spark 运行原理

题记

spark的运行原理对于spark的学习尤其重要，若是不了解其运行原理，也就不会从根本上将spark的程序写好。这将是写的最后一篇关于spark理论的文章。接下来将从实践方面来分享spark

• Spark架构的组成图以下：

• Cluster Manager：在standalone模式中即为Master主节点，控制整个集群，监控worker。在YARN模式中为ResourceManager
• Worker节点：从节点，负责控制计算节点，启动Executor或者Driver。
• Driver： 运行Application 的main()函数
• Executor：执行器，是为某个Application运行在worker node上的一个进程,Executor中有线程池
• spark任务运行流程图以下：

1. 构建Spark Application的运行环境，启动SparkContext
2. SparkContext向资源管理器（能够是Standalone，Mesos，Yarn）申请运行Executor资源，并启动StandaloneExecutorbackend，
3. Executor向SparkContext申请Task
4. SparkContext将应用程序分发给Executor
5. SparkContext构建成DAG图，将DAG图分解成Stage、将Taskset发送给Task Scheduler，最后由Task Scheduler将Task发送给Executor运行
6. Task在Executor上运行，运行完释放全部资源
   Spark运行特色：
7. 每一个Application获取专属的executor进程，该进程在Application期间一直驻留，并以多线程方式运行Task。这种Application隔离机制是有优点的，不管是从调度角度看（每一个Driver调度他本身的任务），仍是从运行角度看（来自不一样Application的Task运行在不一样JVM中），固然这样意味着Spark Application不能跨应用程序共享数据，除非将数据写入外部存储系统
8. Spark与资源管理器无关，只要可以获取executor进程，并能保持相互通讯就能够了
9. 提交SparkContext的Client应该靠近Worker节点（运行Executor的节点），最好是在同一个Rack里，由于Spark Application运行过程当中SparkContext和Executor之间有大量的信息交换
10. Task采用了数据本地性和推测执行的优化机制

经常使用术语：

• Application: Appliction都是指用户编写的Spark应用程序，其中包括一个Driver功能的代码和分布在集群中多个节点上运行的Executor代码
• Driver: Spark中的Driver即运行上述Application的main函数并建立SparkContext，建立SparkContext的目的是为了准备Spark应用程序的运行环境，在Spark中有SparkContext负责与ClusterManager通讯，进行资源申请、任务的分配和监控等，当Executor部分运行完毕后，Driver同时负责将SparkContext关闭，一般用SparkContext表明Driver
• Executor: 某个Application运行在worker节点上的一个进程， 该进程负责运行某些Task， 而且负责将数据存到内存或磁盘上，每一个Application都有各自独立的一批Executor， 在Spark on Yarn模式下，其进程名称为CoarseGrainedExecutor Backend。一个CoarseGrainedExecutor Backend有且仅有一个Executor对象， 负责将Task包装成taskRunner,并从线程池中抽取一个空闲线程运行Task， 这个每个oarseGrainedExecutor Backend能并行运行Task的数量取决与分配给它的cpu个数

• Cluter Manager：指的是在集群上获取资源的外部服务。目前有三种类型

  1. Standalone : spark原生的资源管理，由Master负责资源的分配
  2. Apache Mesos:与hadoop MR兼容性良好的一种资源调度框架
  3. Hadoop Yarn: 主要是指Yarn中的ResourceManager
• Worker: 集群中任何能够运行Application代码的节点，在Standalone模式中指的是经过slave文件配置的Worker节点，在Spark on Yarn模式下就是NodeManager节点
• Task: 被送到某个Executor上的工做单元，但hadoopMR中的MapTask和ReduceTask概念同样，是运行Application的基本单位，多个Task组成一个Stage，而Task的调度和管理等是由TaskScheduler负责
• Job: 包含多个Task组成的并行计算，每每由Spark Action触发生成， 一个Application中每每会产生多个Job
• Stage: 每一个Job会被拆分红多组Task， 做为一个TaskSet， 其名称为Stage，Stage的划分和调度是有DAGScheduler来负责的，Stage有非最终的Stage（Shuffle Map Stage）和最终的Stage（Result Stage）两种，Stage的边界就是发生shuffle的地方
• DAGScheduler: 根据Job构建基于Stage的DAG（Directed Acyclic Graph有向无环图)，并提交Stage给TASkScheduler。 其划分Stage的依据是RDD之间的依赖的关系找出开销最小的调度方法，以下图

• TASKSedulter: 将TaskSET提交给worker运行，每一个Executor运行什么Task就是在此处分配的. TaskScheduler维护全部TaskSet，当Executor向Driver发生心跳时，TaskScheduler会根据资源剩余状况分配相应的Task。另外TaskScheduler还维护着全部Task的运行标签，重试失败的Task。下图展现了TaskScheduler的做用

