Spark学习—— (3) 运行模式Local,Standalone,YARN

Spark有多种运行模式，包括——

• local模式，本地运行
• Standalone模式，使用Spark原生的资源调度器
• YARN模式（生产模式中常用），使用Hadoop的YARN作为资源调度器
• Mesos模式，使用Mesos作为资源调度器

本文主要介绍前面三种最常用的运行模式，其中每种模式又可细分为两种模式。在搭建好集群的基础上，使用各个模式分别运行，描述其运行过程。

关于集群搭建，可以参考上一篇笔记。

若有错误的地方，请大佬指正。

1. 配置Spark历史服务器

在运行Spark程序过程中，可以通过http://driver:4040访问web UI，查看运行情况。但是运行结束后，就无法再查看。为了后面查看Spark任务的方便，这里先配置下Spark历史服务器。

1.1 配置

1. 查看之前配置HDFS时设置的文件系统的位置，在hadoop/etc/hadoop/core-site.xml文件中，如下，之前设置端口号为9000

<configuration>
	<property>
		<name>fs.defaultFS</name>
		<value>hdfs://master:9000</value>   
	</property>
	...
</configuration>

2. 修改spark/conf/spark-defaults.conf，目录下有对应的template文件，复制一下就好，在后面增加内容如下：

spark.eventLog.enabled true
spark.eventLog.dir hdfs://master:9000/spark/history

3. 修改spark/conf/spark-env.sh，目录下有对应的template文件，复制一下就好，在后面增加内容如下：

#历史服务器
export SPARK_HISTORY_OPTS="-Dspark.history.fs.logDirectory = hdfs://master:9000/spark/history -Dspark.history.ui.port=18080"

4. 把文件发送到另外两个slave节点（不发也可以）

scp -r /opt/spark/conf Node@slave1:/opt/spark
scp -r /opt/spark/conf Node@slave2:/opt/spark

1.2 启动历史服务器

1. 启动HDFS，启动相应的namenode和datanode

/opt/hadoop/sbin/start-dfs.sh

2. 创建上述目录

hdfs dfs -mkdir /spark
hdfs dfs -mkdir /spark/history

3. 启动spark/sbin/start-history-server.sh

sbin/start-history-server.sh

4. 验证是否启动成功，如下，看到HistoryServer，且Web UI可正常访问

2. local模式

local模式包括 local[N] 模式和 local-cluster 模式，都是在单机上运行。

2.1 local[N]概念

本地运行模式，用单机的多个线程（单个进程，区分local-cluster模式）来模拟Spark的分布式计算，通常用于验证程序的逻辑是否有问题。

local[N]的N表示使用N个线程，每个线程有一个core。

若不指定，则N=1；若为*，则N等于机器上拥有的逻辑核的数量。（Run Spark locally with as many worker threads as logical cores on your machine.）

2.2 local[N]运行过程

使用local[N]模式运行时，无需启动Master、Worker守护进程（Standalone模式才需要）。

（这里使用ubuntu默认的python2.7我运行不了，参考Reference.6切换成3.5就可以了）

1. 使用如下命令运行，在spark目录下，运行example程序，计算pi值，指定使用4个线程

spark-submit --master local[4] examples/src/main/python/pi.py 1000

2. 查看运行时的进程，可以看到除了历史服务器相关的进程，只有一个SparkSubmit进程

3. 在历史服务器查看应用运行情况如下，可以看到按照设定的使用了4个线程

4. 整体运行过程大致如下（按照Spark的运行流程来看）：

• SparkSubmit充当client角色，提交Spark应用
• SparkSubmit运行Driver程序，启动SparkContext
• SparkSubmit创建一个Eexcutor，创建线程池，大小为4（个人理解为：SparkSubmit本身也是资源管理器，分配给自身）
• Driver创建tasks，然后将这些tasks分配到Executor中执行

2.3 local-cluster概念

本地运行模式，与local[N]的区别在于local-cluster模式使用单机下的多个进程来更大程度地模拟集群的分布式场景，一般也是用于验证程序的逻辑是否有问题。

提交程序需要提供local-cluster[x,y,z]参数，x表示生成的executor数目，y表示每个executor拥有的core数/线程数，z表示每个executor的memory大小。

2.4 local-cluster运行过程

1. 使用如下命令运行计算pi值的程序，指定使用2个executor，每个有4个core，memory为1024M

spark-submit --master local-cluster[2,4,1024]  examples/src/main/python/pi.py 1000

