Spark总结（模式）

Standalone

Standalone-client模式：启动集群的时候worker现象master汇报情况（都有什么资源）；client用spark-submit提交任务：提交任务的时候会在本机上启动driver进程；

接着向master申请资源（在跑任务之前）；然后driver进程就会发送到任务到节点上的excutor运行；运行完成后回收结果

 

总结：

Client模式，会在客户端启动diver，并且可以看到log和总结果

注意：此种方式一般是用于测试用的。这么做的原因是，假设有10个application任务在本机上运行，会造成网卡流量激增，严重情况下会挤掉其他进程

 

Standalone-cluster模式：启动集群的时候worker现象master汇报情况（都有什么资源）；client用spark-submit提交任务的时候：想master申请启动driver进程；master会根据worker提供的资源情况，了来随机调一台合适的机器启动diver进程；这个diver进程就会向master申请APPalication资源；master就会给diver返回一批符合资源要求的worker节点；然后driver进程就会发送到任务到节点上的excutor运行；运行完成后回收结果

 

总结：

Cluster模式：driver进程随机运行worker节点

 

Yarn

Yarn-client模式：client中的saprk -submit提交任务是，会在本机上面启动diver；然后向ResouceManager（简称RM）申请启动ApplicationMaster（简称AM）；RM会随机选择以后合适的节点开启AM；然后AM向RM申请资源；RM然会返回携带符合资格的continer资源的NM；client将任务（task）发送给AM；AM向excutor发送任务并返回结果。

 

总结:

Yarn-client模式同样是适用于测试，因为Driver运行在本地，Driver会与yarn集群中的Executor进行大量的通信，会造成客户机网卡流量的大量增加.

 

 

Yarn-cluster：client用spark-submit提交任务的时候：向ResouceManager（简称RM）申请启动driver进程；RM会根据worker提资源情况，了来随机调一台合适的机器启动diver（AM）进程；这个diver进程就会向RM申请APPalication资源；RM就会给diver返回一批符合cantiner资源要求的NM节点；然后driver进程就会发送到任务到节点上的excutor运行；excutor运行完成后回收结果

 

总结：

Yarn-Cluster主要用于生产环境中，因为Driver运行在Yarn集群中某一台nodeManager中，每次提交任务的Driver所在的机器都是随机的，不会产生某一台机器网卡流量激增的现象，缺点是任务提交后不能看到日志。只能通过yarn查看日志。

 

 

 

术语技术解释：

宽窄依赖

宽依赖与窄依赖

RDD之间的一系列的依赖关系分为窄依赖和宽依赖

当父RDD中的patition对子RDD的patition是一对一或者，多对一个也是窄依赖，当反过来，父RDD的patition对子RDD的patition的一对多的时候是宽依赖。当窄依赖时就不会产生shafull，宽依赖的时候会产生shafull，影响速度。算子决定了是宽依赖和窄依赖：。。。。。。。。。

 

stage

数据一直在管道里面什么时候数据会落地？

1. 对RDD进行持久化。
2. shuffle write的时候。

如何改变RDD的分区数？

例如：reduceByKey(XXX,3),GroupByKey(4)

 

流程

1. spark 会根据RDD的依赖关系产生DAG有向无环图

2.DAGScehdule会将有向无环图进行切割

3.从finalRDD往前追溯，遇到宽依赖，产生一个stage,遇到窄依赖继续往前追溯.

 

几个小点

Patition里边不是数据而是计算逻辑

 

宽依赖算子可以改变分区。因为它已经产生了shuafull，数据都已经放在了磁盘里，所以我模拟可以重新分配

 

Stage不能跨job：RDD只有结束才会触发JOB。

Stage的task并行度是由stage的最后一个RDD的分区数来决定的 。

 

Spark资源调度和任务调度的流程

启动集群后，Worker节点会向Master节点汇报资源情况，Master掌握了集群资源情况。当Spark提交一个Application后，根据RDD之间的依赖关系将Application形成一个DAG有向无环图。任务提交后，Spark会在Driver端创建两个对象：DAGScheduler和TaskScheduler，DAGScheduler是任务调度的高层调度器，是一个对象。DAGScheduler的主要作用就是将DAG根据RDD之间的宽窄依赖关系划分为一个个的Stage，然后将这些Stage以TaskSet的形式提交给TaskScheduler（TaskScheduler是任务调度的低层调度器，这里TaskSet其实就是一个集合，里面封装的就是一个个的task任务,也就是stage中的并行度task任务），TaskSchedule会遍历TaskSet集合，拿到每个task后会将task发送到计算节点Executor中去执行（其实就是发送到Executor中的线程池ThreadPool去执行）。task在Executor线程池中的运行情况会向TaskScheduler反馈，当task执行失败时，则由TaskScheduler负责重试，将task重新发送给Executor去执行，默认重试3次。如果重试3次依然失败，那么这个task所在的stage就失败了。stage失败了则由DAGScheduler来负责重试，重新发送TaskSet到TaskSchdeuler，Stage默认重试4次。如果重试4次以后依然失败，那么这个job就失败了。job失败了，Application就失败了。

TaskScheduler不仅能重试失败的task,还会重试straggling（落后，缓慢）task（也就是执行速度比其他task慢太多的task）。如果有运行缓慢的task那么TaskScheduler会启动一个新的task来与这个运行缓慢的task执行相同的处理逻辑。两个task哪个先执行完，就以哪个task的执行结果为准。这就是Spark的推测执行机制。在Spark中推测执行默认是关闭的。推测执行可以通过spark.speculation属性来配置。

注意：

• 对于ETL类型要入数据库的业务要关闭推测执行机制，这样就不会有重复的数据入库。
• 如果遇到数据倾斜的情况，开启推测执行则有可能导致一直会有task重新启动处理相同的逻辑，任务可能一直处于处理不完的状态。

图解Spark资源调度和任务调度的流程

 

 

粗粒度资源申请和细粒度资源申请

• 粗粒度资源申请(Spark）

在Application执行之前，将所有的资源申请完毕，当资源申请成功后，才会进行任务的调度，当所有的task执行完成后，才会释放这部分资源。

优点：在Application执行之前，所有的资源都申请完毕，每一个task直接使用资源就可以了，不需要task在执行前自己去申请资源，task启动就快了，task执行快了，stage执行就快了，job就快了，application执行就快了。

缺点：直到最后一个task执行完成才会释放资源，集群的资源无法充分利用。

• 细粒度资源申请（MR）

Application执行之前不需要先去申请资源，而是直接执行，让job中的每一个task在执行前自己去申请资源，task执行完成就释放资源。

优点：集群的资源可以充分利用。

缺点：task自己去申请资源，task启动变慢，Application的运行就响应的变慢了。