Spark: 基本架构及原理

 Apache Spark是一个围绕速度、易用性和复杂分析构建的大数据处理框架，最初在2009年由加州大学伯克利分校的AMPLab开发，并于2010年成为Apache的开源项目之一，与Hadoop和Storm等其余大数据和MapReduce技术相比，Spark有以下优点：

• Spark提供了一个全面、统一的框架用于管理各类有着不一样性质（文本数据、图表数据等）的数据集和数据源（批量数据或实时的流数据）的大数据处理的需求
• 官方资料介绍Spark能够将Hadoop集群中的应用在内存中的运行速度提高100倍，甚至可以将应用在磁盘上的运行速度提高10倍

 目标：

• 架构及生态
• spark 与 hadoop
• 运行流程及特色
• 经常使用术语
• standalone模式
• yarn集群
• RDD运行流程

架构及生态：

• 一般当须要处理的数据量超过了单机尺度(好比咱们的计算机有4GB的内存，而咱们须要处理100GB以上的数据)这时咱们能够选择spark集群进行计算，有时咱们可能须要处理的数据量并不大，可是计算很复杂，须要大量的时间，这时咱们也能够选择利用spark集群强大的计算资源，并行化地计算，其架构示意图以下：
• Spark Core：包含Spark的基本功能；尤为是定义RDD的API、操做以及这二者上的动做。其余Spark的库都是构建在RDD和Spark Core之上的
• Spark SQL：提供经过Apache Hive的SQL变体Hive查询语言（HiveQL）与Spark进行交互的API。每一个数据库表被当作一个RDD，Spark SQL查询被转换为Spark操做。
• Spark Streaming：对实时数据流进行处理和控制。Spark Streaming容许程序可以像普通RDD同样处理实时数据
• MLlib：一个经常使用机器学习算法库，算法被实现为对RDD的Spark操做。这个库包含可扩展的学习算法，好比分类、回归等须要对大量数据集进行迭代的操做。
• GraphX：控制图、并行图操做和计算的一组算法和工具的集合。GraphX扩展了RDD API，包含控制图、建立子图、访问路径上全部顶点的操做
• 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模式中为资源管理器
• 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

Spark与hadoop:

• Hadoop有两个核心模块，分布式存储模块HDFS和分布式计算模块Mapreduce
• spark自己并无提供分布式文件系统，所以spark的分析大多依赖于Hadoop的分布式文件系统HDFS
• Hadoop的Mapreduce与spark均可以进行数据计算，而相比于Mapreduce，spark的速度更快而且提供的功能更加丰富
• 关系图以下：

 运行流程及特色：

• spark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：

1. 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
2. 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
3. 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
4. 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. 1. Standalon : 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NoteManager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. 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
• 运行过程以下图：（参考至：http://blog.csdn.net/gamer_gyt/article/details/51833681）

1. SparkContext链接到Master，向Master注册并申请资源（CPU Core 和Memory）
2. Master根据SparkContext的资源申请要求和Worker心跳周期内报告的信息决定在哪一个Worker上分配资源，而后在该Worker上获取资源，而后启动StandaloneExecutorBackend；
3. StandaloneExecutorBackend向SparkContext注册；
4. SparkContext将Applicaiton代码发送给StandaloneExecutorBackend；而且SparkContext解析Applicaiton代码，构建DAG图，并提交给DAG Scheduler分解成Stage（当碰到Action操做时，就会催生Job；每一个Job中含有1个或多个Stage，Stage通常在获取外部数据和shuffle以前产生），而后以Stage（或者称为TaskSet）提交给Task Scheduler，Task Scheduler负责将Task分配到相应的Worker，最后提交给StandaloneExecutorBackend执行；
5. StandaloneExecutorBackend会创建Executor线程池，开始执行Task，并向SparkContext报告，直至Task完成
6. 全部Task完成后，SparkContext向Master注销，释放资源

yarn:  （参考：http://blog.csdn.net/gamer_gyt/article/details/51833681）

• 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：
• Spark Yarn Client向YARN的ResourceManager申请启动Application Master。同时在SparkContent初始化中将建立DAGScheduler和TASKScheduler等，因为咱们选择的是Yarn-Client模式，程序会选择YarnClientClusterScheduler和YarnClientSchedulerBackend
• 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，与YARN-Cluster区别的是在该ApplicationMaster不运行SparkContext，只与SparkContext进行联系进行资源的分派
• Client中的SparkContext初始化完毕后，与ApplicationMaster创建通信，向ResourceManager注册，根据任务信息向ResourceManager申请资源（Container）
• 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Client中的SparkContext注册并申请Task
• client中的SparkContext分配Task给CoarseGrainedExecutorBackend执行，CoarseGrainedExecutorBackend运行Task并向Driver汇报运行的状态和进度，以让Client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，Client的SparkContext向ResourceManager申请注销并关闭本身

Spark Cluster模式:

• 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. 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

思考： 咱们在使用Spark提交job时使用的哪一种模式？

 

RDD运行流程：

• RDD在Spark中运行大概分为如下三步：

1. 1. 建立RDD对象
   2. DAGScheduler模块介入运算，计算RDD之间的依赖关系，RDD之间的依赖关系就造成了DAG
   3. 每个Job被分为多个Stage。划分Stage的一个主要依据是当前计算因子的输入是不是肯定的，若是是则将其分在同一个Stage，避免多个Stage之间的消息传递开销

• 示例图以下：
• 如下面一个按 A-Z 首字母分类，查找相同首字母下不一样姓名总个数的例子来看一下 RDD 是如何运行起来的
• 建立 RDD  上面的例子除去最后一个 collect 是个动做，不会建立 RDD 以外，前面四个转换都会建立出新的 RDD 。所以第一步就是建立好全部 RDD( 内部的五项信息 )？
• 建立执行计划 Spark 会尽量地管道化，并基因而否要从新组织数据来划分 阶段 (stage) ，例如本例中的 groupBy() 转换就会将整个执行计划划分红两阶段执行。最终会产生一个 DAG(directed acyclic graph ，有向无环图 ) 做为逻辑执行计划
• 调度任务  将各阶段划分红不一样的 任务 (task) ，每一个任务都是数据和计算的合体。在进行下一阶段前，当前阶段的全部任务都要执行完成。由于下一阶段的第一个转换必定是从新组织数据的，因此必须等当前阶段全部结果数据都计算出来了才能继续