Spark框架深度理解三：运行架构、核心数据集RDD

前言

由于Spark框架大多都搭建在Hadoop系统之上，要明白Spark核心运行原理还是得对Hadoop体系有个熟悉的认知。从Hadoop1.0到Hadoop2.0架构的优化和发展探索详解这篇博客大家可以先去温习一下Hadoop整个体系，然后再来了解Spark框架会更有效率。

本来想直接写一篇缘由优缺点以及生态圈和运行架构与原理的，发现篇幅实在是太长了，索性分两篇：

上篇：Spark框架深度理解一：开发缘由及优缺点

中篇：Spark框架深度理解二：生态圈

---

一、Spark集群架构

Spark的架构图：

• Application：用户编写的Spark应用程序，包含一个Driver功能的代码和分布在集群中多个节点上的Executor代码。
• 客户端程序：用户提交作业的客户端
• Driver：运行Application的main函数并创建SparkContext。
• SparkContext：应用上下文，控制整个生命周期。负责与ClusterManager通信，进行资源申请、任务的分配和监控等，当Executor部分运行完毕后，Driver同时负责将SparkContext关闭。
• Cluter Manager：指的是在集群上获取资源的外部服务。目前有三种类型

1) Standalon : spark原生的资源管理，由Master负责资源的分配。也可以理解为使用Standalone是Spark原生的资源管理器。

2) Apache Mesos:与hadoop MR兼容性良好的一种资源调度框架

3) Hadoop Yarn: 主要是指Yarn中的ResourceManager

• Spark Worker：集群中任何可以运行Application的节点，运行一个或多个Executor进程
• Executor：是运行在工作节点（Spark Worker）的一个进程，负责运行Task。Executor启动线程池运行Task，兵器负责将数据存在内存或磁盘上，每个Application都会申请各自的Executor来处理任务。
• Task：运行在Executor上的工作单元。
• Job：一个Job包含多个RDD及作用于相应RDD上的各种操作。
• Stage：是Job的基本调度单位，一个Job会分为多组Task，每组Task被称为Stage，或者也被称为TaskSet，代表一组关联的，相互之间没有Shuffle依赖关系的任务组成的任务集。
• RDD：是Resilient distributed datasets的简称，中文为弹性分布式数据集;是Spark最核心的模块和类
• DAGScheduler：根据Job构建基于Stage的DAG，并提交Stage给TaskScheduler

一个Application由一个Driver和若干个Job构成，一个Job由多个Stage构成，一个Stage由多个没有Shuffle关系的Task组成。

当执行一个Application时，Driver会向集群管理器申请资源，启动Executor，并向Executor发送应用程序代码和文件，然后在Executor上执行Task，运行结束后，执行结果会返回给Driver，或者写到HDFS或者其它数据库中。

与Hadoop MapReduce计算框架相比，Spark所采用的Executor有两个优点：

1. 利用多线程来执行具体的任务减少任务的启动开销；
2. Executor中有一个BlockManager存储模块，会将内存和磁盘共同作为存储设备，有效减少IO开销；

一图流：

运行流程：

二、Spark运行模式

运行环境	模式	描述
Local	本地模式	常用于本地开发测试，本地还分为local单线程和local-cluster多线程;
Standalone	集群模式	典型的Mater/slave模式，不过也能看出Master是有单点故障的；Spark支持 ZooKeeper来实现HA
On yarn	集群模式	运行在yarn资源管理器框架之上，由yarn负责资源管理，Spark负责任务调度和计算
On mesos	集群模式	运行在mesos资源管理器框架之上，由mesos负责资源管理，Spark负责任务调度和计算
On cloud	集群模式	比如AWS的EC2，使用这个模式能很方便的访问Amazon的S3; Spark支持多种分布式存储系统：HDFS和S3

其中Mesos和YARN模式类似。目前用得比较多的是Standalone模式和YARN模式。

1.Standalone运行模式

Standalone模式是Spark实现的资源调度框架，其主要节点有Client节点、Master节点和Worker节点。Driver既可以运行在Master节点上，也可以运行在本地Client端。当用spark-shell交互式工具提交Spark的job时，Diver在Master节点上运行。当使用spark-submit工具提交Job或者在Eclipse、IDEA等开发平台上使用“new SparkConf（）.setMaster”方式运行Spark任务时，Diver是运行在本地Client端上的。

（1）首先，SparkContext连接到Master，向Master注册并申请资源

（2）Woker定期发送心跳信息给Master并报告Executor状态

（3）Master根据SparkContext的资源申请要求和Worker心跳周期内报告的信息决定在哪个Worker上分配资源，然后在该Worker上获取资源，启动StandloneExecutorBackend。