• 在不一样运行模式中任务调度器具体为：

  1. Spark on Standalone模式为TaskScheduler
  2. YARN-Client模式为YarnClientClusterScheduler
  3. YARN-Cluster模式为YarnClusterScheduler
• 将这些术语串起来的运行层次图以下：
• Job=多个stage，Stage=多个同种task, Task分为ShuffleMapTask和ResultTask，Dependency分为ShuffleDependency和NarrowDependency

Spark运行模式：

• Spark的运行模式多种多样，灵活多变，部署在单机上时，既能够用本地模式运行，也能够用伪分布模式运行，而当以分布式集群的方式部署时，也有众多的运行模式可供选择，这取决于集群的实际状况，底层的资源调度便可以依赖外部资源调度框架，也可使用Spark内建的Standalone模式。
• 对于外部资源调度框架的支持，目前的实现包括相对稳定的Mesos模式，以及hadoop YARN模式
• 本地模式：经常使用于本地开发测试，本地还分别 local 和 local cluster

standalone: 独立集群运行模式

• Standalone模式使用Spark自带的资源调度框架
• 采用Master/Slaves的典型架构，选用ZooKeeper来实现Master的HA
• 框架结构图以下:

该模式主要的节点有Client节点、Master节点和Worker节点。其中Driver既能够运行在Master节点上中，也能够运行在本地Client端。当用spark-shell交互式工具提交Spark的Job时，Driver在Master节点上运行；当使用spark-submit工具提交Job或者在Eclips、IDEA等开发平台上使用”new SparkConf.setManager(“spark://master:7077”)”方式运行Spark任务时，Driver是运行在本地Client端上的

Yarn模式运行：

• Spark on YARN模式根据Driver在集群中的位置分为两种模式：一种是YARN-Client模式，另外一种是YARN-Cluster（或称为YARN-Standalone模式）
• Yarn-Client模式中，Driver在客户端本地运行，这种模式可使得Spark Application和客户端进行交互，由于Driver在客户端，因此能够经过webUI访问Driver的状态，默认是http://hadoop1:4040访问，而YARN经过http:// hadoop1:8088访问

YARN-client的工做流程步骤为：

• 在YARN-Cluster模式中，当用户向YARN中提交一个应用程序后，YARN将分两个阶段运行该应用程序：

  1. 第一个阶段是把Spark的Driver做为一个ApplicationMaster在YARN集群中先启动；
  2. 第二个阶段是由ApplicationMaster建立应用程序，而后为它向ResourceManager申请资源，并启动Executor来运行Task，同时监控它的整个运行过程，直到运行完成
• YARN-cluster的工做流程分为如下几个步骤
• Spark Yarn Client向YARN中提交应用程序，包括ApplicationMaster程序、启动ApplicationMaster的命令、须要在Executor中运行的程序等
• ResourceManager收到请求后，在集群中选择一个NodeManager，为该应用程序分配第一个Container，要求它在这个Container中启动应用程序的ApplicationMaster，其中ApplicationMaster进行SparkContext等的初始化
• ApplicationMaster向ResourceManager注册，这样用户能够直接经过ResourceManage查看应用程序的运行状态，而后它将采用轮询的方式经过RPC协议为各个任务申请资源，并监控它们的运行状态直到运行结束
• 一旦ApplicationMaster申请到资源（也就是Container）后，便与对应的NodeManager通讯，要求它在得到的Container中启动CoarseGrainedExecutorBackend，CoarseGrainedExecutorBackend启动后会向ApplicationMaster中的SparkContext注册并申请Task。这一点和Standalone模式同样，只不过SparkContext在Spark Application中初始化时，使用CoarseGrainedSchedulerBackend配合YarnClusterScheduler进行任务的调度，其中YarnClusterScheduler只是对TaskSchedulerImpl的一个简单包装，增长了对Executor的等待逻辑等
• ApplicationMaster中的SparkContext分配Task给CoarseGrainedExecutorBackend执行，CoarseGrainedExecutorBackend运行Task并向ApplicationMaster汇报运行的状态和进度，以让ApplicationMaster随时掌握各个任务的运行状态，从而能够在任务失败时从新启动任务
• 应用程序运行完成后，ApplicationMaster向ResourceManager申请注销并关闭本身

Spark Client 和 Spark Cluster的区别:

• 理解YARN-Client和YARN-Cluster深层次的区别以前先清楚一个概念：Application Master。在YARN中，每一个Application实例都有一个ApplicationMaster进程，它是Application启动的第一个容器。它负责和ResourceManager打交道并请求资源，获取资源以后告诉NodeManager为其启动Container。从深层次的含义讲YARN-Cluster和YARN-Client模式的区别其实就是ApplicationMaster进程的区别
• YARN-Cluster模式下，Driver运行在AM(Application Master)中，它负责向YARN申请资源，并监督做业的运行情况。当用户提交了做业以后，就能够关掉Client，做业会继续在YARN上运行，于是YARN-Cluster模式不适合运行交互类型的做业
• YARN-Client模式下，Application Master仅仅向YARN请求Executor，Client会和请求的Container通讯来调度他们工做，也就是说Client不能离开