Spark架构与作业执行流程简介

小鱼儿 2022-06-14 02:47 159阅读 0赞

Spark架构与作业执行流程简介

### Spark架构与作业执行流程简介 ###

#### Local模式 ####

运行Spark最简单的方法是通过Local模式（即伪分布式模式）。

运行命令为：./bin/run-example org.apache.spark.examples.SparkPi local

#### 基于standalone的Spark架构与作业执行流程 ####

Standalone模式下，集群启动时包括Master与Worker，其中Master负责接收客户端提交的作业，管理Worker。提供了Web展示集群与作业信息。

名词解释：

1. Standalone模式下存在的角色。

Client：客户端进程，负责提交作业到Master。

Master：Standalone模式中主控节点，负责接收Client提交的作业，管理Worker，并命令Worker启动Driver和Executor。

Worker：Standalone模式中slave节点上的守护进程，负责管理本节点的资源，定期向Master汇报心跳，接收Master的命令，启动Driver和Executor。

Driver： 一个Spark作业运行时包括一个Driver进程，也是作业的主进程，负责作业的解析、生成Stage并调度Task到Executor上。包括DAGScheduler，TaskScheduler。

Executor：即真正执行作业的地方，一个集群一般包含多个Executor，每个Executor接收Driver的命令Launch Task，一个Executor可以执行一到多个Task。

2.作业相关的名词解释

Stage：一个Spark作业一般包含一到多个Stage。

Task：一个Stage包含一到多个Task，通过多个Task实现并行运行的功能。

DAGScheduler： 实现将Spark作业分解成一到多个Stage，每个Stage根据RDD的Partition个数决定Task的个数，然后生成相应的Task set放到TaskScheduler中。

TaskScheduler：实现Task分配到Executor上执行。

提交作业有两种方式，分别是Driver（作业的master，负责作业的解析、生成stage并调度task到，包含DAGScheduler）运行在Worker上，Driver运行在客户端。接下来分别介绍两种方式的作业运行原理。

### Driver运行在Worker上 ###

通过org.apache.spark.deploy.Client类执行作业，作业运行命令如下：

./bin/spark-class org.apache.spark.deploy.Client launch spark://host:port file:///jar\_url org.apache.spark.examples.SparkPi spark://host:port

作业执行流如图1所示。

![20140411190039109.png][]

图1

作业执行流程描述：

1.  客户端提交作业给Master Master让一个Worker启动Driver，即SchedulerBackend。Worker创建一个DriverRunner线程，DriverRunner启动SchedulerBackend进程。 另外Master还会让其余Worker启动Exeuctor，即ExecutorBackend。Worker创建一个ExecutorRunner线程，ExecutorRunner会启动ExecutorBackend进程。 ExecutorBackend启动后会向Driver的SchedulerBackend注册。SchedulerBackend进程中包含DAGScheduler，它会根据用户程序，生成执行计划，并调度执行。对于每个stage的task，都会被存放到TaskScheduler中，ExecutorBackend向SchedulerBackend汇报的时候把TaskScheduler中的task调度到ExecutorBackend执行。 所有stage都完成后作业结束。
    
    ### Driver运行在客户端 ###
    
        直接执行Spark作业，作业运行命令如下（示例）：
    
            ./bin/run-example org.apache.spark.examples.SparkPi spark://host:port
    
        作业执行流如图2所示。
    
    ![20140411190040110.png][]
    
    图2
    
    作业执行流程描述：
    
    1.  客户端启动后直接运行用户程序，启动Driver相关的工作：DAGScheduler和BlockManagerMaster等。 客户端的Driver向Master注册。 Master还会让Worker启动Exeuctor。Worker创建一个ExecutorRunner线程，ExecutorRunner会启动ExecutorBackend进程。 ExecutorBackend启动后会向Driver的SchedulerBackend注册。Driver的DAGScheduler解析作业并生成相应的Stage，每个Stage包含的Task通过TaskScheduler分配给Executor执行。 所有stage都完成后作业结束。
2.  #### 基于Yarn的Spark架构与作业执行流程 ####
    
    ![20140411190040111.jpg][]
    
    这里Spark AppMaster相当于Standalone模式下的SchedulerBackend，Executor相当于standalone的ExecutorBackend，spark AppMaster中包括DAGScheduler和YarnClusterScheduler。
    
        Spark on Yarn的执行流程可以参考http://www.csdn.net/article/2013-12-04/2817706--YARN spark on Yarn部分。  
        
    
         这里主要介绍一下Spark ApplicationMaster的主要工作。代码参考Apache Spark 0.9.0版本ApplicationMaster.scala中的run()方法。
    
             步骤如下：
    
    设置环境变量spark.local.dir和spark.ui.port。NodeManager启动ApplicationMaster的时候会传递LOCAL\_DIRS（YARN\_LOCAL\_DIRS）变量，这个变量会被设置为spark.local.dir的值。后续临时文件会存放在此目录下。 获取NodeManager传递给ApplicationMaster的appAttemptId。 创建AMRMClient，即ApplicationMaster与ResourceManager的通信连接。 启动用户程序，startUserClass()，使用一个线程通过发射调用用户程序的main方法。这时候，用户程序中会初始化SparkContext，它包含DAGScheduler和TaskScheduler。 向ResourceManager注册。 向ResourceManager申请containers，它根据输入数据和请求的资源，调度Executor到相应的NodeManager上，这里的调度算法会考虑输入数据的locality。

[20140411190039109.png]: http://www.it165.net/uploadfile/files/2014/0411/20140411190039109.png
[20140411190040110.png]: http://www.it165.net/uploadfile/files/2014/0411/20140411190040110.png
[20140411190040111.jpg]: http://www.it165.net/uploadfile/files/2014/0411/20140411190040111.jpg