TaskScheduler会为每个TaskSet创建一个TaskSetManager，由TaskSetManager负责TaskSet中Task的管理调度工作，但是TaskSetManager不是直接与底层的物理节点通信，而是通过TaskScheduler来协调每个TaskSetManager与底层物理节点的交互。
1）TaskScheduler会通过SchedulerBackend与底层的Master、Worker节点进行通信；SchedulerBackend是调度器的后台进程；TaskScheduler会根据不同的部署方式选择不同的SchedulerBackend，SchedulerBackend可以使用YARN、Mesos、Standalone等多种形式；
2）TaskScheduler会将可用的物理资源提供给TaskSetManager，由TaskSetManager确定每个Task在哪个物理资源上执行，并将调度计划发给TaskScheduler，由TaskScheduler将Task提交给Spark集群实际执行；
TaskScheduler将Task提交给Spark后，会跟踪Task的执行情况，如果Task提交失败，它会负责尝试重新提交。同一个TaskSet中的多个Task是并行执行的，如果被分配到某个物理节点上的Task长时间未完成，拖延了整个TaskSet的执行时间，TaskScheduler会选择一个新的物理节点执行该Task。
TaskSetManager的调度策略是基于位置感知的任务调度。TaskSetManager会根据可用资源的情况尽量为每个Task选择最佳本地化（Locality）的Executor进行匹配。也就是说，Spark会首先判断同一个Stage中的首个RDD各个分区的位置，每个Task是对一个分区的一串操作，Spark会尽量将对一个分区的Task操作保持在同一个地点。最理想的将同一个Task的前后操作放在同一个进程中，如果条件不满足，则退而求在同一个计算节点中，如果还不能满足，退而求在再同一个机架运行。最终TaskSetManager选择一个最为合适运行的计算资源，将该资源的申请提交给TaskScheduler。
一个应用程序最终会拆分为多个TaskSet任务集，由于有的TaskSet之间没有依赖关系，因此在同一时间可能会存在多个可运行的TaskSet交给TaskScheduler进行调度。这种情况，Spark可采用2中调度模式：FIFO和FAIR。
FIFO：先进先出的调度模式，是Spark默认的调度模式。
FAIR：公平调度模式。在FAIR模式下，每个计算任务具有相等的优先级，Spark以轮询的方式为每个任务分配计算资源。FAIR模式为用户提供了一个调度池的概念，用户可以将重要的计算任务放入一个调度池中，通过设置该调度池的权重来使调度池中的人物获得较高的优先级。除此之外，当多个用户同时使用Spark集群时，FAIR模式为每个用户设置一个调度池，调度池具有相同的优先级，保证每个用户可以平等得使用Spark计算资源。