[大数据]Spark入门——Spark运行架构

参考链接

1. https://www.bilibili.com/video/BV11A411L7CK?p=19

Spark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。下图展示了一个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

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。Driver在Spark作业执行时主要负责：

1. 将用户程序转化为作业（job）

2. 在Executor之间调度任务（task）

3. 跟踪Executor的执行情况

4. 通过UI展示查询运行情况

实际上，无法准确地描述Driver的定义，因为在整个的编程过程中没有任何有关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 Executor是集群中工作节点（Worker）中的一个JVM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应用的声明周期而存在。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节点上运行

Executor有两个核心功能：

1. 负责运行组成Spark应用的任务，并将结果返回给驱动器进程

2. 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

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功能，所以环境中海油其他两个核心组件：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；而Worker也是进程，一个Worker运行在集群的一台服务器上，由Master分配资源对数据进行并行的处理和计算，类似于Yarn环境中的NM

Driver和Executor是计算相关的组件；Master和Worker是资源相关的组件

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，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

简单地，ResourceManager（资源）和Driver（计算）之间的解耦合靠的就是ApplicationMaster

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：

1. –num-executors：配置Executor的数量

2. –executor-memory：配置每个Executor的内存大小

3. –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。整个集群并行执行任务的数量称之为并行度。一个作业的并行度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根据使用方式的不同一般会分为四类，其中第一类是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，例如迭代运算。

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。对于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

这里的DAG，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

DAG是由点和线组成的拓扑图形，该图形具有方向，不会闭环

提交流程

提交流程，就是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

Yarn两种部署模式

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和Cluster。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

1. Driver在任务提交的本地机器上运行

2. Driver启动后会和ResourceManager通讯申请启动ApplicationMaster

3. ResourceManager分配container，在合适的NodeManager上启动ApplicationMaster，负责向ResourceManager申请Executor内存

4. 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