30-Spark入门之Spark技术栈讲解、分区、系统架构、算子和任务提交方式

17.1 Spark介绍

17.1.1 什么是Spark

1. 概念理解

   • 并行计算框架
     • Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。 Spark 是加州大学伯克利分校的AMP实验室所开源的类 Hadoop MapReduce 的通用并行计算框架
   • 任务的中间结果可以缓存在内存中，减少磁盘数据交互
     • Spark 拥有 Hadoop MapReduce 所具有的优点；但不同于 MapReduce 的是 Job 中间输出结果可以缓存在内存中，从而不再需要读写 HDFS ，减少磁盘数据交互，因此 Spark 能更好地适用于数据挖掘与机器学习等需要迭代的算法
   • Spark诞生于2009年美国加州伯克利分校的AMP实验室，基于内存计算的大数据并行计算框架，可用于构建大型的、低延迟的数据分析应用程序

2. Spark和Hadoop的比较

   

17.1.2 总体技术栈讲解

Spark 提供了 Sparkcore RDD 、 Spark SQL 、 Spark Streaming 、 Spark MLlib 、 Spark、GraphX等技术组件，可以一站式地完成大数据领域的离线批处理、交互式查询、流式计算、机器学习、图计算等常见的任务。这就是 spark 一站式开发的特点

17.1.3 Spark 与 MR 的区别

1. MR

   • MR只能做离线计算，如果实现复杂计算逻辑，一个MR搞不定，就需要将多个MR按照先后顺序连成一串，一个MR计算完成后会将计算结果写入到HDFS中，下一个MR将上一个MR的输出作为输入，这样就要频繁读写HDFS，网络IO和磁盘IO会成为性能瓶颈。从而导致效率低下。

2. Spark

   • spark既可以做离线计算，有可以做实时计算，提供了抽象的数据集（RDD、Dataset、DataFrame、DStream）有高度封装的API，算子丰富，并且使用了更先进的DAG有向无环图调度思想，可以对执行计划优化后在执行，并且可以数据可以cache到内存中进行复用

3. 归根结底最重要的区别还是在于 下图为 MapReduce 执行任务流程（MR基于磁盘，Spark基于内存）

   • 都是分布式计算框架， Spark 计算中间结果基于内存缓存， MapReduce 基于 HDFS 存储。也正因此，Spark 处理数据的能力一般是 MR 的三到五倍以上， Spark 中除了基于内存计算这一个计算快的原因，
   • 还有 DAG（DAGShecdule） 有向无环图来切分任务的执行先后顺序。

• MR的数据读取流程

  

• Spark的数据读取流程

  

17.1.4 Spark API

多种编程语言的支持： Scala，Java，Python，R，SQL 。

17.1.5 Spark运行模式

1. Local
   • 多用于本地测试，如在 eclipse ， idea 中写程序测试等
2. Standalone
   • Standalone 是 Spark 自带的一个资源调度框架，它支持完全分布式
   • 由Master负责资源的分配
3. Yarn
   • Hadoop 生态圈里面的一个资源调度框架， Spark 也是可以基于 Yarn 来计算的
   • 若要基于 Yarn 来进行资源调度，必须实现 AppalicationMaster 接口， Spark 实现了这个接口，所以可以基于 Yarn 来进行资源调度
   • 由Yarn中的ResourceManager负责资源的分配
4. Mesos
   • 资源调度框架
   • 由Messos中的Messos Master负责资源管理

17.1.6 Spark总结

17.2 Spark Core

17.2.1 Partition

1. 概念

1. 分区的原因

   • 单节点处理不了大量的数据
   • Spark RDD 是一种分布式的数据集，由于数据量很大，因此要它被切分并存储在各个结点的分区当中

2. RDD的理解

   • Spark中，RDD（Resilient Distributed Dataset 弹性分布式数据集），是最基本的抽象数据集，
   • 其中每个RDD由若干个Partition组成，不同的分区可能在集群的不同节点上
   • 多个Partition是并行操作的
   • 一个Partition对应一个Task