2. 查看运行时的进程，可以看到有一个SparkSubmit进程和两个CoarseGrainedExecutorBackend进程

   关于CoarseGrainedExecutorBackend进程，可以参考Reference.3

   CoarseGrainedExecutorBackend 是 Executor 运行所在的进程名称，Executor 才是真正处理 Task 的对象，Executor 内部是通过线程池的方式来完成 Task 的计算的。

   CoarseGrainedExecutorBackend 是一个消息通信体(其实现了 ThreadSafeRpcEndPoint) ，可以发送信息给 Driver 并可以接受 Driver 中发过来的指令，例如启动 Task 等。

3. 在历史服务器查看运行情况如下，可以看到driver和Executor不在同一个进程里，每个Executor有4个核

4. 整体运行过程大致如下（按照Spark的运行流程来看）：

• SparkSubmit充当client角色，提交Spark应用

• SparkSubmit运行Driver程序，启动SparkContext，获取Executor的信息

• 本地启动CoarseGrainedExecutorBackend进程，向Driver进程进行Executor的注册，注册成功后在CoarseGrainedExecutorBackend中创建Executor对象

• Driver创建tasks，然后将这些tasks发送给 CoarseGrainedExecutorBackend，ExecutorBackend通过调用LaunchTask将任务交给Executors中执行

（此处粗体只是简单地描述了Executor的运行过程，更详细的运行过程可以参考Reference.3）

3. Standalone模式

3.1 概念定义

Standalone模式是指使用Spark原生的资源管理器的集群运行模式。

在Standalone模式下，需要使用Master和Worker节点，其中，Master节点负责资源的调度，即为Cluster Manager，负责控制、管理、监控集群中的worker节点。

Standalone模式分为Client模式和Cluster模式，区别在于——

• Client模式下，Client提交应用后，Driver程序在Client上运行
• Cluster模式下，Client提交应用后，Client通知Master，Master随机选择一个满足Driver资源需求的Worker，在该Worker节点上运行Driver

Client模式适用于测试阶段，不能应用到生产环境中，因此假设提交client提交多个application到集群，则client节点上将会运行多个Driver程序，负载过大。

3.2 Client模式运行过程

1. 使用start-all.sh启动集群（此处在spark-env.sh中设置SPARK_WORKER_INSTANCES=2），所以每个slave有两个Worker进程，如下：

2. 使用如下命令提交任务，指定master节点和class参数

spark-submit --master spark://master:7077 --class org.apache.spark.examples.SparkPi examples/jars/spark-examples_2.11-2.4.1.jar 1000

3. 查看各进程如下和历史服务器如下：

4. Client模式下运行过程如下：

• Client提交Application，并在客户端启动Driver
• Driver启动SparkContext，与Master通信，通知该Application需要在哪些Worker启动Executor
• Master与对应的Worker通信发送启动Executor的消息
• 本地启动CoarseGrainedExecutorBackend进程，向Driver进程进行Executor的注册，注册成功后在CoarseGrainedExecutorBackend中创建Executor对象
• Driver创建tasks，然后将这些tasks发送给 CoarseGrainedExecutorBackend，ExecutorBackend通过调用LaunchTask将任务交给Executors中执行

3.3 Cluster模式运行过程

1. 使用如下命令提交任务，指定master节点、class参数、deploy-mode

spark-submit --master spark://master:7077 --deploy-mode cluster --class org.apache.spark.examples.SparkPi examples/jars/spark-examples_2.11-2.4.1.jar 1000

2. 查看各进程如下和历史服务器如下，注意到——
   • slave2有DriverWrapper进程，即Driver在slave2上运行
   • slave2其中一个Worker的core数少了一个，用于运行Driver

3. Cluster模式下运行过程如下（与Client模式只有第一步有区别）：

• Client提交Application，Client通知Master，Master随机选择一个满足Driver资源需求的Worker，在上面生成一个子进程DriverWrapper来启动driver程序
• Driver启动SparkContext，与Master通信，通知该Application需要在哪些Worker启动Executor
• Master与对应的Worker通信发送启动Executor的消息
• 本地启动CoarseGrainedExecutorBackend进程，向Driver进程进行Executor的注册，注册成功后在CoarseGrainedExecutorBackend中创建Executor对象
• Driver创建tasks，然后将这些tasks发送给 CoarseGrainedExecutorBackend，ExecutorBackend通过调用LaunchTask将任务交给Executors中执行

4. YARN模式

4.1 概念定义

YARN模式是指使用Hadoop的YARN作为资源管理器的集群运行模式。

在YARN模式下，不需要使用Master和Worker节点，而是使用YARN下的RM节点与NM节点，对应Standalone模式下的Master节点和Worker节点。

