从Spark架构中透视job

从Spark架构中透视job

视频学习来源：DT-大数据梦工厂 IMF传奇行动视频（后附王家林老师联系方式）

本期内容：

１、通过案例观察Spark架构

２、手动绘制Spark内部架构

３、Spark　Job逻辑视图解析

４、Spark　Job的物理视图解析

从Master角度讲：

    1、管理CPU、MEM等资源（也考虑网络）

    2、接收Driver端提交作业的请求，并为其分配资源（APPid等）

注：spark默认是粗粒度，即spark作业提交的时候就会为我们作业分配资源，运行的过程中一般使用已分配的资源，除非资源发生异常需要重新分配。

          Worker进程负责当前worker节点上的资源的使用。

运行作业：

    ./spark-shell --master spark://Master:7077

上图在作业运行的端口中可以看出Cores是32，Mem是4G是在Spark-env.sh中配置的，standalone模式spark-shell只是提交了一个程序，没有做任何事。默认情况下每个Worker上启动一个ExecutorBackend进程，一共有5个Executor。

配置Executor的情况（只有Application关闭，Executor才会关闭）：

          CPU利用率不高的情况下；

          默认的资源分配方式在每个Worker上启动一个ExecutorBackend进程，且默认情况下会最大的占用CPU和MEM,若不加限制，集群上出了Spark还有其他程序的话，Spark现运行就会占用最大的资源，给人一种Spark很占内存的感觉，若有多套计算框架，就需要资源管理器yarn或者mesos。

使用spark-shell运行程序会在Worker上多了进程CoarseGrainedExecutorBackend进程，默认情况下Worker节点为程序分配一个Executor，而 CoarseGrainedExecutorBackend 进程里有Executor，Executor会通过并发线程池并发执行的方式执行Task。

运行程序，广告点击排名，在ReduceByKey（_+_,1）中指定并行度为1，因为只有一个作业collect，DAG如下：

         从上面运行的job 可以看出一个job产生了3个stage，两个shuffledRDD，因为shuffledRDD是宽依赖（每个父RDD都被子RDD使用），因为 遇到宽依赖就断开，遇到窄依赖就把当前的RDD加入该Stage中，所以形成三个stage。

注：一次性最多在Executor中能运行多少个并发的任务task取决于当前节点Executor中Cores数量，在实际运行的时候哪个task执行完成，就会将资源回收到线程池中进行覆用，对于一次没法全部运行的任务，就会形成task排队的情况，为了应对这种情况， 优化的方法（避免oom），指定多个Executor线程池，获取更多的MEM和资源，但前提是我们的Spark运行在 拥有 其他大数据框架的集群中。

注：如果我们的Spark集群只是作为唯一的计算框架，没有其他计算框架，为了应对oom，需要增加分片数量，每个分片运行的数据减小。

         任务在运行前具体分配给谁主要取决于数据本地性（有些机器分配的多，也有些分配的少），

spark-shell --spark 

   从总体而言，spark在集群启动的时候，有个全局的资源管理器Master，负责整个集群资源的管理以及接受程序提交并为程序分配资源，而每个Worker节点上都一个Worker process来管理当前机器上的计算资源，当应用程序提交的时候，Master就会为我们提交的应用程序在每个节点上默认分配一个CorseGrainedExecutorBackend进程，该进程默认情况下载不对MEN和CPU进行限制，会最大化的应用当前机器的ＭＥＮ和ＣＰＵ，当Driver实例化没有问题的时候，Driver本身会进行作业的调度来驱动CorseGrainedExecutorBackend中的Executor中的线程，来具体并发执行task，这也是Spark并发执行的过程。

         而从 CorseGrainedExecutorBackend的角度来看是Worker Process来管理当前节点上的MEM 和CPU，但是真正管理资源的是Master，Worker Process只是走个形式，因为我们的 CorseGrainedExecutorBackend进程是被Worker Process分配的，实质上是通过Master来管理Worker节点的资源。

         每个Worker上包含一个或者多个ExecutorBackend进程，而每个ExecutorBackend中包含一个Executor对象，该对象拥有一个线程池，而每个线程又可以覆用多个Task任务。

          从DAG逻辑角度来看数据在Stage内部是pipeline流过去的，因为有两次ShuffledRDD，所以job被划分成3个Stage。

         从Hadoop的MapReduce角度看stage0上stage1 的mapper；而 stage1上stage0 的mapper； stage1上stage2 的mapper；而 stage2上stage1 的mapper，我们可以将Spark看做一个MapReduce的更加具体的实现。

王家林老师是大数据技术集大成者，中国Spark第一人：

ＤＴ大数据梦工厂

新浪微博：www.weibo.com/ilovepains/

微信公众号：DT_Spark

博客：http://.blog.sina.com.cn/ilovepains

TEL:18610086859

Email:18610086859@vip.126.com

王家林老师是大数据技术集大成者，中国Spark第一人：

ＤＴ大数据梦工厂

新浪微博：www.weibo.com/ilovepains/

微信公众号：DT_Spark

博客：http://.blog.sina.com.cn/ilovepains

TEL:18610086859

Email:18610086859@vip.126.com