Spark系列-6、Spark的部署模式DeployMode

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

大数据系列文章目录

官方网址：http://spark.apache.org/、https://databricks.com/spark/about

介绍

Spark Application提交运行时部署模式Deploy Mode，表示的是Driver Program运行的地方， 要么是提交应用的Client：client，要么是集群中从节点（Standalone：Worker，YARN： NodeManager）：cluster。

--deploy-mode DEPLOY_MODE

Whether to launch the driver program locally ("client") or on one of the worker machines inside the cluster ("cluster")(Default: client).

默认值为client，当时在实际项目中，尤其在生产环境，使用cluster部署模式提交应用运行。

两种模式区别

Cluster和Client模式最本质的区别是：Driver程序运行在哪里。

client 模 式

以Spark Application运行到Standalone集群上为例，前面提交运行圆周率PI或者词频统计WordCount程序时，默认DeployMode为Client，表示应用Driver Program运行在提交应用Client 主机上（启动JVM Process进程），示意图如下：

假设运行圆周率PI程序，采用client模式，命令如下：

SPARK_HOME=/export/server/spark

${SPARK_HOME}/bin/spark-submit \

--master spark://node1.cn:7077,node2.cn:7077 \

--deploy-mode client \

--driver-memory 512m \

--executor-memory 512m \

--num-executors 1 \

--total-executor-cores 2 \

--class org.apache.spark.examples.SparkPi \

${SPARK_HOME}/examples/jars/spark-examples_2.11-2.4.5.jar \ 10

cluster模式

如果采用cluster模式运行应用，应用Driver Program运行在集群从节点Worker某台机器上。

SPARK_HOME=/export/server/spark

${SPARK_HOME}/bin/spark-submit \

--master spark://node1.cn:7077,node2.cn:7077 \

--deploy-mode cluster \

--supervise \

--driver-memory 512m \

--executor-memory 512m \

--num-executors 1 \

--total-executor-cores 2 \

--class org.apache.spark.examples.SparkPi \

${SPARK_HOME}/examples/jars/spark-examples_2.11-2.4.5.jar \ 10

两者比较

Cluster和Client模式最最本质的区别是：Driver程序运行在哪里。

• cluster模式：生产环境中使用该模式
  Driver程序在YARN集群中
  应用的运行结果不能在客户端显示
• client 模式：学习测试时使用，开发不用，了解即可
  Driver运行在Client上的SparkSubmit进程中
  应用程序运行结果会在客户端显示

Spark on YARN

当应用提交运行到Hadoop YARN上时，包含两个部分：应用管理者AppMaster和于运行应用进程Process（如MapReduce程序MapTask和ReduceTask任务），如下图所示：

Spark Application提交运行在集群上时，应用架构有两部分组成：Driver Program（资源申请和调度Job执行）和Executors（运行Job中Task任务和缓存数据），都是JVM Process进程：

所以Spark Application运行在YARN上时，采用不同DeployMode时架构不一样，企业实际生产环境还是以cluster模式为主，client模式用于开发测试，两者的区别面试中常问。

YARN Client 模 式

在YARN Client模式下，Driver在任务提交的本地机器上运行，示意图如下：

具体流程步骤如下：
1、Driver在任务提交的本地机器上运行，Driver启动后会和ResourceManager通讯申请启动ApplicationMaster；

2、随后ResourceManager分配Container，在合适的NodeManager上启动ApplicationMaster， 此时的ApplicationMaster的功能相当于一个ExecutorLaucher，只负责向ResourceManager申请Executor内存；

3、ResourceManager接到ApplicationMaster的资源申请后会分配Container，然后ApplicationMaster在资源分配指定的NodeManager上启动Executor进程；
4、Executor进程启动后会向Driver反向注册，Executor全部注册完成后，Driver开始执行main 函数；
5、之后执行到Action算子时，触发一个Job，并根据宽依赖开始划分Stage，每个Stage生成对应的TaskSet，之后将Task分发到各个Executor上执行。

