Spark on Yarn用执行流程图解（包含stage流程）

@Author  : Spinach | GHB
@Link    : http://blog.csdn.net/bocai8058
1
2

---

---

前言

Spark是专为大规模数据处理而设计的快速通用的计算引擎，具有速度快、支持多语言、移植性高的特点。而移植性高的体现就在于Spark的部署方式有多种模式，如：本地local、Standalone、Apache Mesos、Hadoop YARN等等。

对于不同的集群模式，提交参数是不同的，即–master后面指定的参数不一样，例如：

# 使用spark-submit提交一个任务到普通的Spark Standalone集群： 
./bin/spark-submit
–class org.apache.spark.examples.mainTest
–master spark://hadoop01:7070
–executor-memory 512m
–total-executor-cores 1
~/jars/spark-examples_test.jar

# 使用spark-submit提交一个任务到高可用的YARN集群，使用client模式：
./bin/spark-submit
–class org.apache.spark.examples.mainTest
–master yarn
–deploy-mode client
–executor-memory 512m
–total-executor-cores 1
~/jars/spark-examples_test.jar

# 使用spark-submit提交一个任务到高可用的YARN集群，使用cluster模式：
./bin/spark-submit
–class org.apache.spark.examples.mainTest
–master yarn
–deploy-mode cluster
–executor-memory 512m
–total-executor-cores 1
~/jars/spark-examples_test.jar
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

其中，Spark on YARN是工作中或生产中用的比较多的一种运行模式，今天主要对Spark on Yarn这种方式作详细图解，同样首先需要对spark中的不同角色有一定的了解，具体介绍可参考《Spark Master\Worker、Driver\Executor、Job\Stage\Task等概念与关系》。

SparkOnYarn集群节点分布

Spark On Yarn集群，以HDFS为文件存储系统，以YARN为资源管理和资源分配建立Spark集群，总体集群有3个节点，其中1个master节点、2个slave节点。描述如下图：

Spark运行模式流程

Spark运行模型流程分两种模式：1.Yarn-Cluster模式； 2.Yarn-Client模式。

在讲解Spark运行模型流程之前，先熟悉一下Spark原理中的基本概念及关系吧，参考《Spark Master\Worker、Driver\Executor、Job\Stage\Task等概念与关系》。

Yarn-Cluster模式下

在YARN-Cluster模式中，当用户向YARN中提交一个应用程序后，YARN将分两个阶段运行该应用程序：

1. 第一个阶段是把Spark的Driver作为一个ApplicationMaster在YARN集群中先启动；

2. 第二个阶段是由ApplicationMaster创建应用程序，然后为它向ResourceManager申请资源，并启动Executor来运行Task，同时监控它的整个运行过程，直到运行完成

流程说明如下：

• Spark Yarn Client向YARN中提交应用程序，包括ApplicationMaster程序、启动ApplicationMaster的命令、需要在Executor中运行的程序等；
• ResourceManager收到请求后，在集群中选择一个NodeManager，为该应用程序分配第一个Container，要求它在这个Container中启动应用程序的ApplicationMaster，其中ApplicationMaster进行SparkContext等的初始化；
• ApplicationMaster向ResourceManager注册，这样用户可以直接通过ResourceManage查看应用程序的运行状态，然后它将采用轮询的方式通过RPC协议为各个任务申请资源，并监控它们的运行状态直到运行结束；
• 一旦ApplicationMaster申请到资源（也就是Container）后，便与对应的NodeManager通信，要求它在获得的Container中启动CoarseGrainedExecutorBackend，CoarseGrainedExecutorBackend启动后会向ApplicationMaster中的SparkContext注册并申请Task。这一点和Standalone模式一样，只不过SparkContext在Spark Application中初始化时，使用CoarseGrainedSchedulerBackend配合YarnClusterScheduler进行任务的调度，其中YarnClusterScheduler只是对TaskSchedulerImpl的一个简单包装，增加了对Executor的等待逻辑等；
• ApplicationMaster中的SparkContext分配Task给CoarseGrainedExecutorBackend执行，CoarseGrainedExecutorBackend运行Task并向ApplicationMaster汇报运行的状态和进度，以让ApplicationMaster随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务；
• 应用程序运行完成后，ApplicationMaster向ResourceManager申请注销并关闭自己；

集群提交命令如下：

# 使用spark-submit提交一个任务到高可用的YARN集群，使用cluster模式：
./bin/spark-submit
–class org.apache.spark.examples.mainTest
–master yarn
–deploy-mode cluster
–executor-memory 512m
–total-executor-cores 1
~/jars/spark-examples_test.jar
1
2
3
4
5
6
7
8

Yarn-Client模式下

流程说明如下：

• Spark Yarn Client向YARN的ResourceManager申请启动Application Master。同时在SparkContent初始化中将创建DAGScheduler和TASKScheduler、SparkEnv对象等，由于选择的是Yarn-Client模式，程序会选择YarnClientClusterScheduler和YarnClientSchedulerBackend；
• ResourceManager收到请求后，在集群中选择一个NodeManager，为该应用程序分配第一个Container，要求它在这个Container中启动应用程序的ApplicationMaster，与YARN-Cluster区别的是在该ApplicationMaster不运行SparkContext，只与SparkContext进行联系进行资源的分派；
• Client中的SparkContext初始化完毕后，与ApplicationMaster建立通讯，向ResourceManager注册，根据任务信息向ResourceManager申请资源（Container）；
• 一旦ApplicationMaster申请到资源（也就是Container）后，便与对应的NodeManager通信，要求它在获得的Container中启动CoarseGrainedExecutorBackend，CoarseGrainedExecutorBackend启动后会向Client中的SparkContext注册并申请Task；
• Client中的SparkContext分配Task给CoarseGrainedExecutorBackend执行，CoarseGrainedExecutorBackend运行Task并向Driver汇报运行的状态和进度，以让Client随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务；
• 应用程序运行完成后，Client的SparkContext向ResourceManager申请注销并关闭自己；

集群提交命令如下：

# 使用spark-submit提交一个任务到高可用的YARN集群，使用client模式：
./bin/spark-submit
–class org.apache.spark.examples.mainTest
–master yarn
–deploy-mode client
–executor-memory 512m
–total-executor-cores 1
~/jars/spark-examples_test.jar
1
2
3
4
5
6
7
8

Yarn-Cluster模式与Yarn-Client模式区别

在YARN中，每个Application实例都有一个ApplicationMaster进程，它是Application启动的第一个容器。它负责和ResourceManager打交道并请求资源，获取资源之后告诉NodeManager为其启动Container。

---

引用：
https://www.cnblogs.com/yy3b2007com/p/10934090.html
https://blog.csdn.net/github_28583061/article/details/106385707
https://blog.csdn.net/qq_37332702/article/details/87944361
https://blog.csdn.net/u012137473/article/details/84965567
https://blog.csdn.net/weixin_35602748/article/details/78724195