   

2. 分区方式

对于Spark Shuffle阶段的理解

• Spark Shuffle阶段共分为Shuffle Write阶段和Shuffle Read阶段，其中在Shuffle Write阶段中，Shuffle Map Task 对数据进行处理并产生中间数据

• 然后再根据数据分区方式对中间数据进行分区

• 最终Shuffle Read阶段中的Shuffle Read Task会拉取Shuffle Write阶段中产生的并已经分好区的中间数据

  

Spark包含两种数据分区方式：HashPartitioner（哈希分区）和RangePartitioner（范围分区）

1. HashPartitioner分区

   • Hash分区
   • HashPartitioner采用哈希的方式对<Key，Value>键值对数据进行分区
   • 其数据分区规则为 partitionId = Key.hashCode % numPartitions
     • partitionId代表该Key对应的键值对数据应当分配到的Partition标识
     • Key.hashCode表示该Key的哈希值
     • numPartitions表示包含的Partition个数
   • 可能会造成数据倾斜（数据量不均衡）

2. RangePartitioner分区

   • 范围分区

   • 引入RangePartitioner的原因

     • Spark引入RangePartitioner的目的是为了解决HashPartitioner所带来的分区倾斜问题，也即分区中包含的数据量不均衡问题

   • HashPartitioner数据倾斜产生的原因

     • HashPartitioner采用哈希的方式将同一类型的Key分配到同一个Partition中，当某几种类型数据量较多时，就会造成若干Partition中包含的数据过大
     • 在Job执行过程中，一个Partition对应一个Task，此时就会使得某几个Task运行过慢

   • RangePartitioner基于抽样的思想来对数据进行分区

     

3. HDFS-Block与Spark-Partition

spark本身并没有提供分布式文件系统，因此spark的分析大多依赖于Hadoop的分布式文件系统HDFS

1. HDFS-Block

   • hdfs中的block是分布式存储的最小单元，类似于盛放文件的盒子，一个文件可能要占多个盒子，但一个盒子里的内容只可能来自同一份文件

2. Spark-Partition

   • spark中的partition 是弹性分布式数据集RDD的最小单元，RDD是由分布在各个节点上的partition组成的
   • partition 是指的spark在计算过程中，生成的数据在计算空间内最小单元，同一份数据（RDD）的partition 大小不一，数量不定，是根据application里的算子和最初读入的数据分块数量决定的

3. BLock和Partition的联系

   • Spark从HDFS读入文件的分区数默认等于HDFS文件的块数(blocks)，HDFS中的block是分布式存储的最小单元。
   • 如果我们上传一个30GB的非压缩的文件到HDFS，HDFS默认的块容量大小128MB，因此该文件在HDFS上会被分为235块(30GB/128MB)；Spark读取SparkContext.textFile()读取该文件，默认分区数等于块数即235

4. Block和Partition的区别

   	Block	Partition
   位置	存储空间	计算空间
   大小	固定	不固定
   数据冗余	有冗余的、不会轻易丢失	没有冗余设计、丢失之后重新计算得到

17.2.2 RDD⭐️

RDD(Resilient Distributed Dataset) 弹性分布式数据集，Spark计算流程中的一个算子，类似于Storm中的Bolt，对数据进行计算，得到临时结果（partition）

1. RDD五大属性

1. RDD是由一系列的partition组成的
2. RDD中的每一个task运行在自己的Partition上
3. RDD之间有一系列的依赖关系（依赖其他的RDD）
4. 分区器是作用在(K,V)格式的RDD上
5. RDD默认会寻找最佳的计算位置
   • 计算向数据靠拢，尽可能少的进行数据的拉取操作

