SPARK开头的环境变量全部设置到ContainerLaunchContext中，AM通过WorkerRunnable进一步将它们设置到运行Executor所用的ContainerLaunchContext中

Yarn-client模式与yarn-standalone模式大致相同，虽然SparkContext运行在本地，executor所需的环境变量还是通过ContainerLaunchContext经AM中转发给Executor

可以注意到，在Yarn相关模式中，并没有使用到SparkContext收集的executorEnvs，主要是因为Yarn Standalone模式下Sparkcontext本身就是在远程运行的，因此在Yarn Client中单独实现了相关代码

Jar包和各种依赖文件的分发

Spark程序的运行依赖大致分两类, 一是Spark runtime及其依赖，二是应用程序自身的额外依赖

对于Local模式而言，不存在Jar包分发的问题

对于第一类依赖

在Spark Standalone模式中，整个环境随Spark部署到各个节点中，因此也不存在runtime Jar包分发的问题

Mesos相关模式下，Mesos本身需要部署到各个节点，SparkRuntime可以和Standalone模式一样部署到各个节点中，也可以上传到Mesos可以读取的地方比如HDFS上，然后通过配置spark.executor.uri通知Mesos相关的SchedulerBackend，它们会将该URL传递给Mesos，Mesos在Launch任务时会从指定位置获取相关文件

而Spark 应用程序所额外依赖的文件，在上述模式中可以通过参数将URL传递给SparkContext，对于本地文件SparkContext将启动一个HttpServer用于其它节点读取相关文件，其它如HDFS和外部HTTP等地址上的文件则原封不动，然后这些额外依赖文件的URL在TaskSetmanager中和Task本身一起被序列化后发送给Executor，Executor再反序列化得到URL并传递给ExecutorURLClassLoader使用

在Yarn相关模式中，Runtime和程序运行所依赖的文件首先通过HDFS Client API上传到Job的.sparkStaging目录下，然后将对应的文件和URL映射关系通过containerLaunchContext.setLocalResources函数通知Yarn，Yarn的NodeManager在Launch container的时候会从指定URL处下载相关文件作为运行环境的一部分。上面的步骤对于Spark AM来说是充分的，而对于需要进一步分发到Executor的运行环境中的文件来说，AM还需要在创建Executor的Container的时候同样调用setLocalResources函数，AM是如何获得对应的文件和URL列表的呢，其实就是SparkYarn Client将这些文件的相关属性如URL，时间戳，尺寸等信息打包成字符串，通过特定的环境变量（SPARK_YARN_CACHE_XXX ）传递给AM，AM再把它们从环境变量中还原成所需文件列表

Task管理和序列化

Task的运行要解决的问题不外乎就是如何以正确的顺序，有效地管理和分派任务，如何将Task及运行所需相关数据有效地发送到远端，以及收集运行结果

Task的派发源起于DAGScheduler调用TaskScheduler.submitTasks将一个Stage相关的一组Task一起提交调度。

在TaskSchedulerImpl中，这一组Task被交给一个新的TaskSetManager实例进行管理，所有的TaskSetManager经由SchedulableBuilder根据特定的调度策略进行排序，在TaskSchedulerImpl的resourceOffers函数中，当前被选择的TaskSetManager的ResourceOffer函数被调用并返回包含了序列化任务数据的TaskDescription，最后这些TaskDescription再由SchedulerBackend派发到ExecutorBackend去执行

系列化的过程中，上一节中所述App依赖文件相关属性URL等通过DataOutPutStream写出，而Task本身通过可配置的Serializer来序列化，当前可配制的Serializer包括如JavaSerializer ，KryoSerializer等

Task的运行结果在Executor端被序列化并发送回SchedulerBackend，由于受到Akka Frame Size尺寸的限制，如果运行结果数据过大，结果会存储到BlockManager中，这时候发送到SchedulerBackend的是对应数据的BlockID，TaskScheduler最终会调用TaskResultGetter在线程池中以异步的方式读取结果，TaskSetManager再根据运行结果更新任务状态（比如失败重试等）并汇报给DAGScheduler等

用户参数配置

Spark的用户参数配置途径很多，除了环境变量以外，可以通过Spark.conf文件设置，也可以通过修改系统属性设置 "spark.*"

而这些配置参数的使用环境也很多样化，有些在Sparkcontext本地使用（除了yarn-standalone模式），有些需要分发到Cluster集群中去

在SparkContext中解析和使用，比如spark.master，spark.app.names, spark.jars等等，通常用于配置SparkContext运行参数，创建Executor启动环境等

发送给Executor的参数又分两部分

一部分在ExecutorBackend初始化过程中需要使用的系统变量，会通过SparkContext在初始化过程中读取并设置到环境变量中去，在通过前面所述的方式，使用对应的底层资源调度系统设置到运行容器的环境变量中

另一部分在Executor中才使用的以"spark.*"开头的参数，则通过ExecutorBackend向SchedulerBackend的注册过程，在注册确认函数中传递给ExecutorBackend再在Executor的初始化过程中设置到SparkConf中

总体看来，这些参数配置的方式和分发途径有些不太统一，稍显混乱，大概还有改进的余地

用户及权限控制

Spark的Task在Executor中运行时，使用hadoop的UerGroupInfomation.doAs 函数将整个Task的运行环境包装起来以特定的sparkUser的身份运行。这样做的目的主要是使得Spark的task在与Hadoop交互时，使用特定的用户而不是Executor启动时所用的用户身份，这有利于在集群中区分Spark Cluster的运行用户和实际使用集群的APP用户身份，以及HDFS等权限控制

用户名在Executor中通过SPARK_USER环境变量获取

对于Local模式来说，SPARK_USER环境变量就是当前JVM环境下设定的值，当然对Local模式来说实际上也是不需要doAs的，Executor中如果SPARK_USER变量未设定或者与当前用户名一致，会跳过doAs直接执行task launch相关函数

传递用户身份的问题容易解决，比较麻烦的是身份的认证，例如将Spark运行在通过Kerberos管理权限的Hadoop集群中，这需要完成客户端的身份认证，Security 相关秘钥或Token的获取，分发，更新，失效等工作，在保证效率的同时，还要确保整个过程的安全性，目前的Spark代码对这一方面还没有完善的实现方案，但是有一些提案和Patch正在进行中。