学习链接：https://www.bilibili.com/video/BV11A411L7CK?p=19&vd_source=b9e4f35102d61e6d02e0a5e1bbfea480

1 运行架构

master-slave
图片1.png
Driver表示master，负责管理整个集群中的作业任务调度
Executor是slave，负责实际执行任务

2 核心组件

Spark框架有两个核心组件：Driver和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。

  • 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

    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。
    Master是一个进程，负责资源的调度和分配，进行集群的监控等，类似于Yarn的ResourceManager
    Worker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处理和计算，类似于Yarn的NodeManager

    2.4 ApplicationMaster

    ApplicationMaster用于ResourceManager（资源）和 Driver（计算）之间的解耦合。
    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。

    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。资源一般指工作节点的内存大小和使用的虚拟CPU核数。
    应用程序启动参数：
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。这里我们将整个集群并行执行任务的数量称之为并行度。

3.3 有向无环图DAG

以 Spark 为代表的第三代的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。

4 提交流程

基于Yarn的提交流程：
图片2.png
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。

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，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