Spark实践项目3:Spark运行模式及原理

一、运行模式概述

本节部分内容源自官方文档：http://spark.apache.org/docs/latest/cluster-overview.html

(一)Spark运行模式列表

目前最为常用的Spark运行模式有：

- local[N]： 本地模式，使用N个线程。 本地线程方式运行，主要用于开发调试Spark应用程序

- Standalone ：利用Spark自带的资源管理与调度器运行Spark集群，采用Master/Slave结构，为解决单点故障，可以采用ZooKeeper实现高可靠（High Availability，HA)

- local cluster[worker,core,Memory]  伪分布式，可以培植所需要启动的虚拟工作节点数量，以及每个工作节点所管理的CPU数量和内存尺寸。

- Apache Mesos ：运行在著名的Mesos资源管理框架基础之上，该集群运行模式将资源管理交给Mesos，Spark只负责进行任务调度和计算

- Hadoop YARN : 集群运行在Yarn资源管理器上，资源管理交给Yarn，Spark只负责进行任务调度和计算

Spark 运行模式中Hadoop YARN的集群运行方式最为常用，本课程中的第一节便是采用Hadoop YARN的方式进行Spark集群搭建。如此Spark便与Hadoop生态圈完美搭配，组成强大的集群，可谓无所不能。

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。

Mesos://hostname:port  Mesos模式，需要部署Spark和Mesos到相关节点，URL为Mesos主机地址和端口。

YARN standaone/YARN cluster   YARN模式一，主程序逻辑和任务都运行在YARN集群中。

YARN client  YARN模式二，主程序逻辑运行在本地，具体任务运行在YARN集群中。

WEB 控制台： http://master:50070 磁盘方面； http://master:8080 计算方面

（2）Spark组件（Components）

 

一个完整的Spark应用程序，如前一节当中SparkWordCount程序，在提交集群运行时，它涉及到如下图所示的组件：

 

各Spark应用程序以相互独立的进程集合运行于集群之上，由SparkContext对象进行协调，SparkContext对象可以视为Spark应用程序的入口，被称为driver program，SparkContext可以与不同种类的集群资源管理器(Cluster Manager），例如Hadoop Yarn、Mesos等 进行通信，从而分配到程序运行所需的资源，获取到集群运行所需的资源后，SparkContext将得到集群中其它工作节点（Worker Node） 上对应的Executors （不同的Spark应用程序有不同的Executor，它们之间也是独立的进程，Executor为应用程序提供分布式计算及数据存储功能），之后SparkContext将应用程序代码分发到各Executors，最后将任务（Task）分配给executors执行。

(二)Spark基本工作流程

      

      以SparkContext为程序运行的总入口，在SC初始化过程中，Spark会分别创建DAGScheduler作业调度和TaskScheduler任务调度模块。

      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。而任务调度模块负责具体启动任务、监控和汇报任务运行情况。

      作业调度模块与具体部署运行模式无关。

      整个Spark程序的运行，就是DAGScheduler把Job划分为不同的Stage，提交TaskSet给TaskScheduler，进而提交给Executor执行（符合数据本地性），每个Task会计算RDD中的一个Partition，基于该Partition来具体执行我们定义的一系列同一个Stage内部的函数。直到程序运行完成。

(三)相关基本类

      所有的任务调度模块都是基于TaskScheduler及SchedulerBackend这两个接口的(Trait)。负责具体Task的运行，遵循数据本地性。 

(四)Client模式解析

(五)Cluster模式解析