2. RDD流程图

• 理解
  • TextFile方法底层封装的是MR读取文件的方式，读取文件之前先进行split切片，默认split大小是一个block大小
  • RDD 实际上不存储数据，这里方便理解，暂时理解为存储数据
    • 真正存储数据的是partition，RDD不存储数据，RDD就是对这个partition的抽象
  • 什么是 K,V格式的RDD ?
    • 如果 RDD 里面存储的数据都是二元组对象，那么这个 RDD 我们就叫做 K,V格式的RDD
  • 哪里体现 RDD 的弹性（容错）？
    • partition 数量，大小没有限制，体现了 RDD 的弹性。
    • RDD 之间依赖关系，可以基于上一个 RDD 重新计算出 RDD
  • 哪里体现 RDD 的分布式?
    • RDD 是由 Partition 组成， partition 是分布在不同节点上的。
    • RDD 提供计算最佳位置，体现了数据本地化。体现了大数据中“计算移动数据不移动”的理念。

3. Lineage血统

利用内存加快数据加载，在其它的In-Memory类数据库或Cache类系统中也有实现。Spark的主要区别在于它采用血统（Lineage）来时实现分布式运算环境下的数据容错性（节点失效、数据丢失）问题

RDD 的最重要的特性之一就是血缘关系（Lineage )，它描述了一个 RDD 是如何从父 RDD 计算得来的。如果某个 RDD 丢失了，则可以根据血缘关系，从父 RDD 计算得来

当这个RDD的部分分区数据丢失时，它可以通过Lineage找到丢失的父RDD的分区进行局部计算来恢复丢失的数据，这样可以节省资源提高运行效率

17.2.3 系统架构

系统架构图一：

系统架构图二：

1. Master （Standalone）

• 作用
  • 资源管理的主节点（进程）
  • Master是Standalone资源调度框架里面资源管理的主节点。也是JVM进程
  • 接受用户的请求

2. Cluster Manager

• 作用

  • 在集群上获取资源的外部服务
  • 例如：standalone ； yarn ； mesos

• 在Standalone模式下

  • Cluster Manager是Master（主节点），控制整个集群，监控Worker

• 在Yarn模式下

  • Cluster Manager是资源管理者

3. Worker计算节点（Standalone）

1. 理解
   • Worker是Standalone资源调度框架里面资源管理的从节点。也是JVM进程。
   • 资源管理的从节点（进程），或者说是管理本机资源的进程
2. 作用
   • Standalone模式
     • 资源管理的从节点，负责控制计算节点，启动Executor
   • Yarn模式
     • 指的是NodeManager节点

4. Application

• 概念理解
  • 基于Spark的用户程序，包含driver程序和运行在集群上的executor程序，即一个完整的spark应用

5. Driver（program）

• 作用
  • 用来连接工作进程（worker）的程序
• 概念理解
  • 驱动程序，Application中的main函数并创建SparkContext

6. Executor

• 概念理解
  • 是在一个worker进程所管理的节点上为某个Application启动的一个个进程，
• 作用
  • 这个进程负责运行任务，并且负责将数据存在内存或者磁盘上，每个应用之间都有各自独立的executor

7. Task

• 概念理解
  • 被发送到executor上的工作单元

8. Job

• 概念理解
  • 包含很多任务（Task） 的组成的并行计算，往往由Spark Action触发生成，一个Application中往往会产生多个Job

9. Stage

• 概念理解
  • 一个job会被拆分成很多组任务（Task），每组任务（Task）被称为Stage
  • 就像MapReduce分为MapTask和ReduceTask一样

Spark代码流程
创建SparkConf对象
可以设置Application name。
可以设置运行模式及资源需求。
创建SparkContext对象
基于Spark的上下文创建一个RDD，对RDD进行处理。
应用程序中要有Action类算子来触发Transformation类算子执行。
关闭Spark上下文对象SparkContext。

17.2.4 Spark代码流程

1. 创建SparkConf对象

   • 可以设置Application name。
   • 可以设置运行模式及资源需求。

   val sparkConf: SparkConf = new SparkConf().setMaster("local").setAppName("WordCount")
   

