详细阐述Spark程序执行时流程。

当您提交一个Spark程序时，它经历以下流程：

1. 初始化SparkContext：在程序开始执行之前，需要初始化SparkContext对象。SparkContext是与集群交互的主要入口点，负责连接到集群管理器（如YARN、Mesos或Standalone）并分配计算资源。

2. 创建RDD：在程序中，您将定义一系列操作来处理数据。Spark的核心数据结构是弹性分布式数据集（RDD），它代表着分布在集群中的数据集合。您可以通过读取文件、从内存集合创建、通过转换其他RDD等方式来创建RDD。

3. 转换操作：一旦创建了RDD，您可以对其进行各种转换操作。转换操作是惰性执行的，意味着它们只是记录了要在RDD上进行的操作序列，而不会立即执行。常见的转换操作包括map、filter、reduceByKey等。

4. 行动操作：当需要从RDD获取结果时，需要执行行动操作。行动操作会触发Spark作业的执行，并将结果返回给驱动程序。常见的行动操作包括collect、count、reduce等。

5. 任务划分和调度：一旦执行行动操作，Spark将根据转换操作的依赖关系将作业划分为一系列任务。每个任务都会被分配给集群中的可用计算资源，并由集群管理器进行调度执行。

6. 任务执行：每个任务在集群中的工作节点上被执行。它们会读取输入数据、应用转换操作并生成中间结果。这些中间结果可能会被缓存在内存中，以便后续任务可以直接使用。

7. 结果返回：当所有任务都完成后，Spark将把最终结果返回给驱动程序。这些结果可以直接在驱动程序中处理，也可以存储到外部系统（如HDFS、数据库等）中。

8. 清理资源：当程序执行完毕时，SparkContext会负责释放所使用的资源，并与集群管理器断开连接。

需要注意的是，Spark程序的执行是分布式的，它可以在一个集群中的多个计算节点上并行处理数据。Spark会自动管理任务的划分和调度，并尽可能最大化地利用集群中的计算资源来提高执行效率。