Spark的architectue

Spark的architectue

本文章主要对Spark的基本架构和重要模块作基本介绍，不会涉及Spark的安装部署以及使用

在分析深入源码之前，再从宏观上分析一下spark的主要架构。

What is Spark
Spark是UC Berkeley AMP lab所开源的类Hadoop MapReduce 框架，都是基于map reduce算法所实现的分布式计算框架，拥有Hadoop MapReduce所具有的 优点；不同于MapReduce的是：Job中间输出和结果可以保存在内存中，而不需要读写HDFS，因 此Spark能更好地适用于machine learning等需要迭代的map reduce算法。

Spark Architecture
图片不是太清楚

整体上spark分为一下几个子模块

1.deploy(5600行源码）:
deply模块包括Master，Work和Client，参见architecture图的最上 部分。deploy主要负责启动和调度用户实现的Spark application并且分配资源给用户 application，类似于Hadoop YARN框架。

2.scheduler（6200行源码）:
scheduler主要负责调度用户application内的tasks，根据部署方式的不同，Spark实现了多种不同的scheduler，包括LocalScheduler，ClusterScheduler等 。

3.RDD:
RDD类似于一个分布式的数据集，用户可以根据RDD所提供的api进行数据集的操作，RDD模块是用户交互的主要模块。

4.storage（4700行源码）:
storage模块主要负责数据集，也就是rdd的存取。根据设定的不同，数据可以保存在内存、磁盘或是两者。Spark与Hadoop MapReduce最大的不同在于MapReduce 将数据保存在HDFS上，而Spark则由自己的存储系统。

当然还有一些其他的子模块，可以参考上图。

Spark采用了Actor的设计方式，整体架构，包括各子模块的设计上都是采用master-slave模 式，master和slave之间通信的主要协议可以参见上图。

以上大致地总结了Spark的architecture，之后会陆续对各子模块作详细的学习。