Spark调研笔记第4篇 - PySpark Internals

其实，有两个名为PySpark的概念，一个是指Spark客户端内置的pyspark脚本，而另一个是指Spark Python API中的名为pyspark的package。

本文只对第1个pyspark概念做介绍。

1. Spark客户端内置的pyspark"命令"
Spark客户端支持交互模式以方便应用调试，通过调用pyspark可以进入交互环境：
cd /path/to/spark/ && ./bin/pyspark
用编辑器查看可知，pyspark其实是个shell脚本，部分内容摘出如下：

从上面的脚本片段可知，若调用./bin/pyspark时传入要执行的python脚本路径，则pyspark是直接调用spark-submit脚本向spark集群提交任务的；若调用./bin/pyspark时未带任何参数，则会通过调起Python解释器（$PYSPARK_DRIVER_PYTHON）进入交互模式，其中调起Python解释器前，pyspark脚本会通过export PYTHONPATH将与Spark Python API相关的库加入Python解释器的加载路径，以便交互环境中能正确import与Spark相关的库。

2. PySpark Internals
通过上面的介绍，我们已经清楚Spark客户端内置pyspark脚本的用处，那么，当通过./bin/pyspark进入交互模式后，本地的Python driver进程（即Python解释器进程）和Spark集群worker节点的executor(s)进程是怎么交互的呢？下面来回答这个问题。
事实上，当我们在本地机器通过./bin/pyspark进入交互模式并向Spark集群提交任务时，本地会在执行pyspark脚本时先启动一个被称为driver program的Python进程并创建SparkContext对象，而后者会通过Py4J启动一个JVM进程并创建JavaSparkContext对象，该JVM进程负责与集群的worker节点传输代码或数据。
从Spark Wiki关于PySpark Internals的说明可知，PySpark建立在Spark Java API之上，数据按Python的语法行为被处理，执行结果由JVM负责cache或shuffle，数据流交互结构如下图所示：

由上图可知，用户提交的Python脚本中实现的RDD transformations操作会在本地转换为Java的PythonRDD对象，后者由本地的JVM发往Spark集群节点。在远程的worker节点上，PythonRDD对象所在的JVM进程会调起Python子进程并通过pipe进行进程间通信（如向Python子进程发送用户提交的Python脚本或待处理的数据）。

以上就是当我们调用./bin/pyspark时，spark客户端和集群节点之间的内部结构。
理解这些内容有助于我们从总体上加深对Spark这个分布式计算平台的认识。例如，当调用rdd.collect()时，这个action操作会把数据从集群节点拉到本地driver进程。如果数据集比较大，则可能报出类似于"spark java.lang.OutOfMemoryError: Java heap space"的错误。而由本文的介绍可知，提交任务时，本地driver进程启动了一个JVM进程，默认的JVM是有最大内存限制的，如果数据集的大小超过driver默认的最大内存限制，就会报出OOM的错误。解决办法是在spark-defaults.conf中增加配置项spark.driver.memory，将其值设置到较大值。

【参考资料】
1. Spark Wiki Homepage: PySpark Internals

========================== EOF ======================