以运行词频统计WordCount程序为例，提交命令如下：

/export/server/spark/bin/spark-submit \

--master yarn \

--deploy-mode client \

--driver-memory 512m \

--executor-memory 512m \

--executor-cores 1 \

--num-executors 2 \

--queue default \

--class cn.spark.submit.SparkSubmit \ hdfs://node1.cn:8020/spark/apps/spark-chapter01_2.11-1.0.0.jar \
/datas/wordcount.data /datas/swcy-client

YARN Cluster 模 式

在YARN Cluster模式下，Driver运行在NodeManager Contanier中，此时Driver与AppMaster 合为一体，示意图如下

具体流程步骤如下：
1、任务提交后会和ResourceManager通讯申请启动ApplicationMaster;
2、随后ResourceManager分配Container，在合适的NodeManager上启动ApplicationMaster， 此时的ApplicationMaster就是Driver；

3、Driver启动后向ResourceManager申请Executor内存，ResourceManager接到ApplicationMaster的资源申请后会分配Container,然后在合适的NodeManager上启动Executor进程;

4、Executor进程启动后会向Driver反向注册;
5、Executor全部注册完成后Driver开始执行main函数，之后执行到Action算子时，触发一个job，并根据宽依赖开始划分stage，每个stage生成对应的taskSet，之后将task分发到各个Executor上执行;
以运行词频统计WordCount程序为例，提交命令如下：

/export/server/spark/bin/spark-submit \

--master yarn \

--deploy-mode cluster \

--driver-memory 512m \

--executor-memory 512m \

--executor-cores 1 \

--num-executors 2 \

--queue default \

--class cn.spark.submit.SparkSubmit \ hdfs://node1.cn:8020/spark/apps/spark-chapter01_2.11-1.0.0.jar \
/datas/wordcount.data /datas/swcy-cluster

MAIN函数代码执行

Spark Application应用程序运行时，无论client还是cluster部署模式DeployMode，当Driver Program和Executors启动完成以后，就要开始执行应用程序中MAIN函数的代码，以词频统计WordCount程序为例剖析讲解。

1、构建SparkContex对象和关闭SparkContext资源，都是在Driver Program中执行，上图中
①和③都是，如下图所示：

2、上图中②的加载数据【A】、处理数据【B】和输出数据【C】代码，都在Executors上执行，从WEB UI监控页面可以看到此Job（RDD#action触发一个Job）对应DAG图，如下所示：

将结果数据resultRDD调用saveAsTextFile方法，保存数据到外部存储系统中，代码在Executor 中执行的。但是如果resultRDD调用take、collect或count方法时，获取到最终结果数据返回给Driver， 代码如下：
运行应用程序时，将数组resultArray数据打印到标准输出，Driver Program端日志打印结果：

综上所述Spark Application中Job执行有两个主要点：

1. RDD输出函数分类两类
   第一类：返回值给Driver Progam，比如count、first、take、collect等
   第二类：没有返回值，比如直接打印结果、保存至外部存储系统（HDFS文件）等
2. 在Job中从读取数据封装为RDD和一切RDD调用方法都是在Executor中执行，其他代码都是在Driver Program中执行
   SparkContext创建与关闭、其他变量创建等在Driver Program中执行
   RDD调用函数都是在Executors中执行

再续 Spark 应用

当Spark Application运行在集群上时，主要有四个部分组成，如下示意图：

1、Driver：是一个JVM Process 进程，编写的Spark应用程序就运行在Driver上，由Driver进程执行；
2、Master(ResourceManager)：是一个JVM Process 进程，主要负责资源的调度和分配，并进行集群的监控等职责；
3、Worker(NodeManager)：是一个JVM Process 进程，一个Worker运行在集群中的一台服务器上，主要负责两个职责，一个是用自己的内存存储RDD的某个或某些partition；另一个是启动其他进程和线程（Executor），对RDD上的partition进行并行的处理和计算。
4、Executor：是一个JVM Process 进程，一个Worker(NodeManager)上可以运行多个Executor， Executor通过启动多个线程（task）来执行对RDD的partition进行并行计算，也就是执行我们对RDD定义的例如map、flatMap、reduce等算子操作。

Spark支持多种集群管理器（Cluster Manager）,取决于传递给SparkContext的MASTER环境变量的值：local、spark、yarn，区别如下：

结束

到这里，Spark第一部分基础环境以及相关介绍就结束了，下面开始Spark Core系列文章。