大数据进阶之Spark运行流程

在大数据的诸多技术框架当中，Spark发展至今，已经得到了广泛的认可。Hadoop与Spark可以说是企业级数据平台的主流选择，基于不同的应用场景，来搭建符合需求的大数据系统平台。今天我们就来讲讲其中的Spark，Spark核心运行流程。

Spark计算模式

Spark是既Hadoop之后提出的又一代计算框架，同样主打离线批处理，但是在Hadoop原生计算引擎MapReduce的基础之上，做到了性能提升10-100倍，从而在Hadoop生态当中，超过了原生的MapReduce，逐步得到重用。

Spark继承了Hadoop MapReduce的特性，是典型的Master/worker架构。这种架构就是把计算任务进行划分，然后进行分配给多个Slave，也就是进行Map，等Slave完成了分配给自己的任务后，然后再Master上进行汇总，也就是Redudce，这就是MapReduce的思想。

Spark运行流程

Spark在Master上创建Spark context，创建SparkContext的目的是为了准备Spark应用程序的运行环境。在Spark中由SparkContext负责和ClusterManager通信，进行资源的申请、任务的分配和监控等。

Driver是驱动的意思，也就是整个系统启动之后，整个系统的运转时靠Driver来驱动的，用户自己的作业也是通过Driver来分解和调度运行的。

资源申请后，Spark通常会要求资源管理器在Container中启动自己的Worker，也就是Executor进程，同时启动命令里面会带着Driver的URL地址，方便Executor启动后，向Driver注册自己。

Executor向Driver注册自己之后，大家就相互认识了，就可以互相通信，根据协议进行交互，整个分布式系统也就运行起来了。

Driver和Executor直接通过RPC协议相互联系，Spark历史上内部使用过两种RPC实现，基于Akka Actor的RPC和基于Netty自己封装的RPC。

Executor是具体的执行者，Executor拿到属于自己的Task后，运行出结果，然后把结果汇报给Driver。

Driver和Executors都运行自己的Java进程，可以在同一台机器上，也可以在不同的机器上。

Spark资源管理

而关于资源管理器，有多种选择。可以是Spark自己实现的资源管理器，standalone模式，也可以采用一些比较通用的资源管理器，比如Yarn和Mesos，这也是为什么有说法，Spark可以自己独立运行，也可以与Hadoop集成协同。

关于大数据进阶之Spark运行流程，相信看完今天的分享内容，大家也都能够有比较清楚的认识了。Spark是大数据当中必须掌握的核心技术框架，对于运行原理、架构设计等，都需要牢牢掌握，熟练运用才行。