（4）StandloneExecutorBackend向SparkContext注册

（5）SparkContext将Application代码发送给StandloneExecutorBackend，并且SparkContext解析Application代码，构建DAG图，并提交给DAG Scheduler，分解成Stage（当碰到Action操作时，就会催生job，每个Job含有一个或多个Stage），然后将Stage（或者成为TaskSet）提交给Task Scheduler，Task Scheduler扶着将Task分配到相应的Worker，最后提交给StandloneExecutorBackend运行。

（6）StandExecutorBackend会建立Execytor线程池，开始执行Task，并向SparkContext报告，直至Task完成。

（7）所有Task完成后，SparkContext向Master注销，释放资源。

如果想深入了解可以去看底层编译scala代码，如StandaloneSchedulerBackend.start：

***
    val appUIAddress = sc.ui.map(_.appUIAddress).getOrElse("")
    val coresPerExecutor = conf.getOption("spark.executor.cores").map(_.toInt)
 
    val initialExecutorLimit =
      if (Utils.isDynamicAllocationEnabled(conf)) {
        Some(0)
      } else {
        None
      }
    val appDesc = new ApplicationDescription(sc.appName, maxCores, sc.executorMemory, command,
      appUIAddress, sc.eventLogDir, sc.eventLogCodec, coresPerExecutor, initialExecutorLimit)
      //创建AppClient
    client = new StandaloneAppClient(sc.env.rpcEnv, masters, appDesc, this, conf)
    //启动AppClient
    client.start()
 ***

本文就概括而言讲出运行原理。

2.Spark on Yarn

Spark on YARN模式根据Driver在集群中的位置分为两种模式，一种是YARN-Client模式（客户端模式），另一种是YARN-Cluster模式（集群模式）。

在YARN运行模式中，不需要启动Spark独立集群，所以这个时候去访问http://master:8080也是访问不了的。启动YARN客户端模式的Spark shell命令：

bin/spark-shell --master yarn-client

而打开cluster会报错：

bin/spark-shell --master yarn-cluster

原因在于这两种作业流程不同。

在集群模式下，Diver运行在Application Master上，Applocation Master进程同时负责驱动Application和从YARN中申请资源。该进程运行在YARN Container内，所以启动Application Master的Client可以立即关闭，而不必持续到Application的声明周期。

图YARN—Cluster模式运行流程：

（1）客户端生成作业信息提交给ResourceManager。

（2）ResourceManager在某一个NodeManager（由YARN决定）启动Container，并将Application Master分配给该NodeManager。

（3）NodeManager接受到ResouceManager申请资源，ResouceManager分配资源的同时通知其他NodeManager启动相应的Executor。

（4）Application向ResourceManager上的Application Master注册汇报并完成相应的任务。

（5）Excutor向NodeManager上的Application Master主城汇报完成相应任务。

图YARN客户端模式的作业运行流程：

Application Master仅仅从YARN中申请资源给Excutor，之后Client会与Container通信进行作业的调度。

（1）客户端生成作业信息提交给ResouceManager。

（2）ResouceManager在本地NodeManager启动Container，并将Application Master分配给该NodeManager。

（3）NodeManager接收到ResourceManager的分配，启动Applicaton Master并开始初始化作业，此时这个NodeManager就称为Driver。

（4）Application向ResourceManager申请资源，ResourceManager分配资源同时通知其他NodeManager启动相应的Excutor。

（5）Executor向本地启动的Application Master注册汇报并完成相应的任务。

从两种模式下的作业运行流程来看。在YARN-Cluster模式下，SparkDriver运行在Application Master（AM）中，它扶着想YARN申请资源，并监督作业的运行状况，当用户提交了作业之后，就可以关掉Client，作业会继续在YARN上运行，所以YARN-Cluster模式不适合运行交互类型的作业。然而在YARN-Client模式下，AM仅仅向YARN请求Executor，Client会与请求得到的Container通信来调度它们的工作，也就是说Client不能离开。

总结起来就是，集群模式的Spark Driver运行在AM中，而客户端模式的Spark Diver运行在客户端。所以YARN-Cluster适用于生产，而YARN-Client适用于交互和调试，也就是希望快速看到应用输出信息。

三、Spark核心数据集

RDD（Resilient Distributed Datasets，弹性分布式数据集）是Spark中最重要的概念，可以简单的把RDD理解成一个提供了许多操作接口的数据集合，和一般数据集不同的是，其实际数据分布存储于一批机器中（内存或磁盘中），这里的分区可以简单地和Hadoop HDFS里面的文件来对比理解。

RDD何为弹性分布式数据集：

1、弹性之一：自动的进行内存和磁盘数据存储的切换；
2、弹性之二：基于Lineage的高效容错（第n个节点出错，会从第n-1个节点恢复，血统容错）；
3、弹性之三：Task如果失败会自动进行特定次数的重试（默认4次）；
4、弹性之四：Stage如果失败会自动进行特定次数的重试（可以只运行计算失败的阶段）；只计算失败的数据分片；
5、checkpoint和persist
6、数据调度弹性：DAG TASK 和资源 管理无关
7、数据分片的高度弹性(人工自由设置分片函数),repartition

