[Spark基础]-- spark-2.0图文讲解核心

转自：https://www.qcloud.com/community/article/339784?fromSource=gwzcw.107190.107190.107190

 

导语

spark2.0于2016-07-27正式发布，伴随着更简单、更快速、更智慧的新特性，spark 已经逐步替代 hadoop 在大数据中的地位，成为大数据处理的主流标准。本文主要以代码和绘图的方式结合，对运行架构、RDD 的实现、spark 作业原理、Sort-Based Shuffle 的存储原理、 Standalone 模式 HA 机制进行解析。

1、运行架构

Spark支持多种运行模式。单机部署下，既可以用本地（Local）模式运行，也可以使用伪分布式模式来运行；当以分布式集群部署的时候，可以根据实际情况选择Spark自带的独立（Standalone）运行模式、YARN运行模式或者Mesos模式。虽然模式多，但是Spark的运行架构基本由三部分组成，包括SparkContext（驱动程序）、ClusterManager（集群资源管理器）和Executor（任务执行进程）。　

1、SparkContext提交作业，向ClusterManager申请资源；

2、ClusterManager会根据当前集群的资源使用情况，进行有条件的FIFO策略：先分配的应用程序尽可能多地获取资源，后分配的应用程序则在剩余资源中筛选，没有合适资源的应用程序只能等待其他应用程序释放资源；

3、ClusterManager默认情况下会将应用程序分布在尽可能多的Worker上，这种分配算法有利于充分利用集群资源，适合内存使用多的场景，以便更好地做到数据处理的本地性；另一种则是分布在尽可能少的Worker上，这种适合CPU密集型且内存使用较少的场景；

4、Excutor创建后与SparkContext保持通讯，SparkContext分配任务集给Excutor，Excutor按照一定的调度策略执行任务集。

2、RDD

弹性分布式数据集（Resilient Distributed Datasets，RDD）作为Spark的编程模型，相比MapReduce模型有着更好的扩展和延伸：　

• 提供了抽象层次更高的API　

• 高效的数据共享　

• 高效的容错性　

2.1、RDD 的操作类型　

RDD大致可以包括四种操作类型：

• 创建操作（Creation）：从内存集合和外部存储系统创建RDD，或者是通过转换操作生成RDD

• 转换操作（Transformation）：转换操作是惰性操作，只是定义一个RDD并记录依赖关系，没有立即执行　

• 控制操作（Control）：进行RDD的持久化，通过设定不同级别对RDD进行缓存

• 行动操作（Action）：触发任务提交、Spark运行的操作，操作的结果是获取到结果集或者保存至外部存储系统　

2.2、RDD 的实现

2.2.1、RDD 的分区　

RDD的分区是一个逻辑概念，转换操作前后的分区在物理上可能是同一块内存或者存储。在RDD操作中用户可以设定和获取分区数目，默认分区数目为该程序所分配到的cpu核数，如果是从HDFS文件创建，默认为文件的分片数。

2.2.2、RDD 的“血统”和依赖关系　

　　　
“血统”和依赖关系：RDD 的容错机制是通过记录更新来实现的，且记录的是粗粒度的转换操作。我们将记录的信息称为血统（Lineage）关系，而到了源码级别，Apache Spark 记录的则是 RDD 之间的依赖（Dependency）关系。如上所示，每次转换操作产生一个新的RDD（子RDD），子RDD会记录其父RDD的信息以及相关的依赖关系。　

2.2.3、依赖关系

依赖关系划分为两种：窄依赖（Narrow Dependency）和 宽依赖（源码中为Shuffle Dependency）。

窄依赖指的是父 RDD 中的一个分区最多只会被子 RDD 中的一个分区使用，意味着父RDD的一个分区内的数据是不能被分割的，子RDD的任务可以跟父RDD在同一个Executor一起执行，不需要经过 Shuffle 阶段去重组数据。

窄依赖包括两种：一对一依赖（OneToOneDependency）和范围依赖（RangeDependency）　

一对一依赖：　
　

范围依赖（仅union方法）：　
　

宽依赖指的是父 RDD 中的分区可能会被多个子 RDD 分区使用。因为父 RDD 中一个分区内的数据会被分割，发送给子 RDD 的所有分区，因此宽依赖也意味着父 RDD 与子 RDD 之间存在着 Shuffle 过程。

宽依赖只有一种：Shuffle依赖（ShuffleDependency）　

3、作业执行原理

作业（Job）：RDD每一个行动操作都会生成一个或者多个调度阶段
　　
调度阶段（Stage）：每个Job都会根据依赖关系，以Shuffle过程作为划分，分为Shuffle Map Stage和Result Stage。每个Stage包含多个任务集（TaskSet），TaskSet的数量与分区数相同。　

任务（Task）：分发到Executor上的工作任务，是Spark的最小执行单元　
　　
DAGScheduler：DAGScheduler是面向调度阶段的任务调度器，负责划分调度阶段并提交给TaskScheduler　