2. 创建SparkContext对象

   val sparkContext: SparkContext = new SparkContext(sparkConf)
   

3. 基于Spark的上下文创建一个RDD，对RDD进行处理。

   val value: RDD[(String,Int)] = sparkContext.textFile("src/main/resources/user.log")
   

4. 应用程序中要有Action类算子来触发Transformation类算子执行。

   println(lines.count())
       lines.foreach(ele => println("foreach:" + ele))
       lines.take(5).foreach(ele => println("take:" + ele))
       println(lines.first())
       lines.collect().foreach(ele => println("collect:" + ele))
   

5. 关闭Spark上下文对象SparkContext。

   sparkContext.stop()
   

17.3 算子（单文件）⭐️

什么是算子？
可以理解成spark RDD的方法，这些方法作用于RDD的每一个partition。因为spark的RDD是一个 lazy的计算过程，只有得到特定触发才会进行计算，否则不会产生任何结果

Spark 记录了RDD之间的生成和依赖关系，但是只有当F进行行动操作时，Spark才会根据RDD的依赖关系生成DAG，并从起点开始真正的计算，如下图的A、B、C、D分别是一个个RDD

17.3.1 转换算子

1. 概念理解
   • Transformations 类算子叫做转换算子（本质就是函数），Transformations算子是延迟执行，也叫 懒加载 执行
2. 常见的Transformations 类算子
   • filter： 过滤符合条件的记录数，true保留，false过滤掉
   • map：将一个RDD中的每个数据项，通过map中的函数映射变为一个新的元素
     • 特点：输入一条数据，输出一条数据
   • faltMap：先map后flat，与map类似，每个输入项可以映射0到多个输出项
   • sample：随机抽样算子，根据传进去的小数按比例进行有放回或者无放回的抽样
   • reduceByKey：将相同的key根据相应的逻辑进行处理
   • sortByKey/sortBy：作用在k,v格式的RDD上，对key进行升序或者降序排序

17.3.2 行动算子

1. 概念理解
   • Action类算子叫做行动算子，Action类算子是触发执行
   • 一个Application应用程序中有几个Action类算子执行，就有几个job运行
2. 常见Action类算子
   • count：返回数据集中的元素数，会在结果计算完成后回收到Driver端
   • take(n) :返回一个包含数据集前n个元素的集合
   • first：效果等同于 take(1) ,返回数据集中的第一个元素
   • foreach ：循环遍历数据集中的每个元素，运行相应的逻辑
   • collect ：将计算结果回收到 Driver 端

17.3.3 控制算子

• 概念理解
  • 将RDD持久化，持久化的单位是Partition
  • 控制算子有3种，cache、persist、checkpoint，其中cache和persist都是 懒执行 的，必须有一个Action类算子来触发执行
  • checkpoint算子不仅能将RDD持久化到磁盘，还能切断RDD之间的依赖关系

1. cache

• 默认将RDD的数据持久化到内存中，cache是 懒执行

  • cache() = persist() = persist(StorageLevel.Memory_Only)

• rdd.cache().count() 返回的不是持久化的RDD，而是一个数值

  /**
  * 第一次并不会使用到缓存数据，因为是懒执行所以等到第一次Action才会开始缓存数据
  * 第二次用到的就是缓存数据
  */
  object Hello04Cache {
    def main(args: Array[String]): Unit = {
      //1.配置并创建对象
      val sparkContext = new SparkContext((new SparkConf().setMaster("local").setAppName("Hello04Cache" + System.currentTimeMillis())))
      //2.开始读取数据
      var lines: RDD[String] = sparkContext.textFile("src/main/resources/NASA_access_log_Aug95")
      //3.开始进行缓存
      lines = lines.cache()
      //4.开始进行计算
      val startTime = System.currentTimeMillis
      val count = lines.count
      val endTime = System.currentTimeMillis
      System.out.println("第一次共" + count + "条数据，" + "计算时间=" + (endTime - startTime))
      val cacheStartTime = System.currentTimeMillis
      val cacheResult = lines.count
      val cacheEndTime = System.currentTimeMillis
      System.out.println("第二次共" + cacheResult + "条数据，" + "计算时间=" + (cacheEndTime - cacheStartTime))
      //关闭sparkContext
      sparkContext.stop()
  
