Spark文档 - 集群模型预览

组件

Spark应用程序运行在集群上的独立进程中，由驱动程序中的SparkContext对象调度。

SparkContext可以连接到几种集群管理器（例如Standalone，Mesos和YARN），这些集群管理器可以为应用程序分配资源。连接完成后，Spark从集群节点上申请executor，它负责执行计算过程并存储数据。接着Spark将应用程序代码发送到各个executor中。最后，SparkContext将task发送给executor执行。

有几点需要注意：

1. 每个应用程序都有自己的executor进程，这些executor会一直存在直到应用程序终结，并以多线程方式执行task。这样的好处是可以从调度层面（驱动程序调度任务）和executor层面（不同应用程序的task运行在不同的JVM中）上彼此隔离。同时也意味着数据无法跨应用程序共享，除非将数据写入外部存储系统。
2. Spark对底层的集群管理器一无所知。只要它能够申请executor进程，让executor彼此间通信，就可以运行在各种集群管理器上。
3. 驱动程序必须能够监听并接收来自executor的连接请求。
4. 因为驱动程序在集群上调度task，所以它最好离工作节点足够近，最好是同一局域网。

术语

下面列出了Spark常用定义：

• Application：用户代码，由驱动程序和executor组成。
• Application jar：包含Spark应用程序的jar包。
• Driver Program：执行应用程序main()函数的进程，负责创建SparkContext。
• Cluster manager：申请资源的外部服务（例如Standalone，Mesos和YARN）。
• Deploy mode：分为集群模式和本地模式。
• Worker node：集群中可以执行应用程序的节点。
• Executor：在工作节点上负责执行任务的进程。
• Task：发送给executor的工作单元。
• Job：由多个任务组成的并行计算，这些任务对应着Spark的action算子（例如save，collect）。可以在驱动日志中看到这个术语。
• Stage：每个job会分成几个彼此依赖的stage。