翻譯下注釋：

細粒度模式下，允許多個app共享nodes，包括空間，即不同app的tasks可以跑同幾個core，和時間，即一個core可以切換ownership。

這塊共享的控制，在mesos端，所以spark在實現的時候，其實差別和難度都不大。

MesosSchedulerBackend的實現：

在 resourceOffers邏輯里，獲得mesos提供的slave資源后，直接在里面調用scheduler的resourceOffers，即 TaskSchedulerImpl的分配task的邏輯。也就是說，會按優先級，從active task sets(來自多個app)里選擇并直接launch task。而粗粒度里的做法，是先啟動executorbackend，把資源準備好，進程先拉起，供app去launch task。

其他回調接口的邏輯是大同小異的。

還有一點不同之處，粗粒度模式下executor的實現使用的是與standalone模式相同的 CoarseGrainedExecutorBackend。在細粒度模式下，executor的實現是MesosExecutorBackend，實現了spark的ExecutorBackend和mesos的MesosExecutor。實際上，在類里面，還是使用的spark的executor，在對應的回調里執行start/kill task這樣的操作。另外，mesos的ExecutorDriver用于負責與mesos通信，比如傳遞一些狀態更新的消息，或有特殊的msg要發送。 executor這塊的差別無關緊要。

在我看來，executor這塊最終一定是落到了spark的executor上，里面有一個線程池，可以跑spark的ShuffleMapTask或ResultTask。而mesos粗、細粒度的Scheduler實現，最大區別在于resourceOffers的邏輯，是怎么處理分配的進程資源：粗粒度是預先拉起執行進程，而細粒度是直接通過TaskScheduler來擺放執行線程了。

粗細粒度分別適合跑什么樣的任務，可以具體見 官方文檔這一節

全文完  :)