大数据系列：Spark的工作原理及架构

 

介绍

本Apache Spark教程将说明Apache Spark的运行时架构以及主要的Spark术语，例如Apache SparkContext，Spark shell，Apache Spark应用程序，Spark中的任务（Task），作业（job）和阶段（stage）。

此外，我们还将学习Spark运行时体系结构的组件，例如Spark driver，集群管理器（cluster manager）和Spark executors。最后，我们将看到Apache Spark如何使用这些组件工作。

Apache Spark的工作原理–运行时Spark架构

在这里，我们将学习Apache Spark的工作原理。在Apache Spark中，中央协调器称为driver。当您在spark中输入代码时，驱动程序（driver）中的SparkContext将在我们调用Action时创建作业（job）。该作业（job）提交给DAG Scheduler，DAG Scheduler创建操作员图（operator graph），然后将其提交给Task Scheduler。任务计划程序通过集群管理器（cluster manager）启动任务。因此，借助集群管理器，Spark Application在一组计算机上启动。

 

现在，让我们了解下Spark的架构原理。

2. Apache Spark工作原理的内部原理

Apache Spark是一个开放源代码，通用分布式计算引擎，用于处理和分析大量数据。就像Hadoop MapReduce一样，它也可以与系统一起在整个群集中分发数据并并行处理数据。Spark使用主/从体系结构，即一个中央协调员（driver）和许多不同节点的workers。在这里，中央协调员称为驱动程序（driver）。

驱动程序（driver）在其自己的Java进程中运行。这些驱动程序与可能称为executor的大量分布式executors进行通信。每个执行程序都是一个单独的java进程。一个Spark应用是驱动程序（driver）和其拥有的executors的组合。在集群管理器的帮助下，Spark Application在一组计算机上启动。Standalone cluster manager是Spark的默认内置cluster manager。除了内置的群集管理器外，Spark还可以与某些开源群集管理器（如Hadoop Yarn，Apache Mesos等）一起使用。

Spark的术语

• Apache SparkContext

SparkContext是Spark应用程序的核心。它建立与Spark执行环境的连接。它用于创建Spark RDD，累加器（accumulators）和广播变量（broadcast），访问Spark服务并运行作业（jobs）。SparkContext是Spark执行环境的客户端，并充当Spark应用程序的主要部分。Spark Context的主要工作是：

1. 获取Spark应用程序的当前状态
2. 取消工作
3. 取消Stage（一个阶段）
4. 同步运行job
5. 异步运行job
6. 访问持久化的RDD
7. 释放一个持久化的RDD
8. 可编程动态资源分配

 

• Apache Spark Shell

Spark Shell是用Scala编写的Spark应用程序。它提供具有自动完成功能的命令行环境。它有助于我们熟悉Spark的功能，这些功能有助于开发自己的独立Spark应用程序。因此，该工具有助于了解Spark，也是Spark之所以在处理各种大小的数据集方面如此有用的原因。

$spark-shell --master yarn \ --num-executors 3 \ --executor-cores 2 \ --executor-memory 500M

• Spark Application

Spark应用程序是一个独立的计算，可以运行用户提供的代码来计算结果。即使没有运行作业（job），Spark应用程序也可以代表其运行进程。

• 任务（Task）

一个任务是被发送到执行程序（executor）的工作单元。每个阶段都有一个任务，每个分区分配一个任务。同一任务是在RDD的不同分区上完成的。

• 作业（Job）

Job是并行计算的单元，由多个任务组成，这些任务是响应Apache Spark中的Actoion而产生的。

• 任务阶段（Stage）每个Job都分成一些较小的任务集，称为 相互依赖的 阶段（Stage）。Stage被分类为计算边界。不能在单个Stage中完成所有计算。Job通过许多个阶段（Stage）来完成。

Spark运行时架构的组件

• Apache Spark驱动（Driver）

该程序的main（）方法在驱动程序（Driver）中运行。驱动程序（Driver）是运行用户代码的过程，该用户代码创建RDD，执行转换（transformation）和操作（action）以及创建SparkContext。启动Spark Shell时，这表示我们已经创建了驱动程序（Driver）。在驱动程序终止时，应用程序将结束。

驱动程序（Driver）将Spark应用程序拆分为Task，并安排它们在Executors上运行。任务计划程序驻留在驱动程序中，并在executors之间分配任务。驱动程序（Driver）的两个主要关键角色是：

1. 将用户程序转换为任务（task）。
2. 在执行程序（executor）上调度任务（task）。

Spark程序的高层结构是：RDD由一些输入数据源组成，使用各种转换（transformations）从现有RDD派生出新的RDD，然后在执行Action来计算数据之后。在Spark程序中，操作的DAG（有向无环图）是隐式创建的。当驱动程序运行时，它将Spark DAG转换为物理执行计划。

• Apache Spark集群管理器

Spark依靠群集管理器来启动执行程序，在某些情况下，甚至驱动程序也可以通过它启动。它是Spark中的可插入组件。在集群管理器上，Spark Scheduler以FIFO方式在Spark应用程序中调度作业和操作。可替代地，调度也可以以循环方式进行。Spark应用程序使用的资源可以根据工作负载动态调整。因此，应用程序可以释放未使用的资源，并在有需求时再次请求它们。在所有粗粒度群集管理器（即独立模式，YARN模式和Mesos粗粒度模式）上均可用。

• Apache Spark执行器

给定Spark作业中的单个任务在Spark执行程序中运行。执行程序在Spark应用程序的开头启动一次，然后在应用程序的整个生命周期内运行。即使Spark执行程序失败，Spark应用程序也可以轻松继续。执行者有两个主要角色：

1. 运行组成应用程序的任务，并将结果返回给驱动程序。
2. 为用户缓存的RDD 提供内存存储（cache ，persist）。

5.如何在Spark中启动程序？尽管使用了任何集群管理器，Spark都具有单个脚本的功能，该脚本可用于提交程序，称为spark-submit。它在集群上启动应用程序。通过各种方式，spark-submit可以连接到不同的集群管理器并控制应用程序获得多少资源。对于某些群集管理器，spark-submit可以在群集内运行驱动程序（例如，在YARN工作节点上），而对于其他群集管理器，它只能在本地计算机上运行。

6.如何在集群上运行Apache Spark应用程序

 

Apache Spark作业执行流程的完整图片。

1. 使用spark-submit，用户提交Spark应用。
2. 在spark-submit中，我们调用用户指定的main（）方法。它还会启动驱动程序（driver）。
3. 驱动程序（driver）向集群管理器（yarn or mesos）请求启动执行器所需的资源。
4. 集群管理器代表驱动程序启动执行程序。
5. 驱动程序进程（driver）在用户应用程序的帮助下运行。根据RDD上的动作（actions）和转换（transformation），驱动程序（driver）以任务（tasks）形式将工作发送给执行者（executors）。
6. 执行者（executors）处理任务（task），结果通过集群管理器发送回驱动程序（driver）。

Spark-WebUI

Spark-UI是一个图形化的web工具，帮助理解代码执行流程以及完成特定作业所花费的时间。可视化有助于发现执行过程中发生的任何潜在问题，并进一步优化spark应用程序。

以上就是Apache Spark的工作方式。

如果发现任何不正确的地方，或者想分享有关上述主题的更多信息，欢迎反馈。