前几天大概了解了 Spark 是什么,没看过的可以点击下面的链接。今天开始正式学习 Spark。
1.Spark 运行环境
1.1 Local 模式
本地执行 Spark 代码的环境。用于调试、练习。
1.2 Standalone 模式
独立部署模式。Spark 自身提供计算资源。Spark 是计算框架,但自身资源调度不是它的强项。整体是 master-slave 架构。
1.3 Yarn 模式
使用 Yarn 作为资源调度框架,工作中使用最多。可以先点击下面的链接阅读之前的文章了解什么是 Yarn。
Yarn 资源调度器
1.4 K8S 模式
容器化部署十分流行,基于 Docker 运行应用,使用 Kubernetes(k8s)管理容器
1.5 Mesos 模式
使用较少。
1.6 Windows 模式
自己学习使用。
1.7 各种模式对比
模式 | 需启动的进程 | 所属者 | 应用场景 |
---|---|---|---|
Local | 无 | Spark | 测试 |
Standalone | Master Worker | Spark | 独立部署 |
Yarn | Yarn HDFS | Hadoop | 混合部署 |
2.Spark 运行架构
整体是 master-slave 架构。
Spark 运行架构包括集群资源管理器(Cluster Manager)、运行作业任务的工作节点(Worker Node)、每个应用的任务控制节点(Driver)和每个工作节点上负责具体任务的执行进程(Executor)。其中,集群资源管理器可以是 Spark 自带的资源管理器,也可以是 YARN 或 Mesos 等资源管理框架。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-TBijF5wM-1651548437519)(C:\Users\zxy19\Documents\博客文章\组件\Spark\20220503\图片1.png)]
2.1 核心组件
2.1.1 Driver
Spark 驱动器节点,执行 Spark 任务中的 main 方法,负责实际代码的执行工作。
核心功能:
- 将用户程序转换为作业(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。
2.1.2 Executor
Spark 集群工作节点(Worker)中的一个 JVM 进程,负责在 Spark 作业中运行具体任务(Task),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。
核心功能:
- 负责运行具体任务(Task),并将结果返回给驱动器进程;
- 通过自身的块管理器(Block Manager)用内存缓存的 RDD 。RDD 是直接缓存在 Executor 进程内的,缓存可以加速运算。
2.1.3 Master & Worker
Spark 集群的独立部署环境中,不依赖其他的资源调度框架,使用自的资源调度功能,所以环境中还有其他两个核心组件:Master 和 Worker。
- Master 是负责资源调度和分配的进程,并进行集群的监控,类似于 Yarn 中的 RM;
- Worker 具体执行处理和计算的进程,一个 Worker 运行在集群中的一台服务器上,由 Master 分配资源对数据进行并行的处理和计算,类似于 Yarn 环境中 NM。
2.1.4 ApplicationMaster
Hadoop 用户向 YARN 集群提交应用程序时,提交程序中应该包含 ApplicationMaster,用于向资源调度器申请执行任务的资源容器 Container,运行用户自己的程序任务job,监控整个任务的执行,跟踪整个任务的状态,处理任务失败等异常情况。具体可以看之前关于 Yarn 的文章。
ResourceManager(资源)和 Driver(计算)之间的解耦合靠的就是 ApplicationMaster。
2.2 核心概念
2.2.1 Executor 与 Core
Executor 是集群中运行在工作节点(Worker)中的一个 JVM 进程,是整个集群中的专门用于计算的节点。在提交应用中,可以提供参数指定计算节点的个数,以及对应的资源。这里的资源一般指的是工作节点 Executor 的内存大小和使用的虚拟 CPU 核(Core)数量。
2.2.2 并行度(Parallelism)
整个集群并行执行任务的数量称之为并行度。
2.2.3 有向无环图(DAG)
原始的 RDD 通过一系列的转换就就形成了 DAG。RDD 任务会切分 Application、Job、Stage 和 Task。由 Application→Job→Stage→Task每一层都是 1 对 n 的关系。
- Application:初始化一个 SparkContext 即生成一个 Application;
- Job:一个 Application 中以 Action 算子划分 Job,如 collect、saveAsTexFile、show;
- Stage:一个 Job 中以 Shuffle 为边界划分 Stage,如 join、groupByKey、reduceByKey;
- Task:每个 Stage 有一组 Task组成(TaskSet),Task 个数由输入文件的切片决定,将 Stage 划分的结果发送到不同的 Executor 执行即为一个 Task。
原始的 RDD 通过一系列的转换就就形成了 DAG,DAG 的点表示 RDD,边表示计算和操作。整个 DAG 描述了计算逻辑。
总结以下就是:DAG 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。简单理解就是将整个程序计算的执行过程用图形表示出来,这样更直观,更便于理解,可以用于表示程序的拓扑结构。
3 Yarn 模式的提交流程
由于 Yarn 模式在工作中使用最多,所以这里讲解 Yarn 模式的提交流程。点击下方链接了解 Yarn 资源调度器。
Yarn 资源调度器
3.1 Yarn Client 模式
Client 模式 用于监控和调度的 Driver 模块在客户端(本地)执行,而不是在 Yarn 中,可以与集群进行调度和通讯,进行交互式作业。如果作业很多会造成 client 压力很大。
- Driver 在任务提交的本地机器上运行;
- Driver 启动后会和 ResourceManager 通讯申请启动 ApplicationMaster;
- ResourceManager 分配 container,在合适的 NodeManager 上启动 ApplicationMaster,负责向 ResourceManager 申请 Executor 内存;
- ResourceManager 接到 ApplicationMaster 的资源申请后会分配 container,然后 ApplicationMaster 在资源分配指定的 NodeManager 上启动 Executor 进程;
- Executor 进程启动后会向 Driver 反向注册,Executor 全部注册完成后 Driver 开始执行 main 函数;
- 之后执行到 Action 算子时,触发一个 Job,并根据宽依赖开始划分 stage,每个 stage 生成对应的 TaskSet,之后将 task 分发到各个 Executor 上执行。
3.2 Yarn Cluster 模式
Cluster 模式将用于监控和调度的 Driver 模块启动在 Yarn 集群资源中执行(运行在 AM 中)。一般应用于实际生产环境,提交完作业就可以关闭客户端,但无法交互式作业。
- 任务提交后会和 ResourceManager 通讯申请启动 ApplicationMaster;
- 随后 ResourceManager 分配 container,在合适的 NodeManager 上启动 ApplicationMaster,此时的 ApplicationMaster 就是 Driver 。
- Driver 启动后向 ResourceManager 申请 Executor 内存,ResourceManager 接到 ApplicationMaster 的资源申请后会分配 container,然后在合适的 NodeManager 上启动 Executor 进程
- Executor 进程启动后会向 Driver 反向注册,Executor 全部注册完成后 Driver 开始执行 main 函数,
- 之后执行到 Action 算子时,触发一个 Job,并根据宽依赖开始划分 stage,每个 stage 生成对应的 TaskSet,之后将 task 分发到各个 Executor 上执行。
欢迎关注。