YARN的运行流程如下（来自之前的笔记，可以先看一下），Spark的YARN模式流程基本相同。

YARN模式同样分为两种，区别在于——

• Client模式下，Client提交应用后，Driver程序在Client上运行
• Cluster模式下，Client提交应用后，Client通知ResourceManager，Resource Manager在集群中的某个NodeManager上运行ApplicationMaster，该AM同时会执行driver程序

4.2 Client模式运行过程

1. 使用start-yarn.sh启动yarn集群，如下：

2. 使用如下命令提交应用，指定master为YARN

spark-submit --master yarn --class org.apache.spark.examples.SparkPi examples/jars/spark-examples_2.11-2.4.1.jar 1000

3. 查看各节点进程与历史服务器，可以看到——
   • Client节点有SparkSubmit进程，执行Driver程序
   • slave2节点有ExecutorLauncher进程，启动AM
   • 两个NM节点上都有CoarseGrainedExecutorBackend来并发执行程序

4. 运行过程如下（前两步相当于YARN中的”用户提交应用“，接下来为YARN的工作流程，而最后两步与Standalone相同，也就是AM分配作业的功能由Driver执行了）：

• Client模式下，Client提交应用后，Driver程序在Client上运行
• Driver程序向Resource Manager发送请求，启动ApplicationMaster
• ResourceManager的ASM为该应用程序分配第一个Container，并与对应的NodeManager通信，在Container上启动ApplicationMaster
• ApplicationMaster首先向ResourceManager注册，这样用户可以直接通过ResourceManager查看应用程序的运行状态
• ApplicationMaster采用轮询的方式通过RPC协议向ResourceManager申请资源
• 一旦ApplicationMaster申请到资源，则与对应的NodeManager通信，要求其启动任务
• NodeManager获得container资源后，启动CoarseGrainedExecutorBackend进程，向Driver进程进行Executor的注册，注册成功后在CoarseGrainedExecutorBackend中创建Executor对象
• Driver创建tasks，然后将这些tasks发送给 CoarseGrainedExecutorBackend，ExecutorBackend通过调用LaunchTask将任务交给Executors中执行

4.3 Cluster模式运行过程

1. 使用如下命令提交应用，指定master为YARN，deploy-mode为cluster

spark-submit --master yarn --deploy-mode cluster --class org.apache.spark.examples.SparkPi examples/jars/spark-examples_2.11-2.4.1.jar 1000

2. 查看各节点进程与历史服务器，可以看到——
   • Client节点有SparkSubmit进程
   • slave2节点有ApplicationMaster进程，启动Driver，历史服务器也能看到driver在slave2上
   • 两个NM节点上都有CoarseGrainedExecutorBackend来并发执行程序

3. 运行过程如下（与Client模式的区别在于Driver不在Client上执行，而在AM节点上执行，相当于AM除了申请资源、要求NodeManager启动任务外，还具有任务调度能力）：

• Client提交应用后，向ResourceManager请求启动ApplicationMaster
• ResourceManager的ASM为该应用程序分配第一个Container，并与对应的NodeManager通信，在Container上启动ApplicationMaster，该节点同时执行Driver程序
• ApplicationMaster首先向ResourceManager注册，这样用户可以直接通过ResourceManager查看应用程序的运行状态
• ApplicationMaster采用轮询的方式通过RPC协议向ResourceManager申请资源
• 一旦ApplicationMaster申请到资源，则与对应的NodeManager通信，要求其启动任务
• NodeManager获得container资源后，启动CoarseGrainedExecutorBackend进程，向AM节点的Driver进程进行Executor的注册，注册成功后在CoarseGrainedExecutorBackend中创建Executor对象
• Driver创建tasks，然后将这些tasks发送给 CoarseGrainedExecutorBackend，ExecutorBackend通过调用LaunchTask将任务交给Executors中执行

Reference

1. spark学习(基础篇)–(第三节)Spark几种运行模式

2. Spark多种运行模式

3. Spark内核 第33课：Spark Executor内幕彻底解密：Executor工作原理图、ExecutorBackend注册源码解密、Executor实例化内幕、Executor具体工作内幕

4. spark 从spark-submit开始解析整个任务调度流程

5. Spark中Standalone的两种提交模式（Standalone-client模式与Standalone-cluster模式）

6. ubuntu下切换默认的python版本

7. Hadoop学习——(1) 基础知识

8. 【Spark篇】—Spark中yarn模式两种提交任务方式