【Spark篇】---Spark资源调度和任务调度

1、前述

 

Spark的资源调度是个很重要的模块，只要搞懂原理，才能具体明白Spark是怎么执行的，因此尤为重要。

自愿申请的话，本文分粗粒度和细粒度模式分别介绍。

 

2、具体

 

• Spark资源调度流程图：

        

 

 

• Spark资源调度和任务调度的流程：

                 一、启动集群后，Worker节点会向Master节点汇报资源状况，Master掌握了集群资源状况。

              二、当Spark提交一个Application后，根据RDD之间的依赖关系将Application造成一个DAG有向无环图。任务提交后，Spark会在Driver端建立两个对象：DAGScheduler和TaskScheduler。

              三、DAGScheduler是任务调度的高层调度器，是一个对象。DAGScheduler的主要做用就是将DAG根据RDD之间的宽窄依赖关系划分为一个个的Stage，而后将这些Stage以TaskSet的形式提交给TaskScheduler（TaskScheduler是任务调度的低层调度器，这里TaskSet其实就是一个集合，里面封装的就是一个个的task任务,也就是stage中的并行度task任务）

             四、TaskSchedule会遍历TaskSet集合，拿到每一个task后会将task发送到计算节点Executor中去执行（其实就是发送到Executor中的线程池ThreadPool去执行）。

             五、task在Executor线程池中的运行状况会向TaskScheduler反馈，

             六、当task执行失败时，则由TaskScheduler负责重试，将task从新发送给Executor去执行，默认重试3次。若是重试3次依然失败，那么这个task所在的stage就失败了。

             七、stage失败了则由DAGScheduler来负责重试，从新发送TaskSet到TaskSchdeuler，Stage默认重试4次。若是重试4次之后依然失败，那么这个job就失败了。job失败了，Application就失败了。

             八、TaskScheduler不只能重试失败的task,还会重试straggling（落后，缓慢）task（也就是执行速度比其余task慢太多的task）。若是有运行缓慢的task那么TaskScheduler会启动一个新的task来与这个运行缓慢的task执行相同的处理逻辑。两个task哪一个先执行完，就以哪一个task的执行结果为准。这就是Spark的推测执行机制。在Spark中推测执行默认是关闭的。推测执行能够经过spark.speculation属性来配置。

 

             总结：

                       一、对于ETL类型要入数据库的业务要关闭推测执行机制，这样就不会有重复的数据入库。

                   二、若是遇到数据倾斜的状况，开启推测执行则有可能致使一直会有task从新启动处理相同的逻辑，任务可能一直处于处理不完的状态。（因此通常关闭推测执行）

                   三、一个job中多个action， 就会有多个job，通常一个action对应一个job,若是一个application中有多个job时，按照顺序一次执行，即便后面的失败了，前面的执行完了就完了，不会回滚。

                   四、有SparkContext端就是Driver端。

                   五、通常到以下几行时，资源就申请完了，后面的就是处理逻辑了

                             val conf = new SparkConf()
                             conf.setMaster("local").setAppName("pipeline");
                             val sc = new SparkContext(conf)

 

• 粗粒度资源申请和细粒度资源申请

               粗粒度资源申请(Spark）

               在Application执行以前，将全部的资源申请完毕，当资源申请成功后，才会进行任务的调度，当全部的task执行完成后，才会释放这部分资源。

               优势：在Application执行以前，全部的资源都申请完毕，每个task运行时直接使用资源就能够了，不须要task运行时在执行前本身去申请资源，task启动就快了，task执行快了，stage执行就快了，job就快了，application执行就快了。

               缺点：直到最后一个task执行完成才会释放资源，集群的资源没法充分利用。当数据倾斜时更严重。

              细粒度资源申请（MapReduce）

             Application执行以前不须要先去申请资源，而是直接执行，让job中的每个task在执行前本身去申请资源，task执行完成就释放资源。

             优势：集群的资源能够充分利用。

 

             缺点：task本身去申请资源，task启动变慢，Application的运行就相应的变慢了。