    }
  }
  

2. persist

1. 特点：

   • 可以指定持久化的级别，最常用的是 MEMORY_ONLY 和 MEMORY_AND_DISK。

2. 持久化级别

   1. MEMORY_ONLY
   • 使用未序列化的Java对象格式，将数据保存在内存中。如果内存不够存放所有的数据，则数据可能就不会进行持久化。那么下次对这个RDD执行算子操作时，那些没有被持久化的数据，需要从源头处重新计算一遍。这是默认的持久化策略，使用cache()方法时，实际就是使用的这种持久化策略。
   2. MEMORY_AND_DISK
   • 使用未序列化的Java对象格式，优先尝试将数据保存在内存中。如果内存不够存放所有的数据，会将数据写入磁盘文件中，下次对这个RDD执行算子时，持久化在磁盘文件中的数据会被读取出来使用。
   3. MEMORY_ONLY_SER
   • 基本含义同MEMORY_ONLY。唯一的区别是，会将RDD中的数据进行序列化，RDD的每个partition会被序列化成一个字节数组。这种方式更加节省内存，从而可以避免持久化的数据占用过多内存导致频繁GC。
   4. MEMORY_AND_DISK_SER
   • 基本含义同MEMORY_AND_DISK。唯一的区别是，会将RDD中的数据进行序列化，RDD的每个partition会被序列化成一个字节数组。这种方式更加节省内存，从而可以避免持久化的数据占用过多内存导致频繁GC。
   5. DISK_ONLY
   • 使用未序列化的Java对象格式，将数据全部写入磁盘文件中。
   6. MEMORY_ONLY_2, MEMORY_AND_DISK_2, 等等。

3. 代码实现

   object Hello05Persist {
     def main(args: Array[String]): Unit = {
       //1.配置并创建对象
       val sparkContext = new SparkContext((new SparkConf().setMaster("local").setAppName("Hello05Persist" + System.currentTimeMillis())))
       //2.开始读取数据
       var lines: RDD[String] = sparkContext.textFile("src/main/resources/NASA_access_log_Aug95")
       //3.开始进行缓存
       lines = lines.persist(StorageLevel.DISK_ONLY)
       //4.开始进行计算
       val startTime = System.currentTimeMillis
       val count = lines.count
       val endTime = System.currentTimeMillis
       System.out.println("第一次共" + count + "条数据，" + "计算时间=" + (endTime - startTime))
       val cacheStartTime = System.currentTimeMillis
       val cacheResult = lines.count
       val cacheEndTime = System.currentTimeMillis
       System.out.println("第二次共" + cacheResult + "条数据，" + "计算时间=" + (cacheEndTime - cacheStartTime))
       //关闭sparkContext
       sparkContext.stop()
     }
   }
   

3. checkpoint

1. 特点

   • checkpoint将RDD持久化到磁盘，还可以切断 RDD 之间的依赖关系，也是 懒执行
   • 当RDD使用cache机制从内存中读取数据，如果数据没有读到，会使用checkpoint机制读取数据。此时如果没有checkpoint机制，那么就需要找到父RDD重新计算数据了，因此checkpoint是个很重要的容错机制
   • checkpoint就是对于一个RDD chain（链）如果后面需要反复使用某些中间结果RDD，可能因为一些故障导致该中间数据丢失，那么就可以针对该RDD启动checkpoint机制

