第三章 Spark运行模式及原理

第三章 Spark运行模式及原理

---

目录

1. Spark运行模式概述
2. Local模式
3. Standalone模式
4. Local cluster模式
5. Mesos模式
6. YARN standalone/YARN cluster模式
7. YARN client模式
8. 各种模式的实现细节比较
9. Spark1.0版本之后的变化
10. 小结

注：学习《Spark大数据处理技术》笔记

---

1. Spark运行模式概述

1. Spark运行模式列表

1. Spark应用程序的运行模式取决于传递给SparkContext的MASTER环境变量的值，个别模式还需要依赖辅助的程序接口来配合使用，目前所支持的MASTER环境变量由特定的字符串或URL所组成
   1. Local[N]：本地模式，使用N个线程
   2. Local cluster[worker, core, Memory]：伪分布模式，可以配置所需要启动的模拟工作，以及每个工作节点管理的CPU数量和内存尺寸
   3. Spark://hostname:port: Standalone 模式，需要部署Spark到相关节点，URL为Spark Master主机地址和端口
   4. Mesos://hostname:port：Mesos模拟，需要部署Spark和Mesos到相关节点，URL为Mesos主机地址和端口
   5. YARN standalone/YARN cluster：YARN 模式一，主程序逻辑和任务都运行在YARN集群中
   6. YARN client：YARN 模式二，主程序运行在本地，具体任务运行在YARN集群中

2. Spark基本工作流程

1. 多个运行模式从总体上来说，都基于一个相似的工作流程。从根本上都是将Spark的应用分为任务调度和任务执行两个部分
   1. 分布式模式下，Spark的各个调度和执行模块大致架构图
   
   2. 对于本地模式来说，其内部程序逻辑结构也是类似的，只是其中的部分模块有所简化，例如集群管理模块简化为进程内部的线程池
2. 从图3-1可知，所有的Spark应用程序都离不开SparkContext和Executor两部分
   1. Executor负责执行任务，运行Executor的机器称为Worker节点
   2. SparkContext由用户程序启动，通过资源调度模块和Executor通信
   3. SparkContext和Executor这两部分的核心代码实现在各个运行模式中都是公用的，在它们之上，根据运行部署模式的不同，包装了不同调度模块以及相关的适配代码
3. 具体来说，以SparkContext为程序运行的总入口，在SparkContext的初始化过程中，Spark会分别创建DAGScheduler作业调度和TaskScheduler任务调度两级调度模块
   1. 其中作业调度模块是基于任务阶段的高层调度模块，它为每个Spark作业计算具有依赖关系的多个调度阶段（通常根据shuffle来划分），然后为每个阶段构建出一组具体的任务（通常会考虑数据的本地性等），然后以TaskSets（任务组）的形式提交给任务调度模块来具体执行。
   2. 而任务调度模块则负责具体启动任务、监控和汇报任务运行情况
4. 作业调度模块和具体的部署运行模式无关，在各种运行模式下逻辑相同。
5. 不同的运行模式的区别主要体现在任务调度模块。不同的部署和运行模式，根据底层资源调度方式的不同，各自实现了自己特定的任务调度模块，用来将任务实际调度给对应的计算资源

3. 相关基本类

1. TaskScheduler/SchedulerBackend

   1. 为了抽象出一个公共的接口供DAGScheduler作业调度模块使用，所有的这些运行模式实现的任务调度模块都是基于这两个接口的（Trait）：TaskScheduler（见程序3-1）及SchedulerBackend（见程序3-2）
      1. TaskScheduler的实现主要用于于DAGScheduler交互，负责任务的具体调度和运行，其核心接口是submitTasks和canceTasks
         
      2. SchedulerBackend的实现是与底层资源调度系统交互（如Mesos/Yarn），配合TaskScheduler实现具体任务执行所需的资源分配，核心接口是receiveOffers
         
      3. 这两者之间的实际交互过程取决于具体的调度模式，理论上这两者的实现是成对匹配工作的，之所以拆分成两部分，是有利于相似的调度模式共享代码功能模块

2. TaskSchedulerImpl

   1. TaskSchedulerImpl实现了TaskScheduler接口，提供了大多数本地和分布式运行调度模式的任务调度接口
      
   2. 此外，它还实现了resourceOffers和statusUpdate这两个接口供Backend调用，用于提供调度资源和更新任务状态
      
   3. 另外，在提交任务和更新状态等阶段，TaskSchedulerImpl都会调用Backend的receiveOffers函数，用于发起一次任务资源调度请求

3. Executor

   1. 实际任务的运行，最终都由Executor类来执行，Executor对每一个任务创建一个TaskRunner类，交给线程池运行
      
   2. 运行结果通过ExecutorBackend接口返回
      

4. 图3-2列出了各种运行模式下相关类的关系图
   

5. 待续…