自己编写的spark代码执行流程

　　我们自己编写了spark代码后;放到集群中一执行，就会出现问题，没有序列化、指定的配置文件不存在、classnotfound等等。这其实很多时候就是因为我们对自己编写的spark代码执行流程的不熟悉导致的，源码阅读可以解决，但源码不是每个人都能看懂或能看进去的，下面我们就来讲一下，我们自己写的spark代码究竟是这么执行的。从执行的过程可分为三个部分来分析main方法，RDD处理方法，DStream处理方法，从执行的JVM虚拟机可以分为两个部分driver端，worker端

（架构师之路③群：256909960，欢迎加入）

一、main方法

　　main方法就是在driver端执行的，当然这里是把RDD计算的Action剔除的情况，先看一段代码

1、driver端

　　除了rdd算子中的代码其他都是在driver端执行，并且只执行一次

（架构师之路③群：256909960，欢迎加入）

2、worker端

　　DSUtil.dSopt()这里的带就是处理DSTream的，其中有一部分代码是driver一部分是Worker的，这里姑且认为是在worker端

（架构师之路③群：256909960，欢迎加入）

二、DStream处理方法

　　在sparkStreaming中spark引入了DStream，实际上就是RDD的map集合（不是很精确），在处理的时候代码是：

（架构师之路③群：256909960，欢迎加入）

1、driver端

　　除了Dstram计算中的代码其他都是在driver端并且只执行一次。

　　这里需要注意的是DStream的action方法（闭包）中的代码也不是全在worker端执行，只有在处理rdd时才会在Worker端执行，其他是在driver端执行的；

　　与DStream的算子方法外的代码区别是，这里是计算一次执行一次。

（架构师之路③群：256909960，欢迎加入）

2、worker端

　　rdd的Action操作（闭包）中的代码都是在Worker端执行的

（架构师之路③群：256909960，欢迎加入）

三、RDD处理方法

　　最后我们来看看RDD算子闭包在执行时代码如何执行

（架构师之路③群：256909960，欢迎加入）

1、driver端

　　挡在调用count方法处理rdd时，与rdd算子无关的代码都是计算一次执行一次

（架构师之路③群：256909960，欢迎加入）

2、worker端

　　rdd的算子闭包是在driver端中执行的

（架构师之路③群：256909960，欢迎加入）

四、总结

　　根据spark中job的生成过程，来看代码执行就一目了然了，spark中job的生成是在driver端，这里只是生成了一个模板，并不会在driver端执行，spark会把这个模板及与模板相关的对象一起发送到worker端（这就是移动计算不移动数据，与storm的区别），Worker有了数据和模板就可以计算了，Worker会从Action算子开始向上逆推在计算，这样就有了Rdd算子代码在worker端执行；

但是这里ForeachRDD，transformRDD中的代码怎么又在driver端执行了？

　　这是因为spark一开始生成的是一个静态模板在spark每个batch执行计算式，会用这个静态的模板动态生成以DAG，所以就有了DStream中的算子代码在driver中执行

（架构师之路③群：256909960，欢迎加入）

五、参考资料

 Spark Streaming 实现思路与模块概述

（架构师之路③群：256909960，欢迎加入）

转载于:https://www.cnblogs.com/irich/p/7479164.html