目录标题

    • 1 运行架构
    • 2 核心组件
      • 2.1 Driver
      • 2. 2 Executor
      • 2. 3 Master & Worker
      • 2. 4 ApplicationMaster
    • 3 核心概念
      • 3.1 Executor 与 Core
      • 3. 2 并行度(Parallelism)
      • 3. 3 有向无环图(DAG)
    • 4 提交流程
      • 4.1 Yarn Client 模式
      • 4. 2 Yarn Cluster 模式
    • 5 分布式计算模拟
      • 5.1 Driver
      • 5.2 Executor
      • 5.3 Executor2
      • 5.4 Task
      • 5.5 SubTask

1 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 master-slave 的结构。
如下图所示，它展示了一个 Spark 执行时的基本结构。 图形中的 Driver 表示master， 负责管理整个集群中的作业任务调度。图形中的 Executor 则是 slave，负责实际执行任务。

2 核心组件

由上图可以看出，对于 Spark 框架有两个核心组件：Driver&&Executor

2.1 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

实际上，我们无法准确地描述 Driver 的定义，因为在整个的编程过程中没有看到任何有关 Driver 的字眼。所以简单理解，所谓的 Driver 就是驱使整个应用运行起来的程序，也称之为 Driver 类。

2. 2 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 有两个核心功能：

  • 负责运行组成 Spark 应用的任务，并将结果返回给驱动器进程
  • 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。

2. 3 Master & Worker

Spark 集群的独立部署环境中， 不需要依赖其他的资源调度框架，自身就实现了资源调 度的功能， 所以环境中还有其他两个核心组件：Master 和 Worker，这里的 Master 是一个进 程， 主要负责资源的调度和分配，并进行集群的监控等职责， 类似于 Yarn 环境中的RM, 而 Worker 呢，也是进程， 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. 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。

说的简单点就是，ResourceManager (资源) 和 Driver (计算)之间的解耦合靠的就是 ApplicationMaster。

3 核心概念

3.1 Executor 与 Core

Spark 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。

应用程序相关启动参数如下：

名称说明
–num-executors配置 Executor 的数量
–executor -memory配置每个 Executor 的内存大小
–executor -cores配置每个 Executor 的虚拟 CPU core 数量

3. 2 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， 所以能够真正地实现多任务并行执行， 记住，这里是并行， 而不是并发。这里我们将 整个集群并行执行任务的数量称之为并行度。那么一个作业到底并行度是多少呢？这个取决 于框架的默认配置。应用程序也可以在运行过程中动态修改。

3. 3 有向无环图(DAG)

大数据计算引擎框架我们根据使用方式的不同一般会分为四类，其中第一类就是 Hadoop 所承载的 MapReduce,它将计算分为两个阶段，分别为 Map 阶段 和 Reduce 阶段。 对于上层应用来说， 就不得不想方设法去拆分算法，甚至于不得不在上层应用实现多个 Job 的串联，以完成一个完整的算法，例如迭代计算。 由于这样的弊端，催生了支持 DAG 框 架的产生。 因此，支持 DAG 的框架被划分为第二代计算引擎。如 Tez 以及更上层的 Oozie。这里我们不去细究各种 DAG 实现之间的区别，不过对于当时的 Tez 和 Oozie 来 说，大多还是批处理的任务。接下来就是以 Spark 为代表的第三代的计算引擎。第三代计 算引擎的特点主要是 Job 内部的 DAG 支持(不跨越 Job)， 以及实时计算。

这里所谓的有向无环图，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。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。

DAG (Directed Acyclic Graph) 有向无环图是由点和线组成的拓扑图形， 该图形具有方 向，不会闭环。

4 提交流程

所谓的提交流程，其实就是我们开发人员根据需求写的应用程序通过 Spark 客户端提交 给 Spark 运行环境执行计算的流程。在不同的部署环境中，这个提交过程基本相同，但是又 有细微的区别， 我们这里不进行详细的比较， 但是因为国内工作中，将 Spark 引用部署到 Yarn 环境中会更多一些，所以本课程中的提交流程是基于 Yarn 环境的。

Spark 应用程序提交到 Yarn 环境中执行的时候，一般会有两种部署执行的方式： Client 和 Cluster 。两种模式主要区别在于： Driver 程序的运行节点位置。

4.1 Yarn Client 模式

Client 模式将用于监控和调度的 Driver 模块在客户端执行， 而不是在 Yarn 中，所以一 般用于测试。

  • 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。

4. 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。一般应用于 实际生产环境。

  • 在 YARN Cluster 模式下， 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。

5 分布式计算模拟

5.1 Driver

package com.atguigu.bigdata.spark.core.testimport java.io.{ObjectOutputStream, OutputStream}import java.net.Socketobject Driver {def main(args: Array[String]): Unit = {// 连接服务器val client1 = new Socket("localhost", 9999)val client2 = new Socket("localhost", 8888)val task = new Task()val out1: OutputStream = client1.getOutputStreamval objOut1 = new ObjectOutputStream(out1)val subTask = new SubTask()subTask.logic = task.logicsubTask.datas = task.datas.take(2)objOut1.writeObject(subTask)objOut1.flush()objOut1.close()client1.close()val out2: OutputStream = client2.getOutputStreamval objOut2 = new ObjectOutputStream(out2)val subTask1 = new SubTask()subTask1.logic = task.logicsubTask1.datas = task.datas.takeRight(2)objOut2.writeObject(subTask1)objOut2.flush()objOut2.close()client2.close()println("客户端数据发送完毕")}}

5.2 Executor

package com.atguigu.bigdata.spark.core.testimport java.io.{InputStream, ObjectInputStream}import java.net.{ServerSocket, Socket}object Executor {def main(args: Array[String]): Unit = {// 启动服务器，接收数据val server = new ServerSocket(9999)println("服务器启动，等待接收数据")// 等待客户端的连接val client: Socket = server.accept()val in: InputStream = client.getInputStreamval objIn = new ObjectInputStream(in)val task: SubTask = objIn.readObject().asInstanceOf[SubTask]val ints: List[Int] = task.compute()println("计算节点[9999]计算的结果为：" + ints)objIn.close()client.close()server.close()}}

5.3 Executor2

package com.atguigu.bigdata.spark.core.testimport java.io.{InputStream, ObjectInputStream}import java.net.{ServerSocket, Socket}object Executor2 {def main(args: Array[String]): Unit = {// 启动服务器，接收数据val server = new ServerSocket(8888)println("服务器启动，等待接收数据")// 等待客户端的连接val client: Socket = server.accept()val in: InputStream = client.getInputStreamval objIn = new ObjectInputStream(in)val task: SubTask = objIn.readObject().asInstanceOf[SubTask]val ints: List[Int] = task.compute()println("计算节点[8888]计算的结果为：" + ints)objIn.close()client.close()server.close()}}

5.4 Task

package com.atguigu.bigdata.spark.core.testclass Task extends Serializable {val datas = List(1,2,3,4)//val logic = ( num:Int )=>{ num * 2 }val logic : (Int)=>Int = _ * 2}

5.5 SubTask

package com.atguigu.bigdata.spark.core.testclass SubTask extends Serializable {var datas : List[Int] = _var logic : (Int)=>Int = _// 计算def compute() = {datas.map(logic)}}