寒假自学进度4

今天主要学习了Spark运行基本流程 RDD概念 RDD 中的依赖关系 Spark划分 RDD 在 Spark 架构中的运行过程以及完成实验一Linux系统常用命令

Spark运行基本流程

 

 

　　（1）当一个 Spark Application 被提交时，首先需要为这个应用构建起基本的运行环境， 即由 Driver 创建一个 SparkContext进行资源的申请、任务的分配和监控。

SparkContext 会向资源管理器注册并申 请运行 Executor 的资源；

　　（2）资源管理器为 Executor 分配资源，并启动 Executor 进程，

Executor 启动以后会不断向资源管理器汇报其运行情况

 

　　（3）SparkContext 根据 RDD 的依赖关系构建 DAG 图，DAG 图提交给 DAGScheduler 进行解析，将 DAG 图分解成 Stage，并且计算出各个 Stage 之间的依赖关系，（每一个Stage阶段里面都会包含多个task，这些task构成一个taskset）然后把一个个 TaskSet 提交给底层任务调度器 TaskScheduler 进行处理；

（TaskScheduler拿到taskset以后要把任务分配给相关的Executor 进程去运行这些task，但是它不能随便分配 必须接到Executor申请才会分配）

Executor 会向 SparkContext 申请 Task，Task Scheduler将相关Task发送给Executor运行，同时，SparkContext也会将应用程序代码发放给Executor；

　　（4）Task 在 Executor 上运行，把执行结果反馈给 TaskScheduler，然后反馈给 DAGScheduler，运行完毕后写入数据并释放所有资源。

RDD概念

　　一个 RDD 就是一个分布式对象集合，本质上是一个只读的分区记录集合，每个 RDD 可分成多个分区，每个分区就是一个数据集片段，并且一个 RDD 的不同分区可以被保存到 集群中不同的节点上，从而可以在集群中的不同节点上进行并行计算。

　　RDD 提供了一种高 度受限的共享内存模型，即 RDD 是只读的记录分区的集合，不能直接修改，只能基于稳定 的物理存储中的数据集创建 RDD，或者通过在其他 RDD 上执行确定的转换操作（如 map、 join 和 group by）而创建得到新的 RDD

　　从输入中逻辑上生成 A 和 C 两个 RDD，经过一系列转换操作，逻辑上生成了 F（也是一个 RDD），之所以说是 逻辑上，是因为这时候计算并没有发生，Spark 只是记录了 RDD 的生成和依赖关系。当 F 要进行输出时，也就是当F进行动作操作的时候，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。 

RDD 中不同的操作会使得不同 RDD 中的分区会产生不同的依赖。

RDD 中的依赖关系 分为窄依赖与宽依赖， 

　　窄依赖表现为一个父 RDD 的分区对应于一个子 RDD 的分区，或多个父 RDD 的分区对 应于一个子 RDD 的分区；

　　宽依赖则表现为存在一个父 RDD 的一个分区对应一个子 RDD 的多个分区。

　　窄依赖典型的操作包括 map、filter、union 等，宽依赖典型的操作包括 groupByKey、sortByKey 等。对于连接（join）操作，可以分为两种情况，如果连接操作使 用的每个分区仅仅和已知的分区进行连接，就是窄依赖（如图 16-9(a)中的连接操作），其他 情况下的连接操作都是宽依赖（如图 16-9(b)中的连接操作）。宽依赖的情形通常伴随着 Shuffle 操作。 

 

Spark划分

　　通过分析各个 RDD 的依赖关系生成了 DAG，再通过分析各个 RDD 中的分区之 间的依赖关系来决定如何划分 Stage，

具体划分方法是：在 DAG 中进行反向解析，遇到宽 依赖就断开，遇到窄依赖就把当前的RDD加入到Stage中；将窄依赖尽量划分在同一个Stage 中，可以实现流水线计算 提高了计算的效率。 

RDD 在 Spark 架构中的运行过程：

（1）创建 RDD 对象；

（2）SparkContext 负责计算 RDD 之间的依赖关系，构建 DAG；

（3）DAGScheduler 负责把 DAG 图分解成多个 Stage，每个 Stage 中包含了多个 Task，每个 Task 会被 TaskScheduler 分发给各个 WorkerNode 上的 Executor 去执行。