1、在命令行执行提交命令时，在spark-submit脚本中，调用了SparkSubmit类中的mainMethod.invoke方法，这个类通过反射，调用我们自定义的类。
2、我们自定义类中的main方法开始执行，初始化了SparkConf和SparkContext，在SparkContext对象被初始化的时候，构造出来DAGScheduler和TaskScheduler。
3、Driver端会对我们的代码进行解析，根据算子记录rdd之间的依赖关系，生成DAG有向无环图。
当程序触发action算子的时候就会产生一个job，会调用DagScheduler中的runjob方法来提交任务。
程序会拿到最后一个rdd（finalRDD）来创建一个ResultStage。
4、得到ResultStage之后，就正式的开始切分stage，从后往前遍历，一旦遇到窄依赖，就把rdd加入到当前的stage中，一旦遇到宽依赖，就会结束当前的stage，重新起动一个新的ShuffleMapStage。继续往前遍历，一直到rdd已经没有父依赖，整个切分结束。
5、当切分完了stage之后，就开始调用submitStage提交stage。从最后一个ResultStage开始触发提交，进行深度优先遍历，从前向后提交。
6、程序会根据提交stage的不同，调用模式匹配生成ShuffleMapTask和ResultTask。DagScheduler把当前提交的stage中的这么一些功能相同，处理的数据不同的task，组装成TaskSet，调用TaskScheduler来进行task的提交。
7、TaskScheduler会把TaskSet解压，生成task，然后把task进行序列化。
8、TaskScheduler通过它对应的后台进程与Master连接，向Master注册Application。
9、Master收到Application的注册请求后，会根据自己的资源调度算法，在spark集群的worker上启动一个或多个Executor进程。
10、Executor启动后会反向注册到TaskScheduler，TaskScheduler会把序列化好的task递交到Executor上面。
11、Executor每接收到一个task，就会用TaskRunner封装task，将我们的代码拷贝，反序列化。
然后从线程池中取出一个线程执行这个Task。
12、当执行结束后，将计算结果反馈到driver端，然后进行资源注销。
