Spark学习(1)-架构原理

Spark是什么

Spark是基于HDFS等分布式存储之上的数据处理分析框架，它擅长批量数据处理，处理流工作负载，交互式查询，机器学习等；它可以通过standalone模式，yarn-client或者yarn-cluster等模式在hadoop集群中运行；而依托在spark数据处理之上的有Spark Sql,Spark Stream,MLlib,Graphx等组件；
其具体架构示意图如下：

Spark示意图.png

上图中最上层最组件说明如下：

• Spark Sql:通过提供Apache Hive的sql查询语句变体HiveQL来与Spark进行交互的API库，每个数据库表都是一个RDD对象，Spark sql查询都将转化为Spark的操作；
• Spark Streaming:能够提供实时数据流的处理和控制，Spark Streaming允许程序像处理普通RDD对象那样处理实时数据流；
• MLlib(Machine Learning):机器学习的一些算法库，算法通过Spark 对RDD的操作处理来实现，该库包括可扩展的学习算法，如回归，分类等需要对大数据集进行迭代的算法；
• GraphX:控制图和并行图操作和计算的算法和工具的集合；

接下来说下Spark架构，Spark架构组成图如下：

Spark组成.png

如上图，在Spark架构中有以下几个组成：

• Driver Pragram:Application的driver程序，用来运行Application的main函数以及创建SparkContext进程来准备Application的运行环境；
• SparkContext:SparkContext在Spark中用来和ClusterManager进行通信，申请资源，分配和监控任务；
• ClusterManager:负责集群资源的管理和分配的节点，它会通过心跳的方式来监控workerNode,在Standalone模式中，它就是Master，在Yarn模式中，它就是Resource Manager;
• WorkNode:集群中的从节点，用来负责计算和控制的节点，可以启动Exector或者Driver；
• Executor:Application的Executor程序，ClusterManager会为Application的每个Executor分配一个进程，采用线程池分配的方式来执行TaskSet;
• Task:Executor上执行任务的基本单位；多个Task可以构成一个Stage；

Spark怎么运行

Spark运行流程图如下：

Spark运行.png

流程讲解如下：

• 1. Application程序启动Driver程序，创建SparkContext;
• 2.SparkContext向资源管理器申请运行Executor节点资源，Executor节点启动SatandaloneExectuorBackend,Exectuor会定期向资源管理器上报资源使用情况;
• 3. Executor节点向SparkContext申请Task，然后SparkContext将Application中的Executor程序发送给Executor；
• 4.SparkContext会将RDD objects构建成DAG(有向无环图)，然后发送给DAG Scheduler；
• 5. DAG Scheduler会将DAT拆分为多个Stage，每个Stage都是由多个Task组成；然后将TaskSet发送给TaskScheduler；
• 6. TaskScheduler会将TaskSet中的Task提交给Exectutor运行，Executor将采用线程池的方式运行这些Tasks;Executor会在Tasks运行完成后会释放所有资源；

流程术语如下：

• Application：用户编写的Spark应用程序，包括一个Driver程序和多个Executor程序;

• Driver：Driver是运行Driver程序的一个节点，它会运行Application的main函数，创建SparkContext，SparkContext用来准备Application的运行环境，它可以和ResourceManager通信，申请资源，分配和监控任务；当Executor执行完最后的任务时，Driver同时负责将SparkContext关闭，一般情况下Diver可以理解为SparkContext;

• Executor: Executor是运行Application中Executor程序的一个进程，该进程会和SparkContext保持通信，并负责某些Task的处理，然后将数据保存到内存或者磁盘；在Spark on Yarn模式中，该进程名为CoarseGrainedExecutor Backend,CoarseGrainedExecutorBackend只有一个Executor对象，通过将task包装秤TaskRunner,然后交给线程池中某个线程来执行，这样Executor能并行执行的task数就与分配给它的cpu数有关；

• Worker:在Spark集群中能够运行Application程序的节点，Standalone模式下是通过slave文件配置的节点；而在Yarn模式下则指的是NodeManager;

