集群相关
Cluster Manager指的是在集群上获取资源的外部服务，为每个spark application在集群中调度和分配资源的组件，目前有三种类型：
Standalone：Spark 原生的资源管理，由 Master 负责资源的分配Apache Mesos：与 Hadoop MapReduce 兼容性良好的一种资源调度框架Hadoop Yarn：主要是指的 Yarn 中的 ResourceManager
Worker 指集群中的工作节点，启动并运行executor进程，运行作业代码的节点
standalone模式下:Worker进程所在节点yarn模式下: yarn的nodemanager进程所在的节点
Deploy Mode 分为两种模式，client和cluster,区别在于driver运行的位置
Client模式下driver运行在提交spark作业的机器上,可以实时看到详细的日志信息方便追踪和排查错误,用于测试cluster模式下，spark application提交到cluster manager，cluster manager(比如master)负责在集群中某个节点上，启动driver进程,用于生产环境通常情况下driver和worker在同一个网络中是最好的,而client很可能就是driver worker分开布置,这样网络通信很耗时,cluster没有这样的问题
Spark分布式计算组成
Application
用户编写的Spark程序，通过一个有main方法的类执行,完成一个计算任务的处理。它是由一个Driver程序和一组运行于Spark集群上的Executor组成
Driver
运行main方法的Java虚拟机进程负责监听spark application的executor进程发来的通信和连接将工程jar发送到所有的executor进程中driver调度task给executor执行Driver与Cluster Manager、Worker协作完成Application进程的启动DAG划分计算任务封装分配task到executor上计算资源的分配等调度执行作业等Driver调度task给executor执行，所以driver最好和spark集群在一片网络内,便以通信
Executor
运行在worker节点上，负责执行作业的任务，并将数据保存在内存或磁盘中每个spark application，都有属于自己的executor进程,spark application不会共享一个executor进程executor在整个spark application运行的生命周期内，executor可以动态增加/释放executor使用多线程运行SparkContext分配过来的task，来一批task就执行一批
用户操作spark的入口
SparkContext是Spark的入口，负责连接Spark集群，创建RDD，累积量和广播量等
SparkContext是Spark的对外接口，负责向调用者提供Spark的各种功能driver program通过SparkContext连接到集群管理器来实现对集群中任务的控制每个JVM只有一个SparkContext,一台服务器可以启动多个JVM
SparkSession
The entry point to programming Spark with the Dataset and DataFrame API.包含了SQLContext、HiveContext、sparkcontext
Spark计算切分相关
Job
一个spark application可能会被分为多个job，每次调用Action时，逻辑上会生成一个Job一个Job包含了一个或多个Stage
Stage
每个job都会划分为一个或多个stage（阶段），每个stage都会有对应的一批task(即一个taskset)，分配到executor上去执行Stage包括两类ShuffleMapStageResultStage
TaskSet
一组关联的，但相互之间没有Shuffle依赖关系的Task集合Stage可以直接映射为TaskSet，一个TaskSet封装了一次需要运算的、具有相同处理逻辑的Task，这些Task可以并行计算，粗粒度的调度是以TaskSet为单位的。一个stage对应一个taskset
Task
driver发送到executor上执行的计算单元，每个task负责在一个阶段(stage)，处理一小片数据，计算出对应的结果Task是在物理节点上运行的基本单位，Task包含两类ShuffleMapTask =>对应于Stage中ShuffleMapStage中的一个执行基本单元ResultTask =>对应于Stage中ResultStage中的一个执行基本单元
Spark其他重要部分
数据结构
RDDDataFrame 引入了schema和off-heapDataSet 整合了rdd和dataframe的优点，支持结构化和非结构化数据，采用堆外内存存储，gc友好
核心调度器
DAGScheduler 根据Job构建基于Stage的DAG，并提交Stage给TaskScheduler。SparkEnv Spark 公共服务们相互交互，用来给 Spark 应用程序建立分布式计算平台的运行时环境TaskScheduler 将Taskset提交给Worker node集群运行并返回结果。
Spark调度
提交方式
yarn-cluster模式，用于生产模式,driver运行在nodeManager,没有网卡流量激增问题,但查看log麻烦,调试不方便Yarn-client模式，yarn-client用于测试,driver运行在本地客户端,负责调度application,会与yarn集群产生超大量的网络通信,从而导致网卡流量激增，yarn-client可以在本地看到所有log,方便调试yarn-client vs yarn-clusteryarn-client下，driver运行在spark-submit提交的机器上，ApplicationMaster只是相当于一个ExecutorLauncher，仅仅负责申请启动executor；driver负责具体调度yarn-cluster下，ApplicationMaster是driver,ApplicationMaster负责具体调度
Spark通用任务执行过程
用户通过 spark-submit 脚本提交应用spark-submit 脚本启动Driver，调用用户定义的 main()方法构建sparkConf和sparkContext对象，在sparkContext入口做了三件事，创建了sparkEnv对象TaskSchedulerDAGSchedulerDriver与cluster manager通信，申请资源以启动Executor；cluster manager为Driver启动Executor；在用户应用中代码遇到对RDD的action算子操作的时候，触发一个job，这时就会调用DAGScheduler对象进行Stage划分，将划分好的stage按照分区生成一个一个的task，并且封装到TaskSet对象中TaskSet提交到TaskScheduler，TaskScheduler按照提交过来的TaskSet，拿到一个序列化器，将TaskSet序列化，将序列化好的Task封装并且提交到worker任务在Executor中进行计算并保存结果；如果Driver的 main()方法退出，或者调用了SparkContext.stop()，Driver会终止Executor，并且通过集群管理器释放资源。
spark 提交过程分析standalone
SparkContext连接到Master，向Master注册并申请资源Master根据资源申请要求和Worker心跳周期内报告的信息决定在哪个Worker上分配资源，然后在该Worker上获取资源，然后启动StandaloneExecutorBackendStandaloneExecutorBackend向SparkContext注册,建立Executor线程池SparkContext将Applicaiton代码发送给StandaloneExecutorBackendSparkContext解析Applicaiton代码，构建DAG图，提交给DAG Scheduler分解成Stage（当碰到Action操作时，就会催生Job；每个Job中含有1个或多个Stage，Stage一般在获取外部数据和shuffle之前产生）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StandaloneExecutorBackend会建立Executor线程池，开始执行Task，并向SparkContext报告，直至Task完成。所有Task完成后，SparkContext向Master注销，释放资源。
暂无评论内容