目录

一 . Yarn的角色回顾

二、Spark提交任务流程

1、Spark On Standalone

2. Spark on Yarn

三. Spark比MapReduce执行效率高的原因

四.Spark的排序算子

一 . Yarn的角色回顾

资源管理层面

集群资源管理者(Master) : ResourceManager

单机资源管理者(Worker) : NodeManager

任务计算层面

单任务管理者(Master) : ApplicationMaster

单位执行者(Worker) : Task (容器内计算框架的工作角色)

Spark中有多个角色，每个角色都有不同的功能和责任。以下是Spark中常见的角色：

  1. Driver：驱动程序是Spark应用程序的主要组件，负责定义应用程序的逻辑和控制执行流程。它将应用程序转化为任务，并将任务分发给集群中的执行器进行执行。

  2. Executor：执行器是在集群中运行的工作进程，负责执行驱动程序分发的任务。每个执行器都有自己的资源，包括CPU和内存，并且可以同时执行多个任务。

  3. Master：主节点是Spark集群的管理节点，负责分配任务给各个执行器，并监控它们的状态。它还负责维护集群的元数据信息，如应用程序的进度和资源分配情况。

  4. Worker：工作节点是集群中的计算资源提供者，负责接收和执行任务。它们通过与主节点通信来接收任务，并将任务分配给执行器进行执行。

  5. Cluster Manager：集群管理器是负责管理整个Spark集群的组件，它可以是Standalone模式下的Spark自带的集群管理器，也可以是其他第三方集群管理器，如YARN或Mesos。

  6. Application：应用程序是由驱动程序和执行器组成的Spark任务的集合。它定义了数据处理和计算逻辑，并通过驱动程序将任务分发给执行器进行执行。

  7. Task：任务是应用程序中的最小执行单元，由驱动程序定义并分发给执行器进行执行。每个任务都会处理一部分数据，并生成中间结果或最终结果。

  8. Stage：阶段是一组相互依赖的任务的集合，它们可以并行执行。Spark将应用程序的任务划分为多个阶段，以便更好地利用并行计算能力。

  9. RDD：弹性分布式数据集（RDD）是Spark中的核心数据抽象，它是一个可分区、可并行计算的数据集合。RDD可以在内存中缓存，并支持容错和恢复。

  10. DataFrame：DataFrame是一种以表格形式组织的分布式数据集，类似于关系型数据库中的表。它提供了丰富的数据操作和查询功能，并支持多种数据格式。

二、Spark提交任务流程

1、Spark On Standalone

  1. spark集群启动后，Worker向Master注册信息

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

  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；

2. Spark on Yarn

Spark On Yarn的本质?

Master角色由YARN的ResourceManager担任。

Worker角色由YARN的NodeManager担任。

Driver角色运行在YARN容器内 或 提交任务的客户端进程中，真正干活的Executor运行在YARN提供的容器内。

Spark on yarn运行过程,为什么需要将jar包上传到hdfs:

因为集群环境中,只有node1安装了Spark环境,node2和node3都没有安装,所以node2和node3要运行Spark的时候,会先去hdfs中把Jar包下载到本地进行缓存,所以node2和node3才可以运行Spark

三. Spark比MapReduce执行效率高的原因

1.内存计算:Spark将反复使用的数据缓存在内存中,减少了数据加载的耗时,相比之下,MapReduce将中间结果保存在文件中,需要频繁地进行磁盘读写操作,导致性能较低
2.数据交换:Spark使用内存进行数据交换,而MapReduce需要将数据写入磁盘再进行读取,这样的过程会增加IO开销,因此,Spark在数据交换方面更快.
3.DAG计算模型:Spark采用DAG(有向无环图)计算模型,可以将多个任务合并为一个DAG图,从而减少了任务之间的数据传输和磁盘读写.而MapReduce每个任务之间都需要进行磁盘读写,导致效率较低
综上所述,Spark通过内存计算,数据交换和DAG计算模型等方式提高了执行效率,相比之下,MapReduce在可靠性和内存占用方面更优,但性能较低

四.Spark的排序算子

sortByKey :对数据按照Key键进行排序

sortBy : 根据自定义规则对数据进行排序

top : 对数据进行降序排序,然后取前N个元素,返回的结果是List列表