一、什么是spark?
- spark是一个用来实现快速而通用的集群计算的平台
- 是对MapReuduce计算模型的扩展
- 高效地支持更多的计算模式,包括交互式查询和流处理
- 重要特点:能够在内存中计算
二、spark运行模式
local
主要用于开发调试Spark应用程序
Standlone
利用Spark自带的资源管理与调度器运行Spark集群,采用Master/Slave结构,为解决单点故障,可以采用Xookeeper实现高可靠
Apache Mesos
运行在Mesos资源管理框架基础之上,该集群运行模式将资源管理交给Mesos,Spark只负责运行任务调度和计算
Hadoop YARN
集群运行在Yarn资源管理器上,资源管理交给YARN,spark负责任务调度和计算
三、spark组件
如上图,一个完整的spark应用程序:
-
由一个驱动程序(Driver program)来发起集群上的各种并行操作
驱动器程序包含应用的main函数 -
驱动器负责创建SparkContext
-
sparkContext可以与不同种类的集群资源管理器(Cluster Manager)进行通信
-
获取到集群所需的资源后,SparkContext将得到集群中工作节点(Worker Node)上对应的Executor
不同的Spark程序有不同的Executor,他们之间是相互独立的进程,Executor为应用程序提供分布式计算以及数据存储功能 -
SparkContext将应用程序代码发送到各Executor,最后将任务分配给executor执行
(1)ClusterManager:控制整个集群,监控worker。在Standalone模式为Master节点;在YARN模式中为ResourceManager
(2)Worker:从节点,负责控制计算节点,启动Executor或Driver。在Standalone模式中为slave;在YARN模式中,为NodeManager
(3)Driver:运行应用的main函数,并创建SparkContext
(4)Executor:执行器,在worker node上执行任务的组件、用于启动线程池运行任务,每个应用拥有独立的一组Executor
(5)SparkContext:整个应用的上下文,控制应用的生命周期
(6)RDD:spark的计算单元
(7)DAG Scheduler:根据作业构建基于Stage的DAG,并提交Stage给TaskScheduler
(8)TaskScheduler:将任务分发给Executor
(9)SparkEnv:线程级别的上下文,存储运行时的重要组件的引用