定义一个名为：“myRDD”的RDD数据集，这个数据集被切分成了多个分区，可能每个分区实际存储在不同的机器上，同时也可能存储在内存或硬盘上（HDFS）。

RDD 具有容错机制，并且只读不能修改，可以执行确定的转换操作创建新的 RDD。具体来讲，RDD 具有以下几个属性。

• 只读：不能修改，只能通过转换操作生成新的 RDD。
• 分布式：可以分布在多台机器上进行并行处理。
• 弹性：计算过程中内存不够时它会和磁盘进行数据交换。
• 基于内存：可以全部或部分缓存在内存中，在多次计算间重用。

RDD 实质上是一种更为通用的迭代并行计算框架，用户可以显示控制计算的中间结果，然后将其自由运用于之后的计算。

在大数据实际应用开发中存在许多迭代算法，如机器学习、图算法等，和交互式数据挖掘工具。这些应用场景的共同之处是在不同计算阶段之间会重用中间结果，即一个阶段的输出结果会作为下一个阶段的输入。

RDD 正是为了满足这种需求而设计的。虽然 MapReduce 具有自动容错、负载平衡和可拓展性的优点，但是其最大的缺点是采用非循环式的数据流模型，使得在迭代计算时要进行大量的磁盘 I/O 操作。

通过使用 RDD，用户不必担心底层数据的分布式特性，只需要将具体的应用逻辑表达为一系列转换处理，就可以实现管道化，从而避免了中间结果的存储，大大降低了数据复制、磁盘 I/O 和数据序列化的开销。

RDD 的操作分为转化（Transformation）操作和行动（Action）操作。转化操作就是从一个 RDD 产生一个新的 RDD，而行动操作就是进行实际的计算。

1. 构建操作

Spark 里的计算都是通过操作 RDD 完成的，学习 RDD 的第一个问题就是如何构建 RDD，构建 RDD 的方式从数据来源角度分为以下两类。

从内存里直接读取数据。
从文件系统里读取数据，文件系统的种类很多，常见的就是 HDFS 及本地文件系统。
第一类方式是从内存里构造 RDD，需要使用 makeRDD 方法，代码如下所示。

val rdd01 = sc.makeRDD(List(l,2,3,4,5,6))

这个语句创建了一个由“1,2,3,4,5,6”六个元素组成的 RDD。

第二类方式是通过文件系统构造 RDD，代码如下所示。

val rdd:RDD[String] == sc.textFile(“file:///D:/sparkdata.txt”,1)

这里例子使用的是本地文件系统，所以文件路径协议前缀是 file://。
2. 转换操作

RDD 的转换操作是返回新的 RDD 的操作。转换出来的 RDD 是惰性求值的，只有在行动操作中用到这些 RDD 时才会被计算。

许多转换操作都是针对各个元素的，也就是说，这些转换操作每次只会操作 RDD 中的一个元素，不过并不是所有的转换操作都是这样的。

 RDD转换操作（rdd1={1, 2, 3, 3}，rdd2={3,4,5})

3. 行动操作

行动操作用于执行计算并按指定的方式输出结果。行动操作接受 RDD，但是返回非 RDD，即输出一个值或者结果。在 RDD 执行过程中，真正的计算发生在行动操作。表 2 描述了常用的 RDD 行动操作。

RDD 行动操作（rdd={1,2,3,3}）

RDD 的操作是惰性的，当 RDD 执行转化操作的时候，实际计算并没有被执行，只有当 RDD 执行行动操作时才会促发计算任务提交，从而执行相应的计算操作。

RDD的特点

• 它是集群节点上的不可改变的、已分区的集合对象；
• 通过并行转换的方式来创建如（map、filter、join等）；
• 失败自动重建；
• 可以控制存储级别（内存、磁盘等）来进行重用；
• 必须是可序列化的；
• RDD只能从持久存储或通过Transformations操作产生，相比于分布式共享内存（DSM）可以更高效实现容错，对于丢失部分数据分区只需要根据它的lineage就可重新计算出来，而不需要做特定的checkpoint；
• RDD的数据分区特性，可以通过数据的本地性来提高性能，这与Hadoop MapReduce是一样的；
• RDD都是可序列化的，在内存不足时可自动降级为磁盘存储，把RDD存储于磁盘上，这时性能有大的下降但不会差于现在的MapReduce；

 

---

参阅：

Spark RDD是什么？

spark RDD 的弹性

一文搞定Spark的调度器的通信终端（SchedulerBackend）

深入理解Spark 2.1 Core （六）：Standalone模式运行的原理与源码分析

计算机内存和磁盘的关系

spark的前世今生

Spark及其生态圈简介

Spark基本架构及运行原理