如何理解Spark应用执行的阶段

如何理解Spark应用执行的阶段

从Spark应用的提交到执行完成有很多步骤，为了便于理解，我们把应用执行的整个过程划分为三个阶段。而我们知道Spark有多种运行模式，不同模式下这三个阶段的执行流程也不相同。

本节介绍这三个阶段的划分，并概要介绍不同模式下各个阶段的执行流程，各个模式的详细流程会在后面的章节进行分析。

应用执行的阶段划分

我们知道，Spark应用可以在多种模式下运行。所谓多种模式主要是针对资源分配方式来说的，Spark应用可以在yarn，k8s，mesos等分布式资源管理平台上运行，也可以启动自带的master和worker端来分配和管理资源（standalone模式）。例如：我们可以通过以下命令来向yarn提交一个spark任务：

$SPARK_HOME/bin/spark-submit \
	--class org.apache.spark.examples.SparkPi \
	--master yarn \
	--deploy-mode client \
	$SPARK_HOME/examples/jars/spark-examples*.jar

​ 代码1-3-1 spark应用提交命令

要注意的是，在执行以上应用提交命令时yarn资源管理集群必须已经启动。另外，Spark应用的执行是通过Driver端和Executor端共同配合完成的。

要完成以上应用的执行，需要经历很多步骤，为了便于更好的理解Spark应用从提交到执行完成的整个过程，我们把整个过程划分成三个阶段：

• 应用的提交
• 执行环境的准备
• 任务的调度和执行

如图1所示：

图1 应用执行总体流程

不管以哪种模式运行，Spark应用的执行过程都可以划分成这三个阶段。下面对这三个阶段分别进行说明。

三个阶段概要说明

这三个阶段以及每个阶段要完成的目标如图2所示。

​ 图2 Spark应用执行的3阶段目标概述

我们根据以下代码为例，来讲解Spark应用执行的各个阶段。

# HelloWorld.scala
import scala.math.random
import org.apache.spark.sql.SparkSession

object HelloWorld {
  def main(args: Array[String]) {
		val spark = SparkSession.builder.appName("HelloWorld").getOrCreate()
		val rdd = spark.sparkContext.parallelize(Seq("Hello", "World"))
		rdd.collect()
	}
}

第1阶段：应用的提交

这个阶段在Driver端完成，主要目标是：准备依赖包并确定Spark应用的执行主类。具体的任务包括：

• 解析任务提交的参数，并对参数进行解析和保存。
• 准备（可能会下载）任务启动参数指定的依赖文件或程序包。
• 根据Spark应用的执行模式和应用的编写语言，来确定执行的主类名称。
• 实例化执行主类，生成SparkApplication对象，并调用SparkApplication#start()函数来运行Spark应用（若是Java或scala代码其实是：执行Spark应用中的main函数）。

注意：第1阶段完成时，Driver端并没有向资源管理平台申请任何资源，也没有启动任何Spark内部的服务。

第2阶段：执行环境的准备

通过第1阶段，已经找到了运行在Driver端的Spark应用的执行主类，并创建了SparkApplication对象：app。此时，在app.start()函数中会直接调用主类的main函数开始执行应用，从而进入第2阶段。

第2阶段主要目标是：创建SparkSession（包括SparkContext和SparkEnv），完成资源的申请和Executor的创建。第2阶段完成后Task的执行环境就准备好了。

也就是说，第2阶段不仅会在Driver端进行初始化，而且还要准备好Executor。这一阶段的任务主要是在Driver端执行创建SparkSession的代码来完成，也就是执行下面一行代码：

val spark = SparkSession.builder.appName("HelloWorld").getOrCreate()

第2阶段的Driver端主要完成以下步骤：

• 创建SparkContext和SparkEnv对象，在创建这两个对象时，向Cluster Manager申请资源，启动各个服务模块，并对服务模块进行初始化。
• 这些服务模块包括：DAG调度服务，任务调度服务，shuffle服务，文件传输服务，数据块管理服务，内存管理服务等。

第2阶段的Executor端主要完成以下步骤：

• Driver端向Cluster Manager申请资源，若是Yarn模式会在NodeManager上创建ApplicationMaster，并由ApplicationMaster向Cluster Manager来申请资源，并启动Container，在Container中启动Executor。

• 在启动Executor时向Driver端注册BlockManager服务，并创建心跳服务RPC环境，通过该RPC环境向Driver汇报Executor的状态信息。

详细的执行步骤，会在后面介绍每种模式的运行原理时，详细分析。第2阶段执行完成后的Spark集群状态如图3所示：

图3 执行环境准备完成Spark的状态

第3阶段：任务的调度和执行

通过第2阶段已经完成了Task执行环境的初始化，此时，在Driver端已经完成了SparkContext和SparkEnv的创建，资源已经申请到了，并且已经启动了Executor。

这一阶段会执行接下来的数据处理的代码：

		val rdd = spark.sparkContext.parallelize(Seq("Hello", "World"))
		rdd.collect()

第3阶段Driver端主要完成以下步骤：

• 执行Spark的处理代码，当执行map操作时，生成新的RDD；
• 当执行Action操作时，触发Job的提交，此时会执行以下步骤：
  • 根据RDD的血缘，把Job划分成相互依赖的Stage；
  • 把每个Stage拆分成一个或多个Task；
  • 把这些Task提交给已经创建好的Executor去执行；
  • 获取Executor的执行状态信息，直到Executor完成所有Task的执行；
  • 获取执行结果和最终的执行状态。

小结

本节介绍了Spark应用的执行过程，通过本节的学习应该对Spark应用的执行过程有一个总体的理解。接下来会根据具体的运行模式来详细分析每个阶段的执行步骤。