Spark 运行架构

• Spark 运行架构
  • Spark集群角色
  • spark-shell和spark-submit
    • Standalone的两种模式
    • Spark-Shell
    • Spark-Submit
    • 应用提交的语法
      • 基本配置参数
      • Driver Program 参数配置
      • Executor 参数配置
      • 案例
  • 运行架构
  • 核心组件
    • Driver：spark驱动器
    • Executor：spark执行器
    • Master & Worker：集群管理器
    • ApplicationMaster
    • 集群管理器
  • 核心概念
    • Executor 与 Core
    • 并行度（Parallelism）
    • 有向无环图（DAG）
  • 提交流程
    • Yarn Client 模式
    • Yarn Cluster 模式
  • Spark运行流程

Driver 和Executor是和计算相关的组件，Master和Worker是和资源调度相关的组件，如果让资源和计算之间直接交互，耦合性太强，所以就添加ApplicationMaster组件，如果Driver需要申请资源，那么就找ApplicationMaster申请资源，而ApplicationMaster在向Master申请资源，这样可以解耦。

Spark集群角色

当Spark Application运行在集群上时，主要有四个部分组成，如下示意图：

计算组件相关：

• Driver：是一个JVM Process 进程，编写的Spark应用程序就运行在Driver上，由Driver进程执行；
• Executor：是一个JVM Process 进程，一个Worker(NodeManager)上可以运行多个Executor，Executor通过启动多个线程（task）来执行对RDD的partition进行并行计算，也就是执行我们对RDD定义的例如map、flatMap、reduce等算子操作。

资源管理相关：

• Master(ResourceManager)：是一个JVM Process 进程，主要负责资源的调度和分配，并进行集群的监控等职责；有多种类型的集群管理器。
• Worker(NodeManager)：是一个JVM Process 进程，一个Worker运行在集群中的一台服务器上，主要负责两个职责，一个是用自己的内存存储RDD的某个或某些partition；另一个是启动其他进程和线程（Executor），对RDD上的partition进行并行的处理和计算。

Driver、Executor：计算资源

Master、Worker：资源调度

一个Worker上面可能有多个Executor进程

一个Executor进程可能有多个task线程

spark-shell和spark-submit

Spark支持多种集群管理器（Cluster Manager）,取决于传递给SparkContext的MASTER环境变量的值：local、spark、yarn，区别如下：

在Standalone模式下运行，根据Driver程序运行在哪里分为两种模式，默认是client模式：

1. Client部署模式：7077，
2. Cluster部署模式：6066

在Yarn集群模式下运行，也有两种部署模式：

1. yarn-client：Driver运行在本地，Executor运行在Yarn集群上
2. yarn-cluster：Driver运行在Yarn集群上面，Executor运行在yarn集群上面

Standalone的两种模式

client mode

首先明白几个基本概念：Master节点就是你用来提交任务，即执行bin/spark-submit命令所在的那个节点；Driver进程就是开始执行你Spark程序的那个Main函数，虽然我这里边画的Driver进程在Master节点上，但注意Driver进程不一定在Master节点上，它可以在任何节点；Worker就是Slave节点，Executor进程必然在Worker节点上，用来进行实际的计算。

1. client mode下Driver进程运行在Master节点上，不在Worker节点上，所以相对于参与实际计算的Worker集群而言，Driver就相当于是一个第三方的“client”。
2. 正由于Driver进程不在Worker节点上，所以其是独立的，不会消耗Worker集群的资源
3. client mode下Master和Worker节点必须处于同一片局域网内，因为Drive要和Executorr通信，例如Drive需要将Jar包通过Netty HTTP分发到Executor，Driver要给Executor分配任务等。
4. client mode下没有监督重启机制，Driver进程如果挂了，需要额外的程序重启

cluster mode

1. Driver程序在worker集群中某个节点，而非Master节点，但是这个节点由Master指定
2. Driver程序占据Worker的资源
3. cluster mode下Master可以使用–supervise对Driver进行监控，如果Driver挂了可以自动重启
4. cluster mode下Master节点和Worker节点一般不在同一局域网，因此就无法将Jar包分发到各个Worker，所以cluster mode要求必须提前把Jar包放到各个Worker几点对应的目录下面

是选择client mode还是cluster mode呢？

• 一般来说，如果提交任务的节点（即Master）和Worker集群在同一个网络内，此时client mode比较合适
• 如果提交任务的节点和Worker集群相隔比较远，就会采用cluster mode来最小化Driver和Executor之间的网络延迟

yarn client模式：driver在当前提交任务的节点上，也就是运行在本地，可以打印任务运行的日志信息。

yarn cluster模式：driver在AppMaster所有节点上，分布式分配，不能再提交任务的本机打印日志信息

关于sparkON-yarn详细请看：spark-on-yarn

Spark-Shell

引入

之前我们使用提交任务都是使用spark-shell提交，spark-shell是Spark自带的交互式Shell程序，方便用户进行交互式编程，用户可以在该命令行下可以用scala编写spark程序，适合学习测试时使用！