• ClusterManager: 集群资源管理，负责集群资源的管理和监控，在不同运行模式下有不同的类型：

  • Standalone模式：Spark原生的资源管理器，由Master来负责资源的管理和分配;
  • Apache Mesos模式下：Apache Mesos是一种与Hadoop结合很好的资源调度框架；
  • Yarn模式：指的是ResourceManager;

• job:是包含多个task的并行计算，由Spark Action触发，一个Application会产生多个job；

• task: 是由Executor负责执行的工作单元，和HadoopMR中的MapTask和ReduceTask概念一致，由TaskScheduler负责调度和分配，多个task可以组成一个stage;

• stage:每个job都可以划分成多组Task，作为一个taskSet，叫做stage;stage由DAGScheduler进行拆分和调度，拆分的依据是根据RDD Object之间的依赖关系找出开销最小的方法；stage分为非最终stage(shuffle Map stage)和最终stage(Result stage),这两种stage的边界就是发生shuffle的地方；

• DAGScheduler:DAGScheduler是Driver中根据job构建成stage的调度器，然后将构建后的stage交给TaskScheduler；

• TaskScheduler:TaskScheduler是Driver中用来向Executor分配Task和维护所有taskset的调度器，当Executor向Driver发送心跳时，TaskScheduler会根据资源剩余情况向Executor分配的任务；同时TaskScheduler还维护每个TaskSet的运行标签，包括失败和重试的次数；在不同模式下TaskScheduler名称不一样：

  • Spark on Standalone:名称为TaskScheduler;
  • yarn-client模式下为： YarnClientClusterScheduler;
  • yarn-cluster模式下为：YarnClusterScheduler;

将流程术语串起来就得到了Spark 运行层次图如下：

Spark运行.png

一个spark可以有多个stage，每个stage由同种task构成，task可以分为shuffleMapTask和ResultTask,其中
Dependency也分为ShuffleDependency和NarrowDependency;

Spark运行模式有哪些

Spark运行模式比较丰富，运行在单机上可以有：本地模式和伪分布式模式；运行在分布式环境下，根据结合的资源调度框架又有不同的划分，本文就介绍：Spark内建的Standalone模式和Yarn-client模式和Yarn-cluster模式

Standalone模式(独立模式)

Standalone模式是Spark内建的一种资源调度框架，它采用Master/Slave模式，通过zookeeper来保证Master的高可用，其框架图如下：(参考https://www.cnblogs.com/cxxjohnson/p/8909578.html)

Standalone模式架构.png

该模式中有Master节点，slave节点，worker节点，其中Driver既可以运行在Master节点上也可以运行在本地客户端，如果通过spark-shell提交job，则Diver运行在master节点上，如果通过spark-submit提交job或者在Eclips、IDEA等开发平台上使用”new SparkConf.setManager(“spark://master:7077”)”方式运行Spark任务时，Driver是运行在本地Client端上的；
具体运行过程如下：

Standalone.png
运行说明如下：

• 1. Client运行Application的Driver，创建SparkContext，SparkContext会注册到Master上，并向Master申请cpu，memory资源；
• 2. Master根据SparkContext申请的资源信息和通过心跳获取的Worker节点信息，选择一个Worker节点获取相应的资源，同时在该节点上启动StandaloneExecutorBackend进程；
• 3. StandaloneExecutorBackend向SparkContext注册；
• 4. SparkContext会将Application程序发送给StandaloneExecutorBackend，同时解析Application代码，获取DAG有向无环图，然后将DAG交给DAGScheduler构建成Stages(每当Action动作时，就会催生Job，每个Job可以包含多个Stage，每个Stage会有多个Task，Stage会在获取外部数据和shuffle之前产生)，之后DAGScheduler会将Stage交给TaskScheduler，TaskScheduler会根据Worker节点资源剩余情况向Worker分配相应的任务,最后提交给StandaloneExecutorBackend进行执行；
• 5.StandaloneExecutorBackend进程会根据Application程序创建一个Executor线程池，来执行每个任务，同时会将任务执行情况发送给SparkContext;
• 6.SparkContext监听到最后一个Task完成时，向Master注销，并释放所有资源；

yarn-client模式

Spark on yarn运行模式根据Driver运行位置可以分为：yarn-client模式和yarn-cluster模式(也就是Yarn-standalone模式)
其yarn-client模式是因为Driver运行在本地，所以client可以和Spark Application进行交互，通过WebUI进行访问；
yarn-client运行过程图如下：

