Spark 运行架构

运行架构

Spark 框架的核心是一个计算引擎，整体来说，它采用了标准的 master-slave 结构。上图中的 Driver 表示 master ，负责管理整个集群中的作业任务调度；Executor 则是 slave，负责实际执行任务；

核心组件

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：

• 将用户程序转化为作业（job）
• 在 Executor 之间调度任务（task）
• 跟踪 Executor 的执行情况
• 通过 UI 展示查询运行情况

Work

集群从节点，负责启动 Executor 或 Driver ；

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 应用的生命周期而存在。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 节点上继续运行；
Executor 的两个核心功能：

• 负责运行组成 Spark 应用的任务，并将结果返回给 Driver 进程
• 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；

ClusterManager

standalone 模式种即为 Master 节点，控制整个集群；yarn 模式种为 ResourceManager；

核心概念

Executor 与 Core

Spark Executor 是集群中运行在 Worker 中的一个 JVM 进程，是整个集群中专门用于计算的节点。在提交应用时可以提供参数指定计算节点的个数，以及对应应的资源。这个资源一般是指 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：

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过，所以能够真正地实现多任务并行执行，我们将整个集群并行执行任务的数量称之为并行度；

RDD

弹性分布式数据集，是 Spark 的核心结构，可以通过一系列算子进行操作；
特性：

• 弹性：
  存储弹性：内存与磁盘自动切换；
  容错弹性：数据丢失可以自动恢复；
  计算弹性：计算出错有重试机制；
  分片弹性：可以根据需要重新分片；
• 分布式：数据存储在大数据集群不同节点上；
• 数据集：RDD 封装了计算逻辑，并不保存数据，所以对 RDD 的操作并不会改变数据本身，改变的只是 RDD 提供的数据副本；
• 数据抽象：RDD 是一个抽象类，需要子类具体实现；
• 不可变：RDD 可以类似看作 String ，是不可改变的，只能产生新的 RDD；
• 可分区、并行计算；

有向无环图（DAG）

有向无环图并不是真正意义的图形，而是由 Spark 程序直接映射成的数据流的高级抽象模型，描述了 RDD 的依赖关系；
当 RDD 遇到 Action 算子时，会将之前的所有算子形成一个 DAG ，也就是 RDD Graph，再在 Spark 中转化为 Job ，提交到集群执行。一个 APP 中可以包含多个 Job；

Job

一个 RDD Graph 触发的作业，往往由 Spark Action 算子触发，在 SparkContext 中通过 runJob() 方法向 Spark 提交 Job；

Stage

每个 Job 会根据 RDD 的宽依赖关系被切分成多个 Stage，每个 Stage 中包含一组相同的 Task，这一组 Task 也叫 TaskSet；

Task

一个分区对应一个 Task，Task 执行 RDD 中对应 Stage 中包含的算子。Task 被封装好后放入 Executor 的线程池中执行；

一个 Job 包含多个 Stage，一个 Stage 包含多个 Task；

程序提交运行流程

Yarn client 模式：

1、在 Yarn client 模式下，通过 spark-submit 提交程序后，会在 client 服务器运行 main() 函数，启动 Dirver 进程；
2、Driver 开始构建并初始化 SparkContext ；
3、SparkContext 向 ClusterManager（ResourceManager）注册，并申请运行 Executor 的资源（内核和内存）；
4、ClusterManager 根据 SparkContext 提出的申请和 Worker（NodeManager） 的心跳报告，来决定在哪个 Worker 上启动 Executor；
5、Worker 节点收到请求后会启动 Executor；
6、Executor 向 SparkContext 注册，这样 Driver 就知道哪些 Executor 运行该应用；
7、SparkContext 构建 DAG 图，DAG Scheduler 将 DAG 图分解成多个 Stage ，并把每个 Stage 的 TaskSet 发送给 Task Scheduler ；
8、Executor 向 SparkContext 申请 Task ，Task Secheduler 将 Task发送给 Executor，同时 SparkContext 将程序代码发送给 Executor；
9、Task 在 Executor 上运行，把运行结果反馈给 Task Scheduler，然后再反馈给 DAG Scheduler，运行完毕后写入数据；
10、SparkContext 向 ClusterManager 注销并释放所有资源；

Yarn cluster 模式：

1、在 Yarn cluster 模式下，通过 spark-submit 提交任务后，会启动一个临时进程；
2、临时进程向 ClusterManager（ResourceManager） 通信申请启动 ApplicationMaster（Driver）；
3、 ClusterManager分配 container，并通知 NodeManager 启动 ApplicationMaster，此时的 ApplicationMaster 就是 Driver；
4、NodeManager 启动 Driver；
5、Driver 启动后开始运行用户 main() 函数；
6、Driver开始构建 SparkContext；
7、SparkContext 向 ClusterManager注册 Application 并申请运行 Executor 的资源；
8、ClusterManager收到 Driver 的资源申请后会分配合适的 Worker 节点；
9、Worker 节点启动 Executor 进程；
10、Executor 进程启动后会向 SparkContext 反向注册；
11、SparkContext 构建 DAG 图，DAG Scheduler 将 DAG 图分解成多个 Stage ，并把每个 Stage 的 TaskSet 发送给 Task Scheduler ；
12、Executor 向 SparkContext 申请 Task ，Task Secheduler 将 Task发送给 Executor，同时 SparkContext 将程序代码发送给 Executor；
13、Task 在 Executor 上运行，把运行结果反馈给 Task Scheduler，然后再反馈给 DAG Scheduler，运行完毕后写入数据；
114、SparkContext 向 ClusterManager 注销并释放所有资源；