TaskScheduler：TaskScheduler是面向任务的调度器，它负责将任务分发到Woker节点，由Executor进行执行　

3.1、提交作业及作业调度策略（适用于调度阶段）　

每一次行动操作都会触发SparkContext的runJob方法进行作业的提交。

这些作业之间可以没有任何依赖关系，对于多个作业之间的调度，共有两种：一种是默认的FIFO模式，另一种则是FAIR模式，该模式的调度可以通过设定minShare（最小任务数）和weight（任务的权重）来决定Job执行的优先级。　

FIFO调度策略：优先比较作业优先级（作业编号越小优先级越高），再比较调度阶段优先级（调度阶段编号越小优先级越高）　

FAIR调度策略：先获取两个调度的饥饿程度，是否处于饥饿状态由当前正在运行的任务是否小于最小任务决定，获取后进行如下比较：

• 优先满足处于饥饿状态的调度　

• 同处于饥饿状态，优先满足资源比小的调度　

• 同处于非饥饿状态，优先满足权重比小的调度 　

• 以上情况均相同的情况下，根据调度名称进行排序　

3.2、划分调度阶段（DAG构建）　

DAG构建图：　
　
　　
DAG的构建：主要是通过对最后一个RDD进行递归，使用广度优先遍历每个RDD跟父RDD的依赖关系（前面提到子RDD会记录依赖关系），碰到ShuffleDependency的则进行切割。切割后形成TaskSet传递给TaskScheduler进行执行。　

DAG的作用：让窄依赖的RDD操作合并为同一个TaskSet，将多个任务进行合并，有利于任务执行效率的提高。　

TaskSet结构图：假设数据有两个Partition时，TaskSet是一组关联的，但相互之间没有Shuffle依赖关系的Task集合，TaskSet的ShuffleMapStage数量跟Partition个数相关，主要包含task的集合，stage中的rdd信息等等。Task会被序列化和压缩　

4、存储原理（Sort-Based Shuffle分析）

4.1、Shuffle过程解析（wordcount实例）

1. 数据处理：文件在hdfs中以多个切片形式存储，读取时每一个切片会被分配给一个Excutor进行处理；

2. map端操作：map端对文件数据进行处理，格式化为(key,value)键值对，每个map都可能包含a,b,c,d等多个字母，如果在map端使用了combiner，则数据会被压缩，value值会被合并；（注意：这个过程的使用需要保证对最终结果没有影响，有利于减少shuffle过程的数据传输）；

3.reduce端操作：reduce过程中，假设a和b，c和d在同一个reduce端，需要将map端被分配在同一个reduce端的数据进行洗牌合并，这个过程被称之为shuffle。

4.2、map端的写操作

　　
1.map端处理数据的时候，先判断这个过程是否使用了combiner，如果使用了combiner则采用PartitionedAppendOnlyMap数据结构作为内存缓冲区进行数据存储，对于相同key的数据每次都会进行更新合并；如果没有使用combiner，则采用PartitionedPairBuffer数据结构，把每次处理的数据追加到队列末尾；

2.写入数据的过程中如果出现内存不够用的情况则会发生溢写，溢写；使用combiner的则会将数据按照分区id和数据key进行排序，做到分区有序，区中按key排序，其实就是将partitionId和数据的key作为key进行排序；没有使用combiner的则只是分区有序；

3.按照排序后的数据溢写文件，文件分为data文件和index文件，index文件作为索引文件索引data文件的数据，有利于reduce端的读取；（注意：每次溢写都会形成一个index和data文件，在map完全处理完后会将多个inde和data文件Merge为一个index和data文件）

4.3、reduce端的读操作

有了map端的处理，reduce端只需要根据index文件就可以很好地获取到数据并进行相关的处理操作。这里主要讲reduce端读操作时对数据读取的策略：

如果在本地有，那么可以直接从BlockManager中获取数据；如果需要从其他的节点上获取，由于Shuffle过程的数据量可能会很大，为了减少请求数据的时间并且充分利用带宽，因此这里的网络读有以下的策略：　

1.每次最多启动5个线程去最多5个节点上读取数据；

2.每次请求的数据大小不会超过spark.reducer.maxMbInFlight(默认值为48MB)/5

5、Spark的HA机制（Standalone模式）

5.1、Executor异常

当Executor发生异常退出的情况，Master会尝试获取可用的Worker节点并启动Executor，这个Worker很可能是失败之前运行Executor的Worker节点。这个过程系统会尝试10次，限定失败次数是为了避免因为应用程序存在bug而反复提交，占用集群宝贵的资源。

5.2、Worker异常

Worker会定时发送心跳给Master，Master也会定时检测注册的Worker是否超时，如果Worker异常，Master会告知Driver，并且同时将这些Executor从其应用程序列表中删除。

5.3、Master异常

1、ZooKeeper：将集群元数据持久化到ZooKeeper，由ZooKeeper通过选举机制选举出新的Master，新的Master从ZooKeeper中获取集群信息并恢复集群状态；

2、FileSystem：集群元数据持久化到本地文件系统中，当Master出现异常只需要重启Master即可；

3、Custom：通过对StandaloneRecoveryModeFactory抽象类进行实现并配置到系统中，由用户自定义恢复方式。