第三章 Spark运行模式及原理
第三章 Spark运行模式及原理
目录
- Spark运行模式概述
- Local模式
- Standalone模式
- Local cluster模式
- Mesos模式
- YARN standalone/YARN cluster模式
- YARN client模式
- 各种模式的实现细节比较
- Spark1.0版本之后的变化
- 小结
注:学习《Spark大数据处理技术》笔记
1. Spark运行模式概述
1. Spark运行模式列表
- 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
- Local[N]:本地模式,使用N个线程
- Local cluster[worker, core, Memory]:伪分布模式,可以配置所需要启动的模拟工作,以及每个工作节点管理的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模拟,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,主程序运行在本地,具体任务运行在YARN集群中
2. Spark基本工作流程
- 多个运行模式从总体上来说,都基于一个相似的工作流程。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
1. 分布式模式下,Spark的各个调度和执行模块大致架构图
2. 对于本地模式来说,其内部程序逻辑结构也是类似的,只是其中的部分模块有所简化,例如集群管理模块简化为进程内部的线程池 - 从图3-1可知,所有的Spark应用程序都离不开SparkContext和Executor两部分
1. Executor负责执行任务,运行Executor的机器称为Worker节点
2. SparkContext由用户程序启动,通过资源调度模块和Executor通信
3. SparkContext和Executor这两部分的核心代码实现在各个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 - 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
1. 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。
2. 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。
- 不同的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
3. 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的(Trait):TaskScheduler(见程序3-1)及SchedulerBackend(见程序3-2)
- TaskScheduler的实现主要用于于DAGScheduler交互,负责任务的具体调度和运行,其核心接口是submitTasks和canceTasks
- 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的调度模式,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
- TaskScheduler的实现主要用于于DAGScheduler交互,负责任务的具体调度和运行,其核心接口是submitTasks和canceTasks
- 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的(Trait):TaskScheduler(见程序3-1)及SchedulerBackend(见程序3-2)
-
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
- 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
- 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
- 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
-
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
- 运行结果通过ExecutorBackend接口返回
- 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
-
图3-2列出了各种运行模式下相关类的关系图
-
待续…