1. Standalone 模式两种提交任务方式
1.1 Standalone-client 提交任务方式
-
提交命令
$./spark-submit --master spark://masterNode:7077 --class 主类 jar路径 100
或者
$./spark-submit --master spark://masterNode:7077 --deploy-mode client --class 主类 jar路径 100
-
执行原理图解
-
执行流程
- client 模式提交任务后,会在客户端启动Driver进程。
- Driver会向Master申请启动Application 启动的资源。
- 资源申请成功,Driver端将task发送到workder端执行。
- worker 将 task 执行结果返回Driver端。
-
总结
client 模式适用于测试调试程序。Driver 进程是在客户端启动的,这里的客户端就是指提交应用程序的当前节点。在Driver端可以看到task 执行的情况。生产环境不能使用 client 模式。因为:假设要提交 100 个 application 到集群运行。Driver每次都会在client 端启动,那么就会导致客户端 100 次网卡流量暴增的问题。
1.2 Standalone-cluster 提交任务方式
-
提交命令
$./spark-submit --master spark://masterNode:7077 --deploy-mode cluster --class 主类 jar包 100
-
执行原理图解
-
执行流程
- cluster 模式提交应用程序后,会向Master请求启动Driver。
- Master 接收请求,随机在集群一台节点启动Driver进程。
- Driver 启动后为当前的应用程序申请资源。
- Driver端发送task到worker节点上执行。
- worker将执行情况和执行结果返回给Driver端。
-
总结
Driver进程是在集群中某一台Worker上启动的,在客户端是无法查看task的执行情况的。假设要提交100个application到集群运行,每次Driver会随机在集群中某一台Worker上启动,那么这100 词网卡流量暴增的问题就散布到集群上。
1.3 总结
Standalone 两种方式提交任务,Driver与集群的通信包括:
- Driver 负责应用程序资源的申请
- 任务的分发
- 结果的回收
- 监控task 执行情况
2. Yarn 模式两种提交任务方式
2.1 yarn-client 提交任务方式
-
提交命令
./spark-submit --master yarn --class 类名 jar包路径 100
或
./spark-submit --master yarn-client --class 类名 jar包路径 100
或
./spark-submit --master yarn --deploy-mode client --class 类名 jar包路径 100
-
执行原理图解
-
执行流程
- 客户端提交一个Application,在客户端启动一个Driver进程。
- 应用程序启动后会向RS(ResourceManager)发送请求,启动AM(ApplicationMaster)的资源。
- RS收到请求,随机选择一台NM(NodeManager)启动AM。这里的NM相当于Standalone中的Worker节点。
- AM启动后,会向RS请求一批container资源,用于启动Executor。
- RS会找到一批NM返回给AM,用于启动Executor。
- AM会向NM发送命令启动Executor。
- Executor启动后,会反向注册给Driver,Driver发送task到Executor。Executor将执行情况和结果返回给Driver端。
-
总结
Yarn-client 模式统一适用于测试,因为Driver运行在本地。Driver会与yarn集群中的Executor进行大量的通信,会造成客户机网卡流量的大量增加。
ApplicationMaster的作用:
-
为当前的Application申请资源。
-
给NodeManager发送消息启动Executor。
注意:ApplicationMaster 有发起Executor和申请资源的功能,并没有作业调度的功能。
-
2.2 yarn-cluster 提交任务方式
-
提交命令
./spark-submit --master yarn --deploy-mode cluster --class 主类 jar包路径 100
或
./spark-submit --master yarn-cluster --class 主类 jar包路径 100
-
执行原理图解
-
执行流程
- 客户机提交Application应用程序,发送请求到RS(ResourceManager),启动AM(ApplicationMaster)。
- RS 收到请求后随机在一台NM(NodeManager)上启动AM(相当于Driver端)。
- AM启动后,发送请求到RS,请求获取一批container用于启动Executor。
- RS返回一批NM节点给AM。
- AM连接到NM,发送请求到NM,启动Executor。
- Executor反向注册到AM所在的节点的Driver。Driver发送task到Executor。
-
总结
Yarn-Cluster 主要用于生产环境中,因为Driver运行在Yarn集群中某一台NodeManager。每次提交任务的Driver所在的机器都是随机的,不会产生某一台机器网卡流量激增的现象。缺点是任务提交后不能看到日志,只能通过yarn查看日志。
ApplicationMaster的作用:
- 为当前的Application申请资源。
- 给NodeManager发送消息启动Excutor。
- 任务调度。
停止集群任务命令:yarn application -kill applicationId
3. Spark 术语解释
- Master(standalone):资源管理的主节点(进程)
- Cluster Manager:在集群上获取资源的外部服务(例如standalone、Mesos、Yarn)
- Worker Node(standalone):资源管理的从节点(进程)或者说管理本机资源的进程。
- Application:基于Spark的用户程序,包含driver程序和运行在集群上的Executor程序。
- Driver Program:用来连接工作进程(Worker)的进程。
- Executor:在一个Worker进程所管理的节点上为某Application启动的一个进程,该进程负责运行任务,并且负责将数据存在内存或磁盘上。每个应用都有各自独立的executors。
- Task:被送到某个Executor上的工作单元。
- Job:包含很多任务的并行计算,可以看做和Action对应。
- Stage:一个Job会被拆分很多组任务,每个任务被称为Stage(就像MapReduce分 Map Task和Reduce Task一样)
4. 窄依赖和宽依赖
RDD之间有一系列的依赖关系,依赖关系又分为窄依赖和宽依赖。
-
窄依赖
父RDD 和子RDD partition之间的关系是一对一的。或者父RDD 一个partition只对应一个子RDD的partition情况下的的父RDD和子RDD。partition关系是多对一的。不会有shuffle的产生。
-
宽依赖
父RDD和子RDD partition之间的关系是一对多。会有shuffle的产生。
-
宽窄依赖图解
5. Stage
Spark任务会根据RDD之间的依赖关系,形成一个DAG有向无环图。DAG会提交给DAGScheduler,DAGScheduler会把DAG划分相互依赖的多个stage,划分的依据就是RDD之间的宽窄依赖。遇到宽依赖就划分stage,每个stage包含一个或多个task任务。然后将这些task以taskSet的形式提交给TaskScheduler运行。
stage是由一组并行的task组成。
5.1 Stage切割规则
切割规则:从后往前,遇到宽依赖就切割stage。
5.2 Stage计算模式
pipeline 管道计算模式,pipeline只是一种计算思想、模式。
数据一直在管道里面,什么时候数据会落地?