2. 执行原理

   • 当RDD的 job 执行完毕之后，会从finalRDD从后往前回溯
   • 当回溯到某一个 RDD 调用了 checkpoint 方法，会对当前的RDD做一个标记
   • Spark 框架会自动启动一个新的 job ，从头开始重新计算这个 RDD 的数据，并将计算出的数据持久化到Checkpoint目录中
     • 以便下次可以快速访问到被标记了checkpoint的RDD，切断了RDD之间的依赖性

3. 使用Checkpoint时常用的优化手段

   • 对RDD执行Checkpoint之前，最好对这个RDD先执行cache
   • 这样新启动的 job 只需要将内存中的数据拷贝到Checkpoint目录中就可以，省去了重新计算这一步

4. 代码实现

   def main(args: Array[String]): Unit = {
       val sparkConf = new
       SparkConf().setMaster("local").setAppName("SparkCheckPoint" + System.currentTimeMillis())
       val sparkContext = new SparkContext(sparkConf)
       sparkContext.setCheckpointDir("./checkpoint")
       val lines: RDD[String] =
       sparkContext.textFile("src/main/resources/NASA_access_log_Aug95")
       val words: RDD[String] = lines.flatMap(_.split(" "))
       println("words" + words.getNumPartitions)
       words.checkpoint
       words.count
       sparkContext.stop
   }
   

17.4 Spark集群搭建

17.4.1 安装环境检测

1. 搭建之前确认对应的 java 版本为8版本

2. 搭建之前确认对应的 scala 版本为2.12.x版本。

   • [root@node01 ~]# rpm -ivh scala-2.12.11.rpm

   • [root@node01 ~]# whereis scala

   • [root@node01 ~]# vim /etc/profile

     export SCALA_HOME=/usr/share/scala
     export PATH=$SCALA_HOME/bin:$PATH
     

   • [root@node01 ~]# source /etc/profile

   • 三台计算机Node01 Node02 Node03都需要安装Scala

17.4.2 standalone(Single)

启动spark的集群

[root@node01 ~]# cd /opt/yjx/spark-2.4.6/sbin/
[root@node01 sbin]# ./start-all.sh

访问

http://192.168.88.101:8080/

运行案例

spark-submit --master spark://node01:7077 --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.6.jar 10

17.4.3 standalone(HA)

• 启动集群
  • Zookeeper :
    • 【123】zkServer.sh start
  • 主节点：
    • [root@node01 ~]# cd /opt/yjx/spark-2.4.6/sbin/
    • [root@node01 sbin]# ./start-all.sh
  • 备用节点
    • [root@node02 ~]# cd /opt/yjx/spark-2.4.6/sbin/
    • [root@node02 sbin]# ./start-master.sh

17.4.4 standalone(UI)

17.4.5 SparkShell

17.4.6 yarn模式

• 启动集群

  • 启动Zookeeper：
    • 【123】zkServer.sh start
  • 启动Hadoop :
    • [root@node01 ~]# start-all.sh
  • 启动Spark:
    • [root@node01 ~]# cd /opt/yjx/spark-2.4.6/sbin/ [root@node01 sbin]# ./start-all.sh

• 访问

  • spark: http://192.168.88.101:8080/
    hdfs: http://192.168.88.101:9870/
    yarn: http://192.168.88.101:8088

• 提交任务

  spark-submit --master yarn --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.6.jar 10
  

17.5 任务提交方式⭐️

Standalon 和 Yarn 的任务提交方式图解

17.5.1 Standalone-client

1. 提交命令

   spark-submit --master spark://node01:7077 --deploy-mode client --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.6.jar 10
   

2. 执行流程

   

   • client模式提交任务后，会在客户端启动Driver进程，来进行任务调度
   • Driver会向Master申请启动Application启动的资源，资源申请成功后
   • Driver端将task分发到worker端执行，启动executor进程（任务的分发）
   • worker端（executor进程）将task执行结果返回到Driver端（任务结果的回收）

