Driver 发送 Task 到 Executor
SparkContext初始化完毕后，执行用户编写代码
SparkPi中调用RDD的reduce，reduce中
调用 SparkContext.runJob 方法提交任务，SparkContext.runJob方法调用DAGScheduler.runJob方法
DAGScheduler中，根据rdd的Dependency生成stage，stage分为ShuffleMapStage和ResultStage两种类型，根据stage类型生成对应的task，分别是ShuffleMapTask、ResultTask，最后调用 TaskScheduler 的 submitTasks提交任务，submitTasks 是接口方法，最终实现是在 TaskSchedulerImpl 中实现。
TaskSchedulerImpl 方法中最终调用 backend.reviveOffers()，backend 的子类为 CoarseGrainedSchedulerBackend。其实现了 reviveOffers 方法，最终执行 launchTasks(taskDescs)
查看 launchTasks(taskDescs) 如下：
//从 executorDataMap 中取 executorData，executorData 中保存了 Executor的连接方式 RpcEndpointRef
val executorData = executorDataMap(task.executorId)
executorData.freeCores -= scheduler.CPUS_PER_TASK
executorData.executorEndpoint.send(LaunchTask(new SerializableBuffer(serializedTask)))
executorDataMap中保存了Executor的连接方式，关于Executor如何注册到executorDataMap中，参考Spark 任务调度之创建Executor。
Executor接收Task:
Worker节点的CoarseGrainedExecutorBackend进程接收Driver（其实是 TaskScheduler，DAGScheduler、TaskScheduler 都是通过 SparkContext启动的，用户的jar包也就是 用户写的程序 都是属于 Driver）发送的task，交给Executor对象处理，如下
至此从RDD的action开始，至Executor对象接收任务的流程就结束了。
整理流程大致如下 :
Executor 执行 task 并返回结果
Executor的launchTask方法将收到的信息封装为TaskRunner对象，TaskRunner继承自Runnable，Executor使用线程池threadPool调度TaskRunner.
下来查看TaskRunner中run方法对应的逻辑，我将其分为：反序列化 task、运行 task、发送 result，三部分。
反序列化 task：
如上图注释，反序列化得到Task对象。
运行 task：
调用Task的run方法执行计算，Task是抽象类，其实现类有两个，ShuffleMapTask和ResultTask，分别对应shuffle和非shuffle任务。
Task的run方法调用其runTask方法执行task，我们以Task的子类ResultTask为例(ShuffleMapTask相比ResultTask多了一个步骤，使用ShuffleWriter将结果写到本地)，如下：
为了说明上图中的func，我们以RDD的map方法为例，如下
至此，task的计算就完成了，task的run方法返回计算结果。
发送 result
最后调用CoarseGrainedExecutorBackend的statusUpdate方法返回result给Driver。
在 CoarseGrainedSchedulerBackend.scala 中的
class DriverEndpoint 中接收消息并处理。
从Executor接收任务，到发送结果给Driver的流程，如下 ：
- 上图①所示路径，执行task任务。
- 上图②所示路径，将执行结果返回给Driver，后续Driver调用TaskScheduler处理返回结果，不再介绍。
