Spark集群的運(yùn)行架構(gòu)和基本原理

Spark集群的運(yùn)行架構(gòu)

Python開發(fā)人員經(jīng)常使用Spark進(jìn)行大規(guī)模數(shù)據(jù)處理和分析，Spark是基于內(nèi)存計算的大數(shù)據(jù)并行計算框架，比MapReduce計算框架具有更高的實(shí)時性，同時具有高效容錯性和可伸縮性，在學(xué)習(xí)Spark操作之前，首先介紹Spark運(yùn)行架構(gòu)，如圖2-11所示。

在上圖中，Spark應(yīng)用在集群上運(yùn)行時，包括了多個獨(dú)立的進(jìn)程，這些進(jìn)程之間通過驅(qū)動程序(Driver Program)中的SparkContext對象進(jìn)行協(xié)調(diào)，SparkContext對象能夠與多種集群資源管理器(Cluster Manager)通信，一旦與集群資源管理器連接，Spark會為該應(yīng)用在各個集群節(jié)點(diǎn)上申請執(zhí)行器(Executor)， 用 于 執(zhí) 行 計 算 任 務(wù) 和 存 儲 數(shù) 據(jù)。Spark將應(yīng)用程序代碼發(fā)送給所申請到的執(zhí)行器，SparkContext對象將分割出的任務(wù)(Task)發(fā)送給各個執(zhí)行器去運(yùn)行。

需要注意的是，每個Spark應(yīng)用程序都有其對應(yīng)的多個執(zhí)行器進(jìn)程。執(zhí)行器進(jìn)程在整北京市昌平區(qū)建材城西路金燕龍辦公樓一層電話：400-618-400015個應(yīng)用程序生命周期內(nèi)，都保持運(yùn)行狀態(tài)，并以多線程方式執(zhí)行任務(wù)。這樣做的好處是，執(zhí)行器進(jìn)程可以隔離每個Spark應(yīng)用。從調(diào)度角度來看，每個驅(qū)動器可以獨(dú)立調(diào)度本應(yīng)用程序的內(nèi)部任務(wù)。從執(zhí)行器角度來看，不同Spark應(yīng)用對應(yīng)的任務(wù)將會在不同的JVM中運(yùn)行。然而這樣的架構(gòu)也有缺點(diǎn)，多個Spark應(yīng)用程序之間無法共享數(shù)據(jù)，除非把數(shù)據(jù)寫到外部存儲結(jié)構(gòu)中。

Spark對底層的集群管理器一無所知，只要Spark能夠申請到執(zhí)行器進(jìn)程，能與之通信即可。這種實(shí)現(xiàn)方式可以使Spark比較容易的在多種集群管理器上運(yùn)行，例如Mesos、Yarn。

驅(qū)動器程序在整個生命周期內(nèi)必須監(jiān)聽并接受其對應(yīng)的各個執(zhí)行器的連接請求，因此驅(qū)動器程序必須能夠被所有Worker節(jié)點(diǎn)訪問到。

因?yàn)榧荷系娜蝿?wù)是由驅(qū)動器來調(diào)度的，所以驅(qū)動器應(yīng)該和Worker節(jié)點(diǎn)距離近一些，最好在同一個本地局域網(wǎng)中，如果需要遠(yuǎn)程對集群發(fā)起請求，最好還是在驅(qū)動器節(jié)點(diǎn)上啟動RPC服務(wù)響應(yīng)這些遠(yuǎn)程請求，同時把驅(qū)動器本身放在離集群Worker節(jié)點(diǎn)比較近的機(jī)器上。

Spark運(yùn)行基本流程

通過上一小節(jié)了解到，Spark運(yùn)行架構(gòu)主要由SparkContext、Cluster Manager和Worker組成，其中Cluster Manager負(fù)責(zé)整個集群的統(tǒng)一資源管理，Worker節(jié)點(diǎn)中的Executor是應(yīng)用執(zhí)行的主要進(jìn)程，內(nèi)部含有多個Task線程以及內(nèi)存空間，下面通過圖2-12深入了解Spark運(yùn)行基本流程。圖2-12Spark運(yùn)行基本流程圖

(1)當(dāng)一個Spark應(yīng)用被提交時，根據(jù)提交參數(shù)在相應(yīng)位置創(chuàng)建Driver進(jìn)程，Driver進(jìn)程根據(jù)配置參數(shù)信息初始化SparkContext對象，即Spark運(yùn)行環(huán)境，由SparkContext負(fù)責(zé)和Cluster Manager的通信以及資源的申請、任務(wù)的分配和監(jiān)控等。SparkContext啟動后，創(chuàng)建DAG Scheduler(將DAG圖分解成Stage)和Task Scheduler(提交和監(jiān)控Task)兩個調(diào)度模塊。

(2)Driver進(jìn)程根據(jù)配置參數(shù)向Cluster Manager申請資源(主要是用來執(zhí)行的Executor)，Cluster Manager接收到應(yīng)用(Application)的注冊請求后，會使用自己的資源調(diào)度算法，在Spark集群的Worker節(jié)點(diǎn)上，通知Worker為應(yīng)用啟動多個Executor。

(3)Executor創(chuàng)建后，會向Cluster Manager進(jìn)行資源及狀態(tài)的反饋，便于Cluster Manager對Executor進(jìn)行狀態(tài)監(jiān)控，如果監(jiān)控到Executor失敗，則會立刻重新創(chuàng)建。

(4)Executor會向SparkContext反向注冊申請Task。

(5)Task Scheduler將Task發(fā)送給Worker進(jìn)程中的Executor運(yùn)行并提供應(yīng)用程序代碼。

(6)當(dāng)程序執(zhí)行完畢后寫入數(shù)據(jù)，Driver向Cluster Manager注銷申請的資源。