- 对RDD进行持久化。
- shuffle writer的时候。
Stage的task并行度是由stage的最后一个RDD的分区数来决定的。
如何改变RDD的分区数
例如:reduceByKey("key",4)
, groupByKey(4)
5.3 验证pipeline 计算模式
val conf = new SparkConf()
conf.setMaster("local").setAppName("pipeline")
val sc = new SparkContext(conf)
val rdd1 = sc.parallelize(Array(1,2,3,4))
val rdd2 = rdd1.map {x => {
println("map======>"+x)
x
}}
val rdd3 = rdd2.filter { x=> {
println("filter=====>"+x)
true
}}
rdd3.collect()
sc.stop()
6. Spark 资源调度和任务调度
6.1 图解Spark资源调度和任务调度的流程
6.2 Spark 资源调度和任务调度的流程
- 启动集群后,Worker节点会向Master节点汇报资源情况,Master掌握了集群资源情况。
- 当Spark提交一个Application 后,根据RDD之间的依赖关系,将Application形成一个DAG有向无环图。
- 任务提交后,Spark会在Driver端创建两个对象:DAGScheduler 和TaskScheduler。
- DAGScheduler是任务调度的最高层调度器,是一个对象。
- DAGScheduler的主要作用就是将DAG根据RDD之间的宽窄依赖关系划分一个个的Stage,然后将这些Stage以TaskSet的形式提交给TaskScheduler(TaskScheduler是任务调度的低层调度器,这里TaskSet其实就是一个集合,里面封装的就是一个个的task任务,也就是Stage中的并行度task任务)。
- TaskScheduler会遍历TaskSet集合,拿到每个task后会将task发送到计算节点Executor中去执行(其实就是发送到Executor中的线程池ThreadPool去执行)。
- Task在Executor线程池中的运行情况会向TaskScheduler反馈。当Task执行失败时,则由TaskScheduler负责重试,将Task重新发送给Executor去执行,默认重试3次。
- 如果重试了3次依然失败,那么这个Task所在的Stage就失败了。Stage失败了则由DAGScheduler来复制重试,重新发送TaskSet到TaskScheduler。Stage默认重试5次。如果4次以后依然失败,那么这个job就失败了。job失败了,Application就失败了。
TaskScheduler不仅能重试失败的task,还会重试 straggling(落后、缓慢)task(也就是执行速度比其他task慢太多的task)。如果有运行缓慢的task,那么TaskScheduler会启动一个新的task来与这个缓慢的task执行相同的处理逻辑。两个task哪个先执行完,就以哪个task的执行结果为准。这就是Spark的推测执行机制。在Spark中推测执行默认是关闭的。可以通过spark.speculation
属性来配置。
注意:
- 对于ETL 类型要入数据库的业务要关闭推测执行机制,这样就不会有重复的数据入库。
- 如果遇到数据倾斜的情况,开启推测机制则有可能导致一直会有task重新启动的处理相同的逻辑,任务可能一直处于处理不完的状态。
6.3 粗粒度资源申请和细粒度资源申请
-
粗粒度资源申请(Spark)
在Application执行之前,将所有的资源申请申请完毕,当资源申请成功后,才会进行任务的调度,当所有task执行完后,才会释放着部分资源。
优点:在Application执行之前,所有的资源都申请完毕。每个task直接使用资源就可以了。不需要task在执行前自己去申请资源。task启动就快了,task执行也就快了,Application执行就快了。
缺点:知道最后一个task执行完成才会释放资源,集群的资源无法充分利用。
-
细粒度资源申请(MapReduce)
Application执行之前不需要先去申请资源,而是直接执行。让job中的每个task在执行前自己去申请资源,task执行完成就释放资源。
优点:集群的资源可以充分利用。
缺点:task自己去申请资源,task启动就变慢。Application的运行就相应的变慢了。