Spark运行模式及原理（一）
Spark的运行模式多种多样，灵活多变，部署在单机上时，既可以用本地模式运行，也可以用伪分布式模式运行；而当以分布式集群的方式部署时，也有众多的运行模式可供选择，这取决于集群的实际情况，底层的资源调度既可以依赖于外部的资源调度框架，也可以使用Spark内建的Standalone模式。对于外部资源调度框架的支持，目前的实现包括相对稳定的Mesos模式，以及还在持续开发更新中的Hadoop YARN模式。
1.Spark运行模式概述
Spark运行模式列表
在实际应用中，Spark应用程序的运行模式取决于传递给SparkContext的MASTER环境变量的值，个别模式还需要依赖辅助的程序接口来配合使用，目前所支持的MASTER环境变量由特定的字符串或URL所组成，如下所示。
Local[N]：本地模式，使用N个线程。
Local cluster[worker, core, Memory]：伪分布式模式，可以配置所需要启动的虚拟工作节点的数量，以及每个工作节点所管理的CPU数量和内存尺寸。
Spark://hostname:port：Standalone模式，需要部署Spark到相关节点，URL为Spark Master主机地址和端口。
Mesos://hostname:port：Mesos模式，需要部署Spark和Mesos到相关节点，URL为Mesos主机地址和端口。
YARN standalone/Yarn cluster：YARN模式一，主程序逻辑和任务都运行在YARN集群中。
YARN client：YARN模式二，主程序逻辑运行在本地，具体任务运行在YARN集群中。
此外还有一些用于调试的URL，因为和应用无关，我们在这里就不列举了。
Spark基本工作流程
看到这么多的部署和运行模式，读者大概会想，其内部的逻辑是否也同样会是错综复杂的呢？其实这些运行模式尽管表面上看起来差异很大，但总体上来说，都基于一个相似的工作流程。它们从根本上都是将Spark的应用分为任务调度和任务执行两个部分，如图1所示的是在分布式模式下，Spark的各个调度和执行模块的大致框架图。对于本地模式来说，其内部程序逻辑结构也是类似的，只是其中部分模块有所简化，例如集群管理模块简化为进程内部的线程池。
从图1中可以看到，所有的Spark应用程序都离不开SparkContext和Executor两部分，Executor负责执行任务，运行Executor的机器称为Worker节点，SparkContext由用户程序启动，通过资源调度模块和Executor通信。SparkContext和Executor这两部分的核心代码实现在各种运行模式中都是公用的，在它们之上，根据运行部署模式的不同，包装了不同调度模块以及相关的适配代码。
图1 基本框架
具体来说，以SparkContext为程序运行的总入口，在SparkContext的初始化过程中，Spark会分别创建DAGScheduler作业调度和TaskScheduler任务调度两级调度模块。
其中作业调度模块是基于任务阶段的高层调度模块，它为每个Spark作业计算具有依赖关系的多个调度阶段（通常根据shuffle来划分），然后为每个阶段构建出一组具体的任务（通常会考虑数据的本地性等），然后以TaskSets（任务组）的形式提交给任务调度模块来具体执行。而任务调度模块则负责具体启动任务、监控和汇报任务运行情况。
作业调度模块和具体的部署运行模式无关，在各种运行模式下逻辑相同，因此在这不做过多介绍。
不同运行模式的区别主要体现在任务调度模块。不同的部署和运行模式，根据底层资源调度方式的不同，各自实现了自己特定的任务调度模块，用来将任务实际调度给对应的计算资源。
相关基本类
TaskScheduler / SchedulerBackend
为了抽象出一个公共的接口供DAGScheduler作业调度模块使用，所有的这些运行模式实现的任务调度模块都是基于这两个接口（Trait）的：TaskScheduler（见程序1）及SchedulerBackend（见程序2）。
程序1
private[spark] trait TaskScheduler {
def rootPool: Pool
def schedulingMode: SchedulingMode
def start(): Unit
def postStartHook() { }
def stop(): Unit
// 提交待运行的任务集
def submitTasks(taskSet: TaskSet): Unit
// 取消一个调度阶段的所有任务
def cancelTasks(stageId: Int, interruptThread: Boolean)
// 设置DAG scheduler 用来回调相关函数
def setDAGScheduler(dagScheduler: DAGScheduler): Unit
// 默认的并行度，作为决定作业并行度的一个参考
def defaultParallelism(): Int
}
TaskScheduler的实现主要用于与DAGScheduler交互，负责任务的具体调度和运行，其核心接口是submitTasks和cancelTasks。
程序2
private[spark] trait SchedulerBackend {
def start(): Unit
def stop(): Unit
