Spark 运行架构核心总结

摘要：

1.基本术语

2.运行架构

     2.1基本架构

     2.2运行流程

　  2.3相关的UML类图

　  2.4调度模块：

            2.4.1作业调度简介

            2.4.2任务调度简介

3.运行模式

     3.1 standalone模式

4.RDD实战

总结：

1. 基本术语：

•  Application：在Spark 上建立的用户程序，一个程序由一个驱动程序（Driver Program）和集群中的执行进程（Executer）构成。
•  Driver Program：运行应用程序（Application）的main函数和创建SparkContext的程序。
•  Executer：运行在工作节点（Work Node）上的进程。Executer负责运行任务（Task）并将各节点的数据保存在内存或磁盘中。每个应用程序都有自己对应Executer
•  Work Node:集群中运行应用程序（Applicatuon）的节点
•  Cluster Manager: 在集群上获取资源的外部服务（如Standalone,Mesos,Yarn)，称作资源管理器或集群管理器
•  Job: 包含多个Task的并行计算，往往由Spark Action（如save,collect）触发生成，一个Application中往往会产生多个Job
•  Stage:每个Job被分成了更小的任务集合（TaskSet），各个阶段（Stage）相互依赖
•  Task:被发送到某一个Executer的工作单元
•  DAGScheduler:基于Stage的逻辑调度模块,负责将每个Job分割成一个DAG图
•  TaskScheduler:基于Task的任务调度模块，负责每个Task的跟踪和向DAGScheduler汇报任务执行情况

　　2.运行架构

　　　　2.1基本架构：

        　　图示：

　　　　　

　　　　Spark Application在集群中以一组独立的进程运行，通过你的驱动程序（driver program）中的SparkContext 对象进行协作。

　　　　具体来说，SparkContext可以连接到多种类型的集群管理器 cluster managers  （standalone cluster manager,  Mesos ,YARN），这些 cluster managers 负责跨应用程序分配资源。一旦连接，Spark就获得集群中的节点上的executors，接下来，它会将应用程序代码发送到executors。最后，SparkContext发送tasks到executors运行。

　　　　注意：该驱动程序会一直监听并接受其executor传入的连接（spark.driver.port在网络配置部分）。这样，driver program必须可以寻找到工作节点的网络地址。数据不能跨应用程序（SparkContext）访问，除非写入外部系统

2.1.1 SparkContext类（代表连接到spark集群，现在一个jvm只能有一个sc,以后会取消）：

　　　　几个重要的属性（包含DAGScheduler,TaskScheduler调度，获取executor,心跳与监听等）：

　　　　说明：这里的下划线_代表默认值，比如Int 默认值就是0,String默认值就是None  参考知乎

+ View Code

2.1.2 Executor（一个运行任务的线程池，通过RPC与Driver通信）：

　心跳报告（心跳进程，记录心跳失败次数和接受task的心跳）：

　这里有两个参数：spark.executor.heartbeat.maxFailures = 60，spark.executor.heartbeatInterval = 10s，意味着最多每隔10min会重新发送一次心跳

+ View Code

　　

Task管理（taskRunner类的启动，停止）

1 2	// Maintains the list of running tasks. private  val  runningTasks  =  new  ConcurrentHashMap[Long, TaskRunner]

下面是TaskRunner 的run方法，贴出来，以后研究

+ View Code

　　　

　　

　　　　2.2运行流程:

　　　　　　图示：

　　　　　　

　　　　　　注意这里的StandaloneExecutorBackend是一个概念（我在spark项目中没找到），实际上的spark standalone的资源调度类是 CoarseGrainedExecutorBackend

　　　　　　1.构建Spark Application的运行环境（启动SparkContext），SparkContext向资源管理器（ClusterManager）（可以是Standalone、Mesos或YARN）注册并申请运行Executor资源；
　　　　　　2.资源管理器分配Executor资源并启动StandaloneExecutorBackend，Executor运行情况将随着心跳发送到资源管理器上； 
　　　　　　3.SparkContext构建成DAG图，将DAG图分解成Stage，并把Taskset发送给Task Scheduler。

　　　　　　　Executor向SparkContext申请Task，Task Scheduler将Task发放给Executor运行同时SparkContext将应用程序代码发放给Executor。

　　　　　　4.Task在Executor上运行，运行完毕释放所有资源。

　　　　　2.3相关的类：　　　

　　　　　　　　ExecutorBackend:

　　　　　　　　特质签名（Executor用来向集群调度发送更新的插件）

　　　　　　　　

　　　　　　　　各种运行模式的类图：

　　　　　　　　

　　　　　　其中standalone是用SparkDeploySchedulerBackend配合TeskSchedulerImpl工作，相关类图应该是：

　　　　　　

