Spark集群的运行流程

253次阅读

没有评论

共计 3845 个字符，预计需要花费 10 分钟才能阅读完成。

一、Spark on Standalone

1.spark 集群启动后，Worker 向 Master 注册信息

Spark 集群的运行流程

2.spark-submit 命令提交程序后，driver 和 application 也会向 Master 注册信息

Spark 集群的运行流程

3. 创建 SparkContext 对象：主要的对象包含 DAGScheduler 和 TaskScheduler

4.Driver 把 Application 信息注册给 Master 后，Master 会根据 App 信息去 Worker 节点启动 Executor

5.Executor 内部会创建运行 task 的线程池，然后把启动的 Executor 反向注册给 Dirver

6.DAGScheduler：负责把 Spark 作业转换成 Stage 的 DAG（Directed Acyclic Graph 有向无环图），根据宽窄依赖切分 Stage，然后把 Stage 封装成 TaskSet 的形式发送个 TaskScheduler；

同时 DAGScheduler 还会处理由于 Shuffle 数据丢失导致的失败；

7.TaskScheduler：维护所有 TaskSet，分发 Task 给各个节点的 Executor（根据数据本地化策略分发 Task），监控 task 的运行状态，负责重试失败的 task；

8. 所有 task 运行完成后，SparkContext 向 Master 注销，释放资源；

注：job 的失败不会重试

Spark 集群的运行流程

二、Spark on Yarn

yarn 是一种统一的资源管理机制，可以通过队列的方式，管理运行多套计算框架。Spark on Yarn 模式根据 Dirver 在集群中的位置分为两种模式

一种是 Yarn-Client 模式，另一种是 Yarn-Cluster 模式

yarn 框架的基本运行流程图

Spark 集群的运行流程

ResourceManager：负责将集群的资源分配给各个应用使用，而资源分配和调度的基本单位是 Container，其中封装了集群资源（CPU、内存、磁盘等），每个任务只能在 Container 中运行，并且只使用 Container 中的资源；

NodeManager：是一个个计算节点，负责启动 Application 所需的 Container，并监控资源的使用情况汇报给 ResourceManager

ApplicationMaster：主要负责向 ResourceManager 申请 Application 的资源，获取 Container 并跟踪这些 Container 的运行状态和执行进度，执行完后通知 ResourceManager 注销 ApplicationMaster，ApplicationMaster 也是运行在 Container 中；

(1)client

yarn-client 模式，Dirver 运行在本地的客户端上。

Spark 集群的运行流程

1.client 向 ResouceManager 申请启动 ApplicationMaster，同时在 SparkContext 初始化中创建 DAGScheduler 和 TaskScheduler

2.ResouceManager 收到请求后，在一台 NodeManager 中启动第一个 Container 运行 ApplicationMaster

3.Dirver 中的 SparkContext 初始化完成后与 ApplicationMaster 建立通讯，ApplicationMaster 向 ResourceManager 申请 Application 的资源

4. 一旦 ApplicationMaster 申请到资源，便与之对应的 NodeManager 通讯，启动 Executor，并把 Executor 信息反向注册给 Dirver

5.Dirver 分发 task，并监控 Executor 的运行状态，负责重试失败的 task

6. 运行完成后，Client 的 SparkContext 向 ResourceManager 申请注销并关闭自己

(2)cluster

yarn-cluster 模式中，当用户向 yarn 提交应用程序后，yarn 将分为两阶段运行该应用程序：

第一个阶段是把 Spark 的 Dirver 作为一个 ApplicationMaster 在 yarn 中启动；

第二个阶段是 ApplicationMaster 向 ResourceManager 申请资源，并启动 Executor 来运行 task，同时监控 task 整个运行流程并重试失败的 task；

Spark 集群的运行流程

Yarn-client 和 Yarn-cluster 的区别：

yarn-cluster 模式下，Dirver 运行在 ApplicationMaster 中，负责申请资源并监控 task 运行状态和重试失败的 task，当用户提交了作业之后就可以关掉 client，作业会继续在 yarn 中运行；

yarn-client 模式下，Dirver 运行在本地客户端，client 不能离开。

Dirver 与集群间的通信主要有以下几点：

1. 注册 Dirver 信息

2. 根据宽窄依赖切分 stage

3. 注册 Application 信息

4. 分发 task

5. 监听 task 的运行状态

6. 重试失败的 task

7. 重试失败的 stage

Spark 的数据本地化机制有以下 5 种：

1、PROCESS_LOCAL 进程本地化
2、NODE_LOCAL 节点本地化
3、NO_PREF 读取的数据在数据库中
4、RACK_LOCAL 机架本地化
5、ANY 跨机架
如何选择数据本地化的级别?
TaskScheduler 发送的 task 在 Executor 上无法执行时，TaskScheduler 会降低数据本地化的级别，再次发送，如果还是无法执行，再降低一次数据本地化的级别，再次发送，直至可以执行。

默认每次等待 3s，重试 5 次，之后降一级本地化级别。

如何提高数据本地化的级别?
task 执行的等待时间延长，从原来的 3s 提高到 6s
提高数据本地化的级别要注意，不要本末倒置
spark.locality.wait 默认 3s
spark.locality.process 等待进程本地化的时间，默认与 spark.locality.wait 相等
spark.locality.node
spark.locality.rack

Spark shuffle 阶段的数据传输

MapOutputTrackerWorker（从）：在 spark 集群的每个 worker 中，负责将本地的 map output block 信息发送给 master 中的 MapOutputTrackerMaster

MapOutputTrackerMaster（主）：在 spark 集群的 master 中，负责记录各个 worker 节点的 map output block 信息

BlockManager：每个 Executor 中的 BlockManager 实例化的时候都会向 Dirver 中的 BlockManagerMaster 注册信息，而 BlockManagerMaster 会创建 BlockManagerInfo 来管理元数据信息

BlockManagerMaster：在 DAGScheduler 对象中，管理元数据信息

BlockManagerSlaveEndpoint：在 Executor 端，负责接收 BlockManagerMaster 发送过来的信息

BlockTransferService：传输各个节点的 block

MemoryStore、DiskStore

更多 Spark 相关教程见以下内容：

CentOS 7.0 下安装并配置 Spark http://www.linuxidc.com/Linux/2015-08/122284.htm

Ubuntu 系统搭建单机 Spark 注意事项 http://www.linuxidc.com/Linux/2017-10/147220.htm

Spark1.0.0 部署指南 http://www.linuxidc.com/Linux/2014-07/104304.htm