示例

• spark-shell可以携带参数
• spark-shell --master local[N] 数字N表示在本地模拟N个线程来运行当前任务
• spark-shell --master local[*] *表示使用当前机器上所有可用的资源
• 默认不携带参数就是--master local[*]
• spark-shell --master spark://node01:7077,node02:7077 表示运行在集群上

Spark-Submit

引入

spark-shell交互式编程确实很方便我们进行学习测试，但是在实际中我们一般是使用IDEA开发Spark应用程序打成jar包交给Spark集群/YARN去执行，所以我们还得学习一个spark-submit命令用来帮我们提交jar包给spark集群/YARN，spark-submit命令是我们开发时常用的!

提交任务到Local集群

SPARK_HOME=/export/server/spark
${SPARK_HOME}/bin/spark-submit \
--master local[2] \
--class org.apache.spark.examples.SparkPi \
${SPARK_HOME}/examples/jars/spark-examples_2.11-3.0.1.jar \
10

或提交任务到Standalone集群

--master spark://node1:7077 \

或提交任务到Standalone-HA集群

--master spark://node1:7077,node2:7077 \

或使用SparkOnYarn的Client模式提交到Yarn集群

SPARK_HOME=/export/server/spark
${SPARK_HOME}/bin/spark-submit \
--master yarn  \
--deploy-mode client \
--driver-memory 512m \
--executor-memory 512m \
--num-executors 1 \
--total-executor-cores 2 \
--class org.apache.spark.examples.SparkPi \
${SPARK_HOME}/examples/jars/spark-examples_2.12-3.0.1.jar \
10

或使用SparkOnYarn的Cluster模式提交到Yarn集群

SPARK_HOME=/export/server/spark
${SPARK_HOME}/bin/spark-submit \
--master yarn \
--deploy-mode cluster \
--driver-memory 512m \
--executor-memory 512m \
--num-executors 1 \
--total-executor-cores 2 \
--class org.apache.spark.examples.SparkPi \
${SPARK_HOME}/examples/jars/spark-examples_2.12-3.0.1.jar \
10

应用提交的语法

使用【spark-submit】提交应用语法如下:

spark-submit [options] <app jar | python file> [app arguments]

如果使用Java或Scala语言编程程序，需要将应用编译后达成Jar包形式，提交运行。

基本配置参数

提交运行Spark Application时，有些基本参数需要传递值，如下所示：

动态加载Spark Applicaiton运行时的参数，通过--conf进行指定，如下使用方式：

Driver Program 参数配置

每个Spark Application运行时都有一个Driver Program，属于一个JVM Process进程，可以设置内存Memory和CPU Core核数。

Executor 参数配置

每个Spark Application运行时，需要启动Executor运行任务Task，需要指定Executor个数及每个Executor资源信息（内存Memory和CPU Core核数）。

案例

# Run application locally on 8 cores
./bin/spark-submit \
  --class org.apache.spark.examples.SparkPi \
  --master local[8] \
  /path/to/examples.jar \
  100
# Run on a Spark standalone cluster in client deploy mode
./bin/spark-submit \
  --class org.apache.spark.examples.SparkPi \
  --master spark://207.184.161.138:7077 \
  --executor-memory 20G \
  --total-executor-cores 100 \
  /path/to/examples.jar \
  1000
# Run on a Spark standalone cluster in cluster deploy mode with supervise
./bin/spark-submit \
  --class org.apache.spark.examples.SparkPi \
  --master spark://207.184.161.138:7077 \
  --deploy-mode cluster \
  --supervise \
  --executor-memory 20G \
  --total-executor-cores 100 \
  /path/to/examples.jar \
  1000
# Run on a YARN clusterexport HADOOP_CONF_DIR=XXX
./bin/spark-submit \
  --class org.apache.spark.examples.SparkPi \
  --master yarn \
  --deploy-mode cluster \  # can be client for client mode
  --executor-memory 20G \
  --num-executors 50 \
  /path/to/examples.jar \
  1000
# Run a Python application on a Spark standalone cluster
./bin/spark-submit \
  --master spark://207.184.161.138:7077 \
  examples/src/main/python/pi.py \
  1000
# Run on a Mesos cluster in cluster deploy mode with supervise
./bin/spark-submit \
  --class org.apache.spark.examples.SparkPi \
  --master mesos://207.184.161.138:7077 \
  --deploy-mode cluster \
  --supervise \
  --executor-memory 20G \
  --total-executor-cores 100 \
  http://path/to/examples.jar \
  1000
# Run on a Kubernetes cluster in cluster deploy mode
./bin/spark-submit \
  --class org.apache.spark.examples.SparkPi \
  --master k8s://xx.yy.zz.ww:443 \
  --deploy-mode cluster \
  --executor-memory 20G \
  --num-executors 50 \
  http://path/to/examples.jar \
  1000

