【Spark精讲】Spark任务运行流程

目录

Spark任务执行流程

​编辑

Client模式

Cluster模式

Yarn任务运行流程

YARN-CLIENT模式

YARN-CLUSTER模式

​编辑

故障排查

YARN-CLIENT 模式导致的网卡流量激增问 题

YARN-CLUSTER 模式的 JVM 栈内存溢出无法执行问题

---

Spark任务执行流程

        部署模式是根据Drvier和Executor的运行位置的不同划分的。client模式提交任务与Driver进程在同一个节点上，而cluster模式提交任务与Driver进程不在同一个节点。       

Client模式

Clinet模式是在spark-submit提交任务的节点上运行Driver进程。

执行流程：

1. spark-submit脚本提交任务直接启动Driver进程运行main函数
2. 构造SparkConext
3. 向Master注册Application
4. 由Master通知启动Executor
5. Executor再注册到Driver

在 Spark 项目开发阶段，可以使用 client 模式对程序进行测试，此时，可以在本地看到比较全的日志信息。

Cluster模式

Cluster模式是在Worker节点上运行Driver进程。

执行流程：

1. 由spark-submit脚本启动临时进程
2. 通知Master在某个Worker上启动Driver进程运行main函数
3. 初始化SparkConext
4. 向Master注册Application
5. 由Master通知启动Executor
6. Executor再注册到Driver

Yarn任务运行流程

Yarn的组件主要包括:

1. ResourceManager : 资源管理
2. Application Master : 任务调度
3. NodeManager : 节点管理,负责执行任务 

当向YARN提交一个应用程序之后，YARN将分两个阶段运行程序：一是启动ApplicationMaster；二是由ApplicationMaster创建应用程序，然后为他申请资源，监控程序的运行，直至结束。

具体步骤：

1. 用户向YARN中提交应用程序。

2. ResourceManager为该应用程序分配第一个Container，要求它在这个Container中启动应用程序的ApplicationMaster。

3. ApplicationMaster首先向ResourceManager注册，目的是让用户可以直接通过ResourceManager查看应用程序的运行状态，然后它将为各个任务申请资源，并监控它的运行状态，直到运行结束。

4. ApplicationMaster向ResourceManager 的 scheduler申请和领取资源(通过RPC协议)。

5. ApplicationMaster申请到资源后，便与对应的NodeManager通信，要求它启动任务(java进程)。

6. NodeManager启动任务。

7. 各个任务向ApplicationMaster汇报自己的状态和进度(通过RPC协议)，以便让ApplicationMaster随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务。

8. 应用程序运行完成后，ApplicationMaster向ResourceManager注销并关闭自己。

YARN-CLIENT模式

        Driver是一个JVM进程，Driver就是我们写的Spark程序，我们写的Spark程序打包成jar包后通过spark-submit脚本提交，jar中的main方法通过jvm命令启动起来，Driver进程启动会执行我们的main函数。

        Driver接收到属于自己Executor进程注册之后，就会去执行Spark作业代码。Driver会一样一行的去执行Spark代码，执行到某个action操作的时候，就会触发一个job，然后DAGScheduler会把job划分成一个一个的stage，为每个stage都创建指定数量的task；TaskScheduler将每个Stage的task分配到各个Executor上去执行，随后task就会执行算子函数。

        Application Maser是YARN中的核心概念。Application Maser(ExecutorLauncher)负责Executor的申请，Driver负责Job和Stage的划分以及Task的创建、分配和调度。

YARN-CLUSTER模式

YARN-client和YARN-cluster的不同之处：

1. YARN-client模式，Driver运行在本地机器上； YARN-cluster模式，Driver运行在YARN集群上某个NodeManager节点上；
2. YARN-client模式会导致本地机器负责Spark任务的调度，所以网卡流量会激增；YARN-cluster模式没有流量激增的问题；
3. YARN-client的Driver运行在本地，通常来说本地机器和YARN集群不在同一个机房，所以说性能不会很好；YARN-cluster模式下，Driver和YARN集群运行在同一个机房内，性能上来说会好一点。

故障排查

YARN-CLIENT 模式导致的网卡流量激增问 题

在 YARN-client 模式下，Driver 启动在本地机器上，而 Driver 负责所有的任务调度，需要与 YARN 集群上的多个 Executor 进行频繁的通信。

假设有 100 个 Executor， 1000 个 task，那么每个 Executor 分配到 10 个 task，之后， Driver 要频繁地跟 Executor 上运行的 1000 个 task 进行通信，通信数据非常多，并且通信频率特别高。这就导致有可能在 Spark 任务运行过程中，由于频繁大量的网络通讯，本地机器的网卡流量会激增。

注意，YARN-client 模式只会在测试环境中使用，而之所以使用 YARN-client 模式，是由于可以看到详细全面的 log 信息，通过查看 log，可以锁定程序中存在的问题，避免在生产环境下发生故障。

在生产环境下，使用的一定是 YARN-cluster 模式。在 YARN-cluster 模式下，就不会造成本地机器网卡流量激增问题，如果 YARN-cluster 模式下存在网络通信的问题，需要运维团队进行解决。

YARN-CLUSTER 模式的 JVM 栈内存溢出无法执行问题

当 Spark 作业中包含 SparkSQL 的内容时，可能会碰到 YARN-client 模式下可以运行，但是 YARN-cluster 模式下无法提交运行(报出 OOM 错误)的情况。

YARN-client 模式下，Driver 是运行在本地机器上的，Spark 使用的 JVM 的 PermGen 的配置，是本地机器上的 spark-class 文件，JVM 永久代的大小是 128MB，这个是没有问题的， 但是在 YARN-cluster 模式下，Driver 运行在 YARN 集群的某个节点上，使用的是没有经过配置的默认设置，PermGen 永久代大小为 82MB。

SparkSQL 的内部要进行很复杂的 SQL 的语义解析、语法树转换等等，非常复杂，如果 sql 语句本身就非常复杂，那么很有可能会导致性能的损耗和内存的占用，特别是对 PermGen 的占用会比较大。

所以，此时如果 PermGen 的占用好过了 82MB，但是又小于 128MB，就会出现 YARN- client 模式下可以运行，YARN-cluster 模式下无法运行的情况。

解决上述问题的方法时增加 PermGen 的容量，需要在 spark-submit 脚本中对相关参数进行设置，设置方法如代码清单所示。

--conf spark.driver.extraJavaOptions="-XX:PermSize=128M -XX:MaxPermSize=256M"

通过上述方法就设置了 Driver 永久代的大小，默认为 128MB，最大 256MB，这样就可以避免上面所说的问题。