【Spark原理】Spark内部原理学习笔记

1 总体框架结构图

Spark应用程序架构

由上图我们可以看到Spark应用程序架构主要由Driver Program和Executor构成，Driver负责运行main()和创建SparkContext，Executor主要负责执行Task任务。

2 各大重要组件和概念

2.1 重要概念

概念	功能	模型	备注
Application	用户定义的Spark应用程序，用户提交后，Spark会为应用分配资源，调度和执行相关任务		.
RDD Graph	Spark会分析Spark应用，将程序中所涉及的RDD按照一定的依赖关系构建RDD Graph，也就是根据算子来构建有向无环图，每个RDD Graph都会转化成一个Job
Job	- 一个App中可以包含多个Job，每个Job都是由一个RDD Graph转化而来的 - 由Action算子触发		.
Stage	- 每个Job会根据RDD之间的宽依赖（Shuffle Dependency）来划分成多个Stage，每一个Stage中包含一组Task（也就是TaskSet） - 每个Stage中的Task类型都是相同的		.
Task	- 一个分区对应一个Task - Task执行RDD中对应的算子，Task被封装TaskRunner后放入Executor的线程中来执行，并由TaskRunner来进行调度 - Task类型有ShuffleMapTask和ResultTask		.
Worker	可以运行App代码的节点，如Yarn中NodeManager		.
DAGScheduler	用来构建基于Stage的有向无环图，划分的依据是根据RDD之间的宽依赖		.
TaskScheduler	- 将TaskSet提交给Executor去运行 - 维护TaskSet的运行状态标签，负责Task的失效重执行		.

2.2 相关组件

组件	功能	模型	备注
Driver	- 运行Application的main函数并创建SparkContext - SparkContext的作用就是与Cluster Manager通讯，进行资源申请、任务的调度等。		.
Executor	- 某个App运行在Worker上的一个进程，用于执行App的Task - 每个App都有独立的Executor，Executor上运行的Task取决于分配的core数		.
Cluster Manager	资源调度服务，用于资源的分配和调度，有standalone、mesos和yarn三种模式		.

3 应用的提交执行流程

3.1 运行模式

1）Spark应用的运行模式有以下几种：

• local[n]：本地模式
• standalone：使用spark内部的资源管理器，master-slaves架构
• mesos : Apache下的一个资源管理框架
• yarn : Hadoop下的一个资源管理框架

2）根据Driver的运行位置来划分有以下两种运行模式：

• Cluster：Driver和Executor运行在集群中的Worker上
• Client：Driver运行在客户端上，Executor运行在Worker上

3）命令行

• spark-shell：bin/spark-shell --master yarn --deploy-mode client（yarn的client模式）
• spark-submit：spark-shell底层也是调用spark-submit，如果你想知道它有什么参数，可以直接在spark目录下输入 spark-submit来查看

3.2 流程

这里我们就以 Spark On Yarn 为例来说明

3.2.1 Yarn-Client 模式

流程如下：

1. 在客户端通过spark-submit向Yarn提交Application
2. 应用在Client启动Driver，创建SparkContext并进行初始化
3. ResourceManger为应用申请一个Container来启动Application Master，用来与Client中的SparkContext进行通讯。
4. Application Master即承担起了为应用申请资源运行Executor的责任，一旦申请到资源，那么就会在指定的NodeManager的Container上创建Executor进程，Executor会向SparkContext注册，保持通讯
5. SparkContext会根据任务所需资源，数据本地性等条件指定Task的运行在哪个Executor上，将Task分发到指定Executor并开始执行，Executor会周期向SparkContext汇报任务运行情况
6. 一旦所有任务执行完毕，SparkContext会向ResourceManger申请注销自己并关闭

3.2.2 Yarn-Cluster 模式

流程如下：

1. 在客户端通过spark-submit向Yarn提交Application
2. ResourceManger为应用申请一个Container来启动Application Master，并且在Application Master进行SparkContext等初始化。
3. Application Master即承担起了为应用申请资源运行Executor的责任，一旦申请到资源，那么就会在指定的NodeManager的Container上创建Executor进程，Executor会向SparkContext注册，保持通讯
4. Applicaiton Master会根据任务所需资源，数据本地性等条件指定Task的运行在哪个Executor上，将Task分发到指定Executor并开始执行，Executor会周期向Applicaiton Master汇报任务运行情况
5. 一旦所有任务执行完毕，Applicaiton Master会向ResourceManger申请注销自己并关闭

3.3 Job的全生命周期

• action算子触发
• 内部实际就是sc.runJob，最终调用了submitJob
• submit中最终调用了DAGScheduler的submitStage，由最后一个stage往前找，直到parentStage缺失调用submitMissingTask
• DAGScheduler将TaskSet提交给TaskScheduler执行
• TaskScheduler中实际调用了submit方法，而该方法是使用远程调用的方式来调用CoraseGraintedExecutorBackend的launchTask方法
• launchTask则是将包装了Task的TadkRunner丢进线程池中去运行

4 Spark的读写流程

4.1 写入流程

1. RDD调用compute( )方法进行指定分区的写入。
2. CacheManager中调用BlockManater判断数据是否已经写入，如果未写则写入。
3. BlockManager中数据与其他节点同步。（与副本节点通讯）
4. BlockManager根据存储级别写入指定的存储层。（存储级别决定了数据是存储在内存还是磁盘，或者是两者结合）
5. BlockManager向主节点汇报存储状态。

