Spark架构的组成图如下:
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运行流程图如下:
1.构建Spark Application的运行环境,启动SparkContext
val conf = new SparkConf();
conf.setAppName("test01")
conf.setMaster("local")
val sc = new SparkContext(conf)
2.SparkContext向资源管理器(可以是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,运行完释放所有资源
Spark运行特点:
每个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隔离机制是有优势的,无论是从调度角度看(每个Driver调度他自己的任务),还是从运行角度看(来自不同Application的Task运行在不同JVM中),当然这样意味着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
Spark与资源管理器无关
,只要能够获取executor进程,并能保持相互通信就可以了
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,因为Spark Application运行过程中SparkContext和Executor之间有大量的信息交换
Task采用了数据本地性和推测执行的优化机制
常用术语:
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
并创建
SparkContext,
创建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通信
,
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,通常用SparkContext代表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
, 并且负责将数据存到内存或磁盘上,每个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, 这个每一个
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
Standalone : spark原生的资源管理,由Master负责资源的分配
Apache Mesos:与hadoop MR兼容性良好的一种资源调度框架
Hadoop Yarn: 主要是指Yarn中的ResourceManager
Worker:
集群中任何可以运行Application代码的节点,在Standalone模式中指的是通过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上的工作单元,但hadoopMR中的MapTask和ReduceTask概念一样,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,往往
由Spark Action触发
生成, 一个Application中往往会产生多个Job
Stage:
每个
Job会被拆分成多组Task, 作为一个
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,如下图
TASKSedulter:
将TaskSET提交给worker运行,每个Executor运行什么Task就是在此处分配的. TaskScheduler维护所有TaskSet,当Executor向Driver发生心跳时,TaskScheduler会根据资源剩余情况分配相应的Task。另外TaskScheduler还维护着所有Task的运行标签,重试失败的Task。下图展示了TaskScheduler的作用
在不同运行模式中任务调度器具体为:
Spark on Standalone模式为TaskScheduler
YARN-Client模式为YarnClientClusterScheduler
YARN-Cluster模式为YarnClusterScheduler
将这些术语串起来的运行层次图如下:
Job=多个stage,Stage=多个同种task, Task分为ShuffleMapTask和ResultTask,Dependency分为ShuffleDependency和NarrowDependency
spark作业提交原理