Spark Client和Cluster两种运行模式的工作流程区别

1.client 模式: 在Client模式下，Driver进程会在当前客户端启动，客户端进程一直存在直到应用程序运行结束。

该模式下的工作流程图主要如下：

工作流程如下：

       1.启动master和worker . worker负责整个集群的资源管理，worker负责监控自己的cpu,内存信息并定时向master汇报

       2.在client中启动Driver进程，并向master注册

       3.master通过rpc与worker进行通信，通知worker启动一个或多个executor进程

       4.executor进程向Driver注册，告知Driver自身的信息，包括所在节点的host等

       5.Driver对job进行划分stage，并对stage进行更进一步的划分，将一条pipeline中的所有操作封装成一个task，并发送到向自己注册的executor

          进程中的task线程中执行

       6.应用程序执行完成，Driver进程退出

2.cluster模式：在cluster模式下，Driver进程将会在集群中的一个worker中启动，而且客户端进程在完成自己提交任务的职责后，就可以退出，而不用等到应用程序执行完毕。

该模式下的工作流程图如下：

工作流程如下：

        1.在集群的节点中，启动master , worker进程，worker进程启动成功后，会向Master进行注册。

        2.客户端提交任务后，ActorSelection（master的actor引用）,然后通过ActorSelection给Master发送注册Driver请求（RequestSubmitDriver）

        3.客户端提交任务后，master通知worker节点启动driver进程。(worker的选择是随意的，只要worker有足够的资源即可)

           driver进程启动成功后，将向Master返回注册成功信息

        4.master通知worker启动executor进程

        5.启动成功后的executor进程向driver进行注册

        6.Driver对job进行划分stage，并对stage进行更进一步的划分，将一条pipeline中的所有操作封装成一个task，并发送到向自己注册的executor

          进程中的task线程中执行

        7.所有task执行完毕后，程序结束。

通过上面的描述我们知道：Mater负责整个集群的资源的管理和创建worker，worker负责当前结点的资源的管理，并会将当前的cpu，内存等信息定时告知master,并且负责创建Executor进程(也就是最小额资源分配单位)，Driver负责整个应用任务的job的划分和stage的切割以及task的切割和优化，并负责把task分发到worker对应的节点的executor进程中的task线程中执行, 并获取task的执行结果，Driver通过SparkContext对象与spark集群获取联系，得到master主机host，就可以通过rpc向master注册自己。