运行架构

Spark 框架的核心是一个计算引擎，整体来说，它采用了标准 master-slave 的结构。如下图所示，它展示了一个 Spark 执行时的基本结构。图形中的Driver 表示 master，负责管理整个集群中的作业任务调度。图形中的Executor 则是 slave，负责实际执行任务。

driver:执行器，执行我们的main方法，创建SparkContext环境。

Executor：执行器，具体负责计算的节点。

核心组件

由上图可以看出，对于 Spark 框架有两个核心组件：

Driver：spark驱动器

Spark 驱动器节点，用于执行 Spark 任务中的 main 方法，负责实际代码的执行工作。Spark驱动器是控制你应用程序的进程，他负责控制整个spark应用程序的执行并且维护着spark集群的状态，也就是维护执行器的任务和状态，他必须和集群管理器进行交互才可以获得物理资源并启动执行器，总的来说，spark驱动器只是物理机上的一个进程，负责维护集群运行的应用程序的状态。

Driver 在Spark 作业执行时主要负责：

• 将用户程序转化为作业（job）
• 在 Executor 之间调度任务(task)
• 跟踪Executor 的执行情况
• 过UI 展示查询运行情况

实际上，我们无法准确地描述Driver 的定义，因为在整个的编程过程中没有看到任何有关Driver 的字眼。所以简单理解，所谓的 Driver 就是驱使整个应用运行起来的程序，也称之为Driver 类。

Executor：spark执行器

Spark Executor 是集群中工作节点（Worker）中的一个 JVM 进程（一个Worker种可以有多个Executor进程），负责在 Spark 作业中运行具体任务（Task），任务彼此之间相互独立。Spark 应用启动时，Executor 节点被同时启动，并且始终伴随着整个 Spark 应用的生命周期而存在。如果有Executor 节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他 Executor 节点上继续运行。

spark执行器也是一个进程，他负责执行由spark驱动器分配的任务，执行器的核心功能是:完成驱动器分配的任务，运行他们，并报告结果的状态和执行的结果，每一个spark应用程序都有自己的执行器进程。

Executor 有两个核心功能：

• 负责运行组成 Spark 应用的任务，并将结果返回给驱动器进程,也就是返回给driver
• 它们通过自身的块管理器（Block Manager）为用户程序中要求缓存的 RDD 提供内存式存储。RDD 是直接缓存在 Executor 进程内的，因此任务可以在运行时充分利用缓存数据加速运算。

Master & Worker：集群管理器

Spark 集群的独立部署环境中，不需要依赖其他的资源调度框架，自身就实现了资源调度的功能，所以环境中还有其他两个核心组件：Master 和 Worker，这里的 Master 是一个进程，主要负责资源的调度和分配，并进行集群的监控等职责，类似于 Yarn 环境中的 RM(resourcemanager), 而Worker 呢，也是进程，一个 Worker 运行在集群中的一台服务器上，由 Master 分配资源对数据进行并行的处理和计算，类似于 Yarn 环境中 NM(namenode)。

ApplicationMaster

Hadoop 用户向 YARN 集群提交应用程序时,提交程序中应该包含ApplicationMaster，ApplicationMaster其实就可以看作是一个作业的代理，在整个作业执行过程种，负责作业监控和资源的申请，用于向资源调度器申请执行任务的资源容器 Container，运行用户自己的程序任务 job，监控整个任务的执行，跟踪整个任务的状态，处理任务失败等异常情况。

说的简单点就是，ResourceManager（资源）和Driver（计算）之间的解耦合靠的就是ApplicationMaster。

集群管理器

spark驱动器和执行器并不是孤立存在的，集群管理器会将他们联系起来，集群管理器负责维护一组运行spark应用程序的机器，集群管理器也拥有自己的“driver驱动器“，（也就是master和worker)的抽象，核心区别是集群管理器管理的是物理机器，而不是进程，spark目前支持三种集群管理器，一个是简单的内置的独立的计算管理器，Apache Mesos和hadoop yarn集群管理器。

核心概念

Executor 与 Core

Spark Executor 是集群中运行在工作节点（Worker）中的一个 JVM 进程，是整个集群中的专门用于计算的节点。在提交应用中，可以提供参数指定计算节点的个数，以及对应的资源。这里的资源一般指的是工作节点 Executor 的内存大小和使用的虚拟 CPU 核（Core）数量。

应用程序相关启动参数如下：

名称	说明
--num-executors	配置 Executor 的数量
--executor-memory	配置每个 Executor 的内存大小
--executor-cores	配置每个 Executor 的虚拟 CPU core 数量