def reviveOffers(): Unit
def defaultParallelism(): Int
def killTask(taskId: Long, executorId: String, interruptThread: Boolean): Unit =
throw new UnsupportedOperationException
}
SchedulerBackend的实现是与底层资源调度系统交互（如Mesos/YARN），配合TaskScheduler实现具体任务执行所需的资源分配，核心接口是receiveOffers。
这两者之间的实际交互过程取决于具体调度模式，理论上这两者的实现是成对匹配工作的，之所以拆分成两部分，是有利于相似的调度模式共享代码功能模块。
TaskSchedulerImpl
TaskSchedulerImpl实现了TaskScheduler接口，提供了大多数本地和分布式运行调度模式的任务调度接口。
private[spark] class TaskSchedulerImpl(
val sc: SparkContext,
val maxTaskFailures: Int,
isLocal: Boolean = false)
extends TaskScheduler with Logging
此外它还实现了resourceOffers和statusUpdate这两个接口供Backend调用，用于提供调度资源和更新任务状态。
def resourceOffers(offers: Seq[WorkerOffer]): Seq[Seq[TaskDescription]]
def statusUpdate(tid: Long, state: TaskState, serializedData: ByteBuffer)
另外，在提交任务和更新状态等阶段，TaskSchedulerImpl都会调用Backend的receiveOffers函数，用于发起一次任务资源调度请求 。
Executor
实际任务的运行，最终都由Executor类来执行，Executor对每一个任务创建一个TaskRunner类，交给线程池运行，如程序3所示。
程序3
// 启动线程池
val threadPool = Utils.newDaemonCachedThreadPool("Executor task launch worker")
// 运行任务列表
private val runningTasks = new ConcurrentHashMap[Long, TaskRunner]
def launchTask(context: ExecutorBackend, taskId: Long, serializedTask: ByteBuffer) {
val tr = new TaskRunner(context, taskId, serializedTask)
runningTasks.put(taskId, tr)
threadPool.execute(tr)
}
运行的结果通过ExecutorBackend接口返回。
private[spark] trait ExecutorBackend {
def statusUpdate(taskId: Long, state: TaskState, data: ByteBuffer)
}
图2列出了各种运行模式下相关类的关系图，在接下来的内容中我们将对各种运行模式进行详细的介绍。
图2各种运行模式相关类图
2.Local模式
部署及程序运行
Local模式，顾名思义就是在本地运行，如果不加任何配置，Spark默认设置为Local模式。以SparkPi为例，Local模式下的应用程序的启动命令如下：
./bin/run-example org.apache.spark.examples.SparkPi local
在SparkPi代码的具体实现中，是根据用户传入的参数来选择运行模式的（如上例的Local），如果需要自己在代码中指定运行模式，可以通过在代码中配置Master为Local来实现，如程序4所示。
程序4
import org.apache.spark.{SparkConf, SparkContext}
val conf = new SparkConf()
.setMaster("local")
.setAppName("My application")
.set("spark.executor.memory", "1g")
val sc = new SparkContext(conf)
当然，为了使应用程序能够更灵活地在各种部署环境下使用，不建议把与运行环境相关的设置直接在代码中写死。
内部实现原理
Local本地模式使用LocalBackend配合TaskSchedulerImpl，内部逻辑结构如图3所示。
图3 Local模式逻辑结构框图
LocalBackend响应Scheduler的receiveOffers请求，根据可用的CPU核的设定值[N]直接生成CPU资源返回给Scheduler，并通过Executor类在线程池中依次启动和运行Scheduler返回的任务列表，其核心事件循环由内部类LocalActor以Akka Actor的消息处理形式来实现。
因为Local模式无须配置，同时所有的代码都在本地进程中执行，所以常常可以作为快速验证代码和跟踪调试的手段。
本文摘自《Spark大数据处理技术》