　　　　　　SchedulerBackend特质（核心函数：reviveOffers()）

　　　　　　　

CoarseGrainedExecutorBackend（receive方法里是若干模式匹配，类似于switch case，根据相关模式执行相应操作。主要有注册Executor,运行Task等）

+ View Code

　　　　　　

 最后一个类SparkDeploySchedulerBackend（start）：

+ View Code

　　　　　　

　　　　2.4调度模块：

            　　2.4.1作业调度简介

　　　　　　DAGScheduler: 根据Job构建基于Stage的DAG（Directed Acyclic Graph有向无环图)，并提交Stage给TASkScheduler。 其划分Stage的依据是RDD之间的依赖的关系找出开销最小的调度方法，如下图

　　　　　　

　　　　　　

　　　　　　注：从最后一个Stage开始倒推,如果有依赖关系 就先解决父节点,如果没有依赖关系 就直接运行;这里做了一个简单的实验：Spark DAGSheduler生成Stage过程分析实验

　　　　　　2.4.2 任务调度简介：

　　　　　　TaskSchedulter: 将TaskSet提交给worker运行，每个Executor运行什么Task就是在此处分配的. TaskScheduler维护所有TaskSet，当Executor向Driver发生心跳时，TaskScheduler会根据资源剩余情况分配相应的Task。

　　　　　　另外TaskScheduler还维护着所有Task的运行标签，重试失败的Task。下图展示了TaskScheduler的作用

　　　　　　

　　　　　在不同运行模式中任务调度器具体为：

1. 1. 　　Spark on Standalone模式为TaskScheduler
   2. 　　YARN-Client模式为YarnClientClusterScheduler
   3. 　　YARN-Cluster模式为YarnClusterScheduler

　　3.运行模式

    　　 3.1 standalone模式

---

• Standalone模式使用Spark自带的资源调度框架
• 采用Master/Slaves的典型架构，选用ZooKeeper来实现Master的HA
• 框架结构图如下:
• 
• 该模式主要的节点有Client节点、Master节点和Worker节点。其中Driver既可以运行在Master节点上中，也可以运行在本地Client端。当用spark-shell交互式工具提交Spark的Job时，Driver在Master节点上运行；当使用spark-submit工具提交Job或者在Eclips、IDEA等开发平台上使用”new SparkConf.setManager(“spark://master:7077”)”方式运行Spark任务时，Driver是运行在本地Client端上的
• 运行过程如下图：（参考至）
• 

1. SparkContext连接到Master，向Master注册并申请资源（CPU Core 和Memory）
2. Master根据SparkContext的资源申请要求和Worker心跳周期内报告的信息决定在哪个Worker上分配资源，然后在该Worker上获取资源，然后启动StandaloneExecutorBackend；
3. StandaloneExecutorBackend向SparkContext注册；
4. SparkContext将Applicaiton代码发送给StandaloneExecutorBackend；并且SparkContext解析Applicaiton代码，构建DAG图，并提交给DAG Scheduler分解成Stage（当碰到Action操作时，就会催生Job；每个Job中含有1个或多个Stage，Stage一般在获取外部数据和shuffle之前产生），然后以Stage（或者称为TaskSet）提交给Task Scheduler，Task Scheduler负责将Task分配到相应的Worker，最后提交给StandaloneExecutorBackend执行；
5. StandaloneExecutorBackend会建立Executor线程池，开始执行Task，并向SparkContext报告，直至Task完成
6. 所有Task完成后，SparkContext向Master注销，释放资源

 　　

4 RDD实战

　　　　以下面一个按 A-Z 首字母分类，查找相同首字母下不同姓名总个数的例子来看一下 RDD 是如何运行起来的。

　　　　

1 2 3 4 5

sc.makeRDD(Seq( "arachis" , "tony" , "lily" , "tom" )).map{        name  = > (name.charAt( 0 ),name)      }.groupByKey().mapValues{        names  = > names.toSet.size  //unique and count      }.collect()

 　

　提交Job collect

 划分Stage

　提交Stage , 开始Task 运行调度

Stage0的DAG图，makeRDD => map ; 相应生成了两个RDD：ParallelCollectionRDD,MapPartitionsRDD

 　Stage1 的DAG图，groupByKey => mapValues; 相应生成两个RDD：ShuffledRDD, MapPartitionsRDD

• 将这些术语串起来的运行层次图如下：
• 
• Job=多个stage，Stage=多个同种task, Task分为ShuffleMapTask和ResultTask，Dependency分为ShuffleDependency和NarrowDependency

链接：

　　Spark官网：http://spark.apache.org/docs/latest/cluster-overview.html

　　http://www.cnblogs.com/tgzhu/p/5818374.html