3. 总结

   • client模式适用于测试调试程序，Driver进程是在客户端启动的，这里的客户端就是指提交应用程序的当前节点。在Driver端可以看到task执行的情况
   • 生产环境下不能使用client 模式，是因为：假设要提交100个 application 到集群运行，Driver 每次都会在 client 端（单个节点）启动，那么就会导致客户端100次网卡流量暴增的问题

17.5.2 Standalone-cluster

1. 提交命令

   spark-submit --master spark://node01:7077 --deploy-mode cluster --classorg.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.6.jar 10
   

2. 执行流程

   

   • cluster模式提交应用程序后，会向Master请求启动Driver
   • Master接受请求后，随机在集群中的一台节点来启动Driver进程
   • Driver启动后为当前应用程序申请资源
   • Driver端发送task到worker节点上执行（任务的分发）
   • Worker上的executor进程将执行情况和执行结果返回给Driver端（任务结果的回收）

3. 总结

   • Standalone-cluster 提交方式，应用程序使用的所有 jar 包和文件，必须保证所有的worker 节点都要有，因为此种方式， spark 不会自动上传包
   • 两种保证所有的Worker节点都有应用程序所需的jar包和文件
     • 将所有的依赖包和文件打到同一个包中，然后放在 hdfs 上。
     • 将所有的依赖包和文件各放一份在 worker 节点上

17.5.3 yarn-client

1. 提交命令

   spark-submit --master yarn --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.6.jar 10
   
   spark-submit --master yarn–client --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.6.jar 10
   
   spark-submit --master yarn --deploy-mode client --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.6.jar 10
   

2. 执行流程

   

   版本一：

   • 客户端提交一个Application，在客户端启动一个Driver进程
   • 应用程序启动后会向RS（ResourceManager）（相当于Standalone模式下的master进程）发送请求
   • RS收到请求后，随机选择一台NM（NodeManager）启动AM
     • 这里的NM相当于Standalone中的Worker进程
   • AM启动后，会向RS请求一批container资源，用于启动Executor
   • RS会找到一批NM（包含container）返回给AM，用于启动Executor
   • AM会向NM发送命令启动Executor
   • Executor启动后，会 反向注册 给Driver，Driver发送task到Executor，执行情况和结果返回个Driver端

   版本二：

   • 在YARN Cluster模式下，任务提交后会和ResourceManager通讯申请启动 ApplicationMaster， 随后 ResourceManager 分配 container，在合适的 NodeManager上启动 ApplicationMaster，此时的 ApplicationMaster 就是 Driver
   • Driver 启动后向 ResourceManager 申请 Executor内存，ResourceManager接到ApplicationMaster 的资源申请后会分配 container，然后在合适的 NodeManager 上启动 Executor 进程，Executor 进程启动后会向Driver反向注册，Executor全部注册完成后Driver开始执行main函数，之后执行到 Action 算子时，触发一个 job，并根据宽依赖开始划分 stage，每个stage生成对应的taskSet，之后将 task 分发到各个Executor上执行

   版本三：

   1. 在client端启动Driver进程，初始化作业，解析程序，初始化两个类：DAGScheduler，TaskScheduler.
      – 初始化作业： 判断路径是否存在，权限校验等
      – DAGScheduler将程序的执行流程解析成DAG图，并划分阶段，根据阶段内的分区初始化Task
      – TaskScheduler接收Task，等待分配Task给executor
   2. Driver会向ResourceManager,申请资源，想要启动该应用程序的AppMaster
   3. ResourceManager会分配一个节点，来运行AppMaster，由NodeManager负责真正分配资源运行AppMaster
   4. AppMaster会向ResourceManager申请整个程序所需要的其他资源，准备运行executor进程
   5. 在各个节点上运行的executor会向Driver进行反向注册，要求分配任务
   6. TaskScheduler将Task分配到不同的executor，并监控实时状态，executor开始执行任务，
   7. TaskScheduler收到executor执行完的信息后，表示整个应用程序完成，会向ResouceManager申请注销