并行度（Parallelism）

在分布式计算框架中一般都是多个任务同时执行，由于任务分布在不同的计算节点进行计算，所以能够真正地实现多任务并行执行，记住，这里是并行，而不是并发。这里我们将整个集群并行执行任务的数量称之为并行度。那么一个作业到底并行度是多少呢？这个取决于框架的默认配置。应用程序也可以在运行过程中动态修改。

有向无环图（DAG）

• 大数据计算引擎框架我们根据使用方式的不同一般会分为四类：
  • 其中第一类就是Hadoop 所承载的 MapReduce,它将计算分为两个阶段，分别为 Map 阶段和 Reduce 阶段。对于上层应用来说，就不得不想方设法去拆分算法，甚至于不得不在上层应用实现多个 Job 的串联，以完成一个完整的算法，例如迭代计算。
  • 由于这样的弊端，催生了支持 DAG 框架的产生。因此，支持 DAG 的框架被划分为第二代计算引擎。如Tez 以及更上层的Oozie。这里我们不去细究各种 DAG 实现之间的区别，不过对于当时的Tez 和Oozie 来说，大多还是批处理的任务。
  • 接下来就是以 Spark 为代表的第三代的计算引擎。第三代计算引擎的特点主要是 Job 内部的 DAG 支持（不跨越 Job），以及实时计算。
• 这里所谓的有向无环图，并不是真正意义的图形，而是由Spark 程序直接映射成的数据流的高级抽象模型。简单理解就是将整个程序计算的执行过程用图形表示出来,这样更直观， 更便于理解，可以用于表示程序的拓扑结构。
• DAG（Directed Acyclic Graph）有向无环图是由点和线组成的拓扑图形，该图形具有方向，不会闭环。
• 在spark中的作用就是规划多个作业的执行顺序，防止出现环发生死锁。

提交流程

所谓的提交流程，其实就是我们开发人员根据需求写的应用程序通过Spark 客户端提交给 Spark 运行环境执行计算的流程。在不同的部署环境中，这个提交过程基本相同，但是又有细微的区别，我们这里不进行详细的比较，但是因为国内工作中，将 Spark 引用部署到Yarn 环境中会更多一些，所以本课程中的提交流程是基于 Yarn 环境的。

提交过程

可以看到提交过程分成两条线，集群管理器那条线是负责申请资源，因为运行作业需要资源，执行main这一条线就是我们编写的逻辑程序，最后把我们的程序提交到executor节点上面进行执行

Spark 应用程序提交到 Yarn 环境中执行的时候，一般会有两种部署执行的方式：Client（运行在集群之外） 和 Cluster（运行在集群里面）。两种模式主要区别在于：Driver程序的运行节点位置。

Yarn Client 模式

Client 模式将用于监控和调度的Driver 模块在客户端执行，而不是在 Yarn 中，所以一般用于测试。

• Driver 在任务提交的本地机器上运行
• Driver 启动后会和ResourceManager 通讯申请启动ApplicationMaster
• ResourceManager 分配 container，在合适的NodeManager 上启动ApplicationMaster，负责向ResourceManager 申请 Executor 内存
• ResourceManager 接到 ApplicationMaster 的资源申请后会分配 container，然后ApplicationMaster 在资源分配指定的NodeManager 上启动 Executor 进程
• Executor 进程启动后会向Driver 反向注册，Executor 全部注册完成后Driver 开始执行main 函数
• 之后执行到 Action 算子时，触发一个 Job，并根据宽依赖开始划分 stage，每个stage 生成对应的TaskSet，之后将 task 分发到各个Executor 上执行。

Yarn Cluster 模式

Cluster 模式将用于监控和调度的 Driver 模块启动在Yarn 集群资源中执行。一般应用于实际生产环境。

• 在 YARN Cluster 模式下，任务提交后会和ResourceManager 通讯申请启动ApplicationMaster，
• 随后ResourceManager 分配 container，在合适的 NodeManager 上启动 ApplicationMaster，此时的 ApplicationMaster 就是Driver，Driver和ApplicationMaster 运行在一个节点上面。
• Driver 启动后向 ResourceManager 申请Executor 内存，ResourceManager 接到ApplicationMaster 的资源申请后会分配container，然后在合适的NodeManager 上启动Executor 进程
• Executor 进程启动后会向Driver 反向注册，Executor 全部注册完成后Driver 开始执行main 函数，
• 之后执行到 Action 算子时，触发一个 Job，并根据宽依赖开始划分 stage，每个stage 生成对应的TaskSet，之后将 task 分发到各个Executor 上执行。

Spark运行流程

spark运行流程图

通用执行流程

Spark基本使用

贡献者

codingLab

版权所有

版权归属：codingLab

许可证：bugcode