Spark的不同ClusterManger提交任务的执行流程

前言

了解Spark架构原理及相关任务提交流程前，我们需要先了解一下Spark中的一些角色概念。

• Application：用户编写的Spark应用程序，包含了一个Driver 功能的代码和分布在集群中多个节点上运行的Executor代码

• Driver：运行Application的main()函数并且创建SparkContext（Spark应用程序的运行环境）。Driver负责和ClusterManager通信，进行资源的申请、任务的分配和监控等。

• Cluster Manager：集群上获取资源的外部服务，比如Standalone（由Master负责资源的分配）和Yarn（由ResourceManager负责资源的分配）

• Worker：从节点，负责控制计算节点，启动Executor或者Driver。在Standalone模式中指的就是通过Slave文件配置的Worker节点，在Spark on Yarn模式中指的就是NodeManager节点。

• Executor：运行在Worker 节点上的进程，该进程负责运行Task，并且负责将数据存在内存或者磁盘上。

• Job：包含多个Task组成的并行计算，往往由Spark Action催生，一个JOB包含多个RDD及作用于相应RDD上的各种Operation；

• Stage：每个Job会被拆分很多Stage，而每个Stage又包含多个Task；Stage是根据宽依赖和窄依赖划分的.

• Task： 被送到某个Executor上的工作任务

一.Standalone-Client方式提交任务方式

提交命令

spark-submit  --master spark://node001:7077,node002:7077 --deploy-mode client --class org.apache.spark.examples.SparkPi ../examples/jars/spark examples_2.11-2.3.1.jar  10000

执行原理图

standalone-client模式

执行流程

• 1.Client模式提交任务后，会在客户端启动Driver进程

• 2.Driver会向Master申请启动Application启动的资源

• 3.资源申请成功，Driver端将task发送到worker端执行

• 4.worker将task执行结果返回到Driver端。

缺点

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，因为Driver可能会回收task执行结果数据，假设要提交100个application到集群运行，Driver每次都会在client端启动，那么就会导致客户端所在节点的Driver收集100个application的结果数据，导致100次网卡流量暴增的问题。

二.Standalone-Cluster方式提交任务方式

提交命令

spark-submit  --master spark://node001:7077,node002:7077 --deploy-mode cluster --class org.apache.spark.examples.SparkPi ../examples/jars/spark examples_2.11-2.3.1.jar  10000

执行原理图

standalone-cluster模式

执行流程

• 1.cluster模式提交应用程序后，会向Master请求启动Driver.

• 2.Master接受请求，随机在集群一台节点启动Driver进程。

• 3.Driver启动后为当前的应用程序申请资源。

• 4.Driver端发送task到worker节点上执行。

• 5.worker将执行情况和执行结果返回给Driver端。

总结

Driver进程是在集群某一台Worker上启动的，在客户端是无法查看task的执行情况的。假设要提交100个application到集群运行,每次Driver会随机在集群中某一台Worker上启动，那么这100次网卡流量暴增的问题就散布在集群上。

三.Yarn-Client方式提交任务方式

提交命令

spark-submit  --master yarn --deploy-mode client --class org.apache.spark.examples.SparkPi ../examples/jars/spark examples_2.11-2.3.1.jar  10000

执行原理图

yarn-client模式

执行流程

• 1.客户端提交一个Application，在客户端启动一个Driver进程。

• 2.应用程序启动后会向RS(ResourceManager)发送请求，启动AM(ApplicationMaster)的资源。

• 3.RS收到请求，随机选择一台NM(NodeManager)启动AM。这里的NM相当于Standalone中的Worker节点。

• 4.AM启动后，会向RS请求一批container资源，用于启动Executor。

• 5.RS会找到一批NM返回给AM,用于启动Executor。

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-Client模式下ApplicationMaster的作用：

• 1.为当前的Application申请资源
• 2.给NameNode发送消息启动Executor。
  注意：ApplicationMaster有launchExecutor和申请资源的功能，并没有作业调度的功能。因此进程名称为ExecutorLauncher，不能叫做ApplicationMaster。

四.Yarn-Cluster方式提交任务方式

提交命令

spark-submit  --master yarn --deploy-mode cluster --class org.apache.spark.examples.SparkPi ../examples/jars/spark examples_2.11-2.3.1.jar  10000

执行原理图

yarn-cluster模式

执行流程

• 1.客户机提交Application应用程序，发送请求到RS(ResourceManager),请求启动AM(ApplicationMaster)。

• 2.RS收到请求后随机在一台NM(NodeManager)上启动AM（相当于Driver端）。

• 3.AM启动，AM发送请求到RS，请求一批container用于启动Executor。

• 4.RS返回一批NM节点给AM。

• 5.AM连接到NM,发送请求到NM启动Executor。

• 6.Executor反向注册到AM所在的节点的Driver。Driver发送task到Executor。

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。

Yarn-Cluster模式下ApplicationMaster的作用：

• 1.为当前的Application申请资源
• 2.给NameNode发送消息启动Executor。
• 3.任务调度。
  注意：ApplicationMaster有launchExecutor和申请资源的功能，相比较Yarn-Client模式下具备了作业调度的功能。因此进程名称叫做ApplicationMaster。

停止集群任务命令：yarn application -kill applicationID