1.Driver和SparkContext
先有的driver，在driver中创建的sparkcontext。
运行应用程序的main函数,启动一个Driver进程。功能如下：
- 创建spark的sparkcontext上下文
- 划分RDD并生成有向无环图（DAG）
- 与spark中的其他组件进行协调，协调资源等等（SchedulerBackend）
- 生成并发送task到executor（taskScheduler）
Driver负责和ClusterManager通信，进行资源的申请、任务的分配和监控等。
Driver(驱动程序)：Spark中的Driver即运行上述Application的main()函数并且创建SparkContext,其中创建SparkContext的目的是为了准备Spark应用程序的运行环境。在Spark中由SparkContext负责与ClusterManager集群管理器进行通信，进行资源的申请，任务的分配和监控等；当Executor部分运行完毕后，Driver负责将SparkContext关闭。
2.Task级别的调度
spark是粗粒度资源申请，application启动之前首先将所有的资源申请完毕，如果申请不到一直处于等待状态，一直到资源申请到为止。必须一次申请完毕之后，才会执行任务，这样，task执行的时候，task不需要自己申请资源，加快了task的执行效率，task快了，job就快了，job快，application执行就快了。必须最后一个task执行完毕之后，才会释放所有资源。
- 调用
TaskScheduler.submitTask(taskSet, ...)方法,TaskScheduler本身是个接口，spark里只实现了一个TaskSchedulerImpl。调用TaskSchedulerImpl.submitTask(taskSet, ...)接收DAGScheduler提交来的tasks ,分析stage里Task的类型，生成一个Task描述，即TaskSet。 - 调用
TaskSchedulerImpl.TaskSetManager(taskSet, ...)为tasks创建一个TaskSetManager，添加到任务队列里。TaskSetManager跟踪每个task的执行状况，维护了task的许多具体信息。 - SchedulerBackend在
TaskScheduler下层，用于对接不同的资源管理系统，SchedulerBackend是个接口,实现类是CoarseGrainedSchedulerBackend。通过SchedulerBackend.reviveOffers给driverEndpoint发送ReviveOffer消息。reviveOffers()方法的实现。就是别人直接向SchedulerBackend请求资源, 直接调用了makeOffers()方法，SchedulerBackend把node节点上可用资源交给TaskScheduler，TaskScheduler根据调度策略为排队的任务分配合理的cpu和内存资源，返回一批可执行的任务描述。 - SchedulerBackend.launchTask，把任务序列化，将序列化的任务发送给executor。
- executor.receive()把任务进行反序列化，利用创建好的executor对象执行任务。
- executor.launchTask()把task塞到了executor线程池上，executor里的线程池会执行task的run()
源码分析如下：
spark任务调度流程图如下：
TaskSetManager结构如下：
