Application：基于Spark的应用程序，包含了driver程序和 集群上的executor
DriverProgram：运行main函数并且新建SparkContext的程序
ClusterManager：在集群上获取资源的外部服务(例如 standalone,Mesos,Yarn )
WorkerNode：集群中任何可以运行应用用代码的节点 （Yarn的模式下是在nodemanager中运行的，standalone模式下是在workernode中运行的）
Executor：是在一个workernode上为某应用用启动的一个JVM进程，该进程负责运行任务，并且负责将数据存在内存或者磁盘上。每个应用用都有各自自独立的executors
Task：被送到某个executor上的执行单元
Job包含很多任务的并行计算的task，可以看做和Spark的action对应，每个action都会触发一个job任务
Stage一个Job会被拆分很多组任务，每组任务被称为Stage(就像MapReduce分map任务和reduce任务一样)
（每一个程序中都有一些job（看有几个操作算子），每一个job中有很多stage，stage是根据宽窄依赖划分的）
task经过什么样的过程才会发送到executor中执行
1.将写好的代码给DAG的调度器
2.根据宽窄依赖切分stage（一组并行计算的task）
比如下面这个就是有四个并行的task
3.taskset中包含着一组task，再依次发送到executor中运行
4.运行完了，再返回，传入下一task
executor执行失败了，会由TaskScheduler重试三次发送，三次都失败，说明TaskSet失败，会重试DAGScheduler，重试四次
资源调度感谢阅读，我是啊帅和和，一位大数据专业大四学生，祝你快乐。