Yarn-client.png

过程说明如下：

• 1. Spark Yarn Client运行Application的Driver程序创建SparkContext，SparkContext会向Yarn ResourceManager申请运行AppMaster节点，同时会初始化DAGScheduler和TaskScheduler，由于是yarn-client模式，所以会选择YarnClientClusterScheduler和YarnClientClusterBackend;
• 2. ResourceManager在收到请求后，会找到一个NodeManager，为该Application运行一个Container作为ApplicationMaster,该ApplicationMaster不运行SparkContext，但会和client保持联系进行资源分配；
• 3. SparkContext在初始化完成后，会和ApplicationMaster通信，ApplicationMaster会根据任务信息向ResourceManager申请资源；
• 4. ApplicationMaster申请到资源后，会联系指定的NodeManager，要求在分配的container中启动CoarseGrainedExecutorBackend进程，该进程启动后会向Client注册并申请task；
• 5. Client中的SparkContext会根据CoarseGrainedExecutorBackend的资源信息然后分配相应的task，CoarseGrainedExecutorBackend在执行task时会向Driver汇报任务执行情况，这样Client可以根据任务执行情况决定是否重启任务；
• 6.SparkContext在执行完最后一个任务后，会向ResourceManager注销并释放掉所有资源；

Yarn-cluster模式

客户端通过向Yarn cluster提交应用程序的方式来执行数据处理，那么Yarn会将该Application作为两个步骤来完成：

• 1.第一个步骤是把Application的Driver程序当做ApplicationMaster来在集群中运行；
• 2.第二个步骤是ApplicationMaster创建SparkContext,并向ResourceManager申请Executor资源，然后在申请到的资源上执行任务，并监控任务执行情况直到任务结束;

其具体执行流程如下图：

Yarn-cluster.png

流程说明如下：

• 1.Client会向ResourceManager提交Application申请；
• 2.ResourceManager在收到Application申请后，会找到一个NodeManager，该NodeManager会分配一个Container作为ApplicationMaster,用来执行Driver程序，创建SparkContext,并初始化DAGScheduler和TaskScheduler，因为运行模式是Yarn-cluster，所以程序会选择YarnClusterScheduler来包装TaskScheduler;
• 3. ApplicationMaster在SparkContext初始化后，会向ResourceManager申请资源来执行任务；
• 4.ResourceManager会根据任务信息分配一个或者多个NodeManager，ApplicationMaster在得到分配资源后，会和NodeManager建立联系，要求其启动CoarseGrainedExecutorBackend进程； CoarseGrainedExecutorBackend进程启动后会向ApplicationMaster中的SparkContext注册并申请Task，这一点和standalone模式很像，只是SparkContext会在SparkApplication初始化时使用CoarseGrainedExecutorBackend配合YarnClusterScheduler来进行任务调度；
• 5.SparkContext会根据CoarseGrainedExecutionBackend资源信息分配相应的任务，同时会监控CoarseGrainedExecutionBackend任务执行情况知道结束；
• 6.ApplicationMaster会在所有任务都完成的情况下，向ResourceManager注销掉自己并释放所有资源；

Yarn-client和Yarn-cluster模式区别:
Yarn-client和Yarn-cluster模式最大区别在于是否有ApplicationMaster运行Driver，在Yarn-client中由Client运行Driver，而ApplicationMaster主要用来向ResourceManager申请Containers来作Executor，之后由Client和相应的Executor所在Container进行通信，这样用户可以直接查看程序进行情况，比较适合交互式任务执行；
而在Yarn-cluster中，Driver是运行在ApplicationMaster中，ApplicationMaster不仅要和ResourceManager保持联系，并申请资源，同时还需要和containers保持联系，并下发任务和监视任务执行情况；