Spark的Yarn模式运行机制

Yarn模式运行机制

Yarn Cluster模式--用于生产

• cluster模式提交任务流程图
• Client先向RM（ResourceManager）提交请求，并上传jar到HDFS上
• RM在集群中选择一个NM，在其上启动AppMaster，在AppMaster中实例化SparkContext(Driver)
• AppMaster向RM注册应用程序，注册的目的是申请资源。RM监控App的运行状态直到结束
• AppMaster申请到资源后，与NM通信，在Container中启动Executor进程
• Executor向Driver反向注册，申请任务
• Driver对应用进行解析，最后将Task发送到Executor上
• Executor中执行Task，并将执行结果或状态汇报给Driver
• 应用执行完毕，AppMaster通知RM注销应用，回收资源

Yarn Client 模式--用于调试

• Yarn Client提交任务流程图
• 启动应用程序实例化SparkContext，向RM申请启动AppMaster
• RM在集群中选择一个NM，在其上启动AppMaster
• AppMaster向RM注册应用程序，注册的目的是申请资源。RM监控App的运行状态直到结束
• AppMaster申请到资源后，与NM通信，在Container中启动Executor进程
• Executor启动之后向Driver反向注册，申请任务
• Driver对应用进行解析，最后将Task发送到Executor上
• Executor中执行Task，并将执行结果或状态汇报给Driver
• 应用执行完毕，AppMaster通知RM注销应用，回收资源

Client模式与Cluster模式的区别

• client模式：

• Driver运行在客户端

• 适用于调试，能直接看见各种日志

• 连接断了，任务就挂了

• cluster模式：

• Driver运行在AppMaster中（运行在集群中）

• 适合于生产，日志需要登录到某个节点才能看到

• 连接断了，任务不受影响

核心组件：

Master(Cluster Manager)：集群中的管理节点，管理集群资源，通知 Worker 启动 Executor 或 Driver

Worker ：集群中的工作节点，负责管理本节点的资源，定期向Master汇报心跳，接收Master的命令，启动Driver或 Executor

Driver：执行 Spark 应用中的 main 方法，负责实际代码的执行工作。其主要任务：

• 负责向集群申请资源，向master注册信息
• Executor启动后向 Driver 反向注册
• 负责作业的解析、生成Stage并调度Task到Executor上
• 监控Task的执行情况，执行完毕后释放资源
• 通知 Master 注销应用程序

Executor：是一个 JVM 进程，负责执行具体的Task。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， 会将出错节点上的任务调度到其他Executor 节点上继续运行。Executor 核心功能：

• 负责运行组成 Spark 应用的任务，并将结果返回给 Driver 进程
• 通过自身的 Block Manage 为应用程序缓存RDD

集群部署方式

Standalone：独立模式，Spark 原生的简单集群管理器，自带完整的服务，可单独部署到一个集群中，无需依赖任何其他资源管理系统，使用 Standalone 可以很方便地搭建一个集群；

Hadoop YARN：统一的资源管理机制，在上面可以运行多套计算框架，如MapReduce、Storm 等，根据driver 在集群中的位置不同，分为 yarn client 和 yarn cluster；

Apache Mesos：一个强大的分布式资源管理框架，它允许多种不同的框架部署在其上

提交任务时，以下参数共同决定了 Spark 运行方式：

• master MASTER_URL ：决定了 Spark 任务提交给哪种集群处理
• deploy-mode DEPLOY_MODE：决定了 Driver 的运行方式，可选值为 Client（缺省值） 或 Cluster

---