Spark Core(2)——RDD编程模型

RDD编程模型

 在Spark中，RDD被表示为对象，通过对象上的方法调用来对RDD进行转换。经过一系列的transformations定义RDD之后，就可以调用actions触发RDD的计算，action可以是向应用程序返回结果(count, collect等)，或者是向存储系统保存数据(saveAsTextFile等)。在Spark中，只有遇到action，才会执行RDD的计算(即延迟计算)，这样在运行时可以通过管道的方式传输多个转换。

 在使用Spark时，开发者需要编写一个Driver程序，它被提交到集群以调度运行Worker，如下图所示。Driver中定义了一个或多个RDD，并调用RDD上的action，Worker则执行RDD分区计算任务。

下面介绍几个术语：

• 上下文环境 SparkContext： Spark 的上下文环境，通过 SparkContext 对象可以创建RDDs

Driver 和 Executor 使用：

• 驱动程序 Dirver： 运行 Application 程序并且创建 SparkContext

• 执行单元 Executor： 执行 Task 的进程，每个 Application 都有各自独立的 Executors

  • 一个Application会启动一个Driver
  • 一个Driver负责跟踪管理该Application运行过程中所有的资源状态和任务状态
  • 一个Driver会管理一组Executor
  • 一个Executor只执行属于一个Driver的Task

Master 和 Worker 负责资源的管理

Spark的计算抽象

下面说说在Spark中经常用到的术语：可以把它们理解为计算抽象，因为它们的存在就是完整的运行spark程序的计算任务

• Application： 用户编写的Spark程序，完成一个计算任务的处理。它是由一个Driver程序和一组运行于Spark集群上的Executor组成。

• job： 用户程序中，每次调用Action时，逻辑上会生成一个Job，一个Job包含了多个Stage。

• Stage： Stage包括两类：ShuffleMapStage和ResultStage，如果用户程序中调用了需要进行Shuffle计算的Operator，如groupByKey等，就会以Shuffle为边界分成ShuffleMapStage和ResultStage。

• TaskSet： 基于Stage可以直接映射为TaskSet，一个TaskSet封装了一次需要运算的、具有相同处理逻辑的Task，这些Task可以并行计算，粗粒度的调度是以TaskSet为单位的。

• Task： Task是在物理节点上运行的基本单位，Task包含两类：ShuffleMapTask和ResultTask，分别对应于Stage中ShuffleMapStage和ResultStage中的一个执行基本单元。

下图表示了这几个概念之间的基本关系：

在 Standalone 模式下，默认采用的调度策略是FIFO，调度流程如下：

RDD相关概念间的关系

 如上图所示，Spark的计算所需的数据可以来自于HDFS，这些数据文件在HDFS上是分块存存储的。当Spark读取这些文件作为输入时，会根据具体数据格式对应的InputFormat进行解析，一般是将若干个Block合并成一个输入分片，称为InputSplit，注意InputSplit不能跨越文件。然后将为这些输入分片生成具体的Task。InputSplit与Task是一一对应的关系。接下来
这些具体的Task每个都会被分配到集群上的某个节点的某个Executor去执行。

• 每个节点可以起一个或多个Executor。

• 每个Executor由若干core组成，每个Executor的每个core一次只能执行一个Task

• 每个Task执行的结果就是生成了目标RDD的一个partiton。

注意： 这里的core是虚拟的core而不是机器的物理CPU核，可以理解为就是Executor的一个工作线程。

• Task被执行的并发度 = Executor数目 * 每个Executor核数

• partition的数目：

  • 对于数据读入阶段，例如sc.textFile，输入文件被划分为多少InputSplit就会需要多少初始Task
  • 在Map阶段partition数目保持不变
  • 在Reduce阶段，RDD的聚合会触发shuffle操作，聚合后的RDD的partition数目跟具体操作有关，例如repartition操作会聚合成指定分区数，还有一些算子是可配置的

 RDD在计算的时候，每个分区都会起一个task，所以rdd的分区数目决定了总的的task数目。申请的计算节点（Executor）数目和每个计算节点核数，决定了你同一时刻可以并行执行的task。比如：

• RDD有100个分区，那么计算的时候就会生成100个task，你的资源配置为10个计算节点，每个2个核，同一时刻可以并行的task数目为20，计算这个RDD就需要5个轮次

• 如果计算资源不变，你有101个task的话，就需要6个轮次，在最后一轮中，只有一个task在执行，其余核都在空转。

• 如果资源不变，你的RDD只有2个分区，那么同一时刻只有2个task运行，其余18个核空转，造成资源浪费。这就是在spark调优中，增大RDD分区数目，增大任务并行度的做法