3. 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
   • ApplicationMaster (executorLauncher)的在此模式中的作用：
     • 为当前的 Application 申请资源
     • 给 NodeManager 发送消息启动 Executor
     • 注意： ApplicationMaster 在此种模式下没有作业调度的功能

17.5.4 yarn-cluster

1. 提交命令

   spark-submit --master yarn --deploy-mode cluster --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.6.jar 10
   
   spark-submit --master yarn-cluster --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.6.jar 10
   

2. 执行流程

   

   版本一：

   • 客户机提交Application应用程序，发送请求到RS（ApplicationMaster），请求启动AM（ApplicationMaster）
   • RS收到请求后随机在一台NM（NodeManager）上启动AM（相当于Driver端）
   • ApplicationMaster启动后，ApplicationMaster发送请求到RS，请求一批container用于启动Executor
   • ApplicationMaster返回一批NM节点给ApplicationMaster
   • ApplicationMaster连接到NM，发送请求到NM启动Executor
   • Executor反向注册到AM所在的节点的Driver，Driver发送task到Executor

   版本二：

   1. client会首先向ResourceManager申请资源，要求启动AppMaster进程
   2. ResouceManager会分配一个节点，由NodeManager来运行AppMaster,并在AppMaster所在节点运行Driver进程
      Driver进程的作用：初始化作业，解析程序，初始化两个DAGScheduler，TaskScheduler.
      – 初始化作业： 判断路径是否存在，权限校验等
      – DAGScheduler将程序的执行流程解析成DAG图，并划分阶段，根据阶段内的分区初始化Task
      – TaskScheduler接收Task，等待分配Task给executor
   3. AppMaster会向ResourceManager申请整个程序所需要的其他资源，准备运行executor进程
   4. 在各个节点上运行的executor会向Driver进行反向注册，要求分配任务
   5. TaskScheduler将Task分配到不同的executor，并监控实时状态，executor开始执行任务，
   6. TaskScheduler收到executor执行完的信息后，表示整个应用程序完成，会向ResouceManager申请注销

3. 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 所在的机器都不再是提交任务的客户端节点，而是多个 NM 节点中的一台，不会产生某一台机器网卡流量激增的现象，但同样也有缺点，任务提交后不能看到日志。只能通过 yarn 查看日志
   • ApplicationMaster 在此模式中的的作用：
     • 为当前的 Application 申请资源
     • 给 NodeManger 发送消息启动 Executor
     • 任务调度

17.5.5 Standalone和Yarn的对比

1. 相同点

   • standalone是spark自身携带的资源管理框架
   • yarn是hadoop中的资源管理框架。
   • 都是对核心和内存进行管理和分配。

2. 作业方式不同

   • spark 的standalone模式使用的是spark自身的集群管理器

   • yarn模式是将spark作业运行在yarn上。

3. 多用户支持不同

   • standalone对于多用户多application支持的不好，只能支持fifo模式进行资源调度，先来的任务先执行，后来的任务就后执行。也可以通过配置，让先来的任务不占用所有资源，给后来的任务留点资源

   • yarn模式对于多用户多任务支持比较好，arn中有fifo调度器，容量调度器，公平调度器这三种资源分配策略，可以动态实现资源的扩缩，更灵活，更重

4. Yarn和Spark的Standalone调度模式对比

   Yarn	Standalone	节点功能
   ResouceManager	Master	管理子节点、资源调度、接收任务请求
   NodeManger	Worker	管理当前节点，并管理子进程
   YarnChild	Executor	运行真正的计算逻辑的（Task）
   Client	Client	提交app，管理该任务的Executor
   ApplicaitonMaster	ApplicaitonMaster	管理任务，包含driver程序和运行在集群上的executor程序

   • Spark-Standalone
     • client：提交任务的节点就是Drive
     • Cluster：由集群选择一个节点作为Driver
   • Spark-Yarn
     • Client：提交的节点就是Driver，本身还是AM，但任务调度归属于Driver
     • Cluster：Driver和AM二合一，AM是负责任务调度的