4.2 读取流程

1. RDD调用compute( )方法进行指定分区的读取。
2. 调用BlockManager的get()进行读取

• 在本地同步读取数据块，首先看能否在内存读取数据块，如果不能读取，则看能否从Tachyon读取数据块，如果仍不能读取，则看能否从磁盘读取数据块。
• 如果本地没有数据，就进行远程读取：远程获取调用路径，然后getRemote调用doGetRemote，通过BlockManagerWorker.syncGetBlock从远程获取数据。

5 Spark各组件之间的通信方式和流程

5.1 通讯框架

1.6之前

• Spark在模块间通信使用的是AKKA框架。AKKA基于Scala开发，用于编写Actor应用。
• Actors是一些包含状态和行为的对象。它们通过显式传递消息来进行通信，消息会被发送到它们的消息队列中。对消息队列中的消息进行处理作出响应
• RPC是单独通过AKKA实现，数据以及文件传输是采用netty实现，而AKKA底层也是使用Netty来实现的

1.6 后

• 通过netty封装了一套简洁的类似于AKKA Actor模式的RPC接口，并逐步抛弃AKKA这个重量级框架
• 2.0 之后，所有的网络功能模块都是通过Netty来实现的

5.2 通讯的简单流程

• 客户端发送请求消息，经过Encoder加上头信息，通过网络发送给服务端
• 服务端收到消息之后，经过TransportFrameDecoder进行处理，得到消息类型和消息体，在解析得到具体的请求信息
• 最后由TransportChannelHandler处理具体的请求信息，根据消息类型判断是否回应

6 Spark的容错机制

分布式系统常用的容错机制

• 数据检查点：成本高，耗费资源
• 记录数据的更新：耗费资源较少

Spark所采用的容错机制是记录数据更新和数据检查点相结合的形式。原因如下：

• RDD只支持粗粒度转换，即在大量记录上执行的单个操作。将创建RDD的一系列Lineage（即血统）记录下来，以便恢复丢失的分区。也就是说当子RDD分区丢失时，只要重新计算它对应的父RDD分区就可以进行恢复，这对于窄依赖来说不存在冗余计算。
• 宽依赖也就是Shuffle Dependency，也就是发生在shuffle阶段的依赖，如果子RDD分区丢失了，那么重新计算的代价就比较大，因为有多个父RDD分区对应该子RDD分区，那么重新计算时所有的父RDD分区都得重新计算，造成了计算冗余

以下情况需要添加检查点

• DAG中依赖线过长，如果重算，则开销太大
• 在Shuffle Dependency上做CheckPoint(检查点)获得的收益更大

在RDD计算中，通过检查点机制进行容错，传统做检查点有两种方式：通过冗余数据和日志记录更新操作。RDD中所采用的就是通过冗余数据来缓存数据，然后对已进行冗余
操作的RDD执行删除该祖先的RDD依赖

官方建议，做检查点的RDD做好先缓存在内存中，否则需要进行重新计算

7 Spark的Shuffle机制

Shuffle中文意思就是混洗，跟MapReduce中的Shuffle的思想是相同，就是数据的重新分区和组合

Spark的Shuffle是在stage的承接阶段完成的，前面的stage会根据后面stage的分区数来将数据按照一定的规则分成相应的bucket，然后写到磁盘上。后续的stage会从元数据那里获得指定数据的所在节点，将数据拉取本地做进一步的操作

Shuffle分为两个阶段

• Shuffle Write ：Shuffle的第一步骤，就是将前一个stage中的数据写到磁盘，用于第二步的Fetch
  • 主要是在ShuffleMapTask中执行(runTask)方法
  • 如果设置了map端进行聚合的话，那么会先执行数据在map的合并，减少网络传输
  • Consolidate Shuffle相比普通Shuffle的优势在：普通shuffle产生的Shuffle文件数为map任务数 x Reduce任务数，而Consolidate Shuffle的理论Shuffle文件数为Spark Core数 x Reducer数，而概念上C_Shuffle引入了文件数组，一个Bucket不再对应一个文件，而是对应文件中的一个segment
• Shuffle Fetch：通过本地或者远程抓取需要的数据到本节点进行计算，完成操作如保存数据到指定路径或者作为下一个Shuffle的Shuffle Write

Shuffle Aggregator并不会对所有情况下的数据进行排序，所以Aggregator分为不需要外排和需要外排两种方式

• 不需要外排：数据全部保存在内存当中，使用AppendOnlyMap来进行数据的存储，数据是来一个处理一个，更新到map中，所以reducer的内存必须足够大，能够存储该分区的所有key和count的值
• 需要外排：reduce类型的操作，内存没办法存放所有的key-value对，必须借助外部磁盘

在Reduce端，各个Task会并发启动多个线程同时从多个Map Task端拉取数据。由于Reduce阶段的主要任务是对数据进行按组规约。也就是说，需要将数据分成若干组，以便以组为单位进行处理。大家知道，分组的方式非常多，常见的有：Map/HashTable（key相同的，放到同一个value list中）和Sort（按key进行排序，key相同的一组，经排序后会挨在一起），这两种方式各有优缺点，第一种复杂度低，效率高，但是需要将数据全部放到内存中，第二种方案复杂度高，但能够借助磁盘（外部排序）处理庞大的数据集。Spark前期采用了第一种方案，而在最新的版本中加入了第二种方案， MapReduce则从一开始就选用了基于sort的方案。
摘抄自董西成的文章链接如下http://dongxicheng.org/framework-on-yarn/apache-spark-shuffle-details/