Spark入門（一）

Spark是什麼？

Spark是一個用來實現快速而通用的集羣計算的平臺。擴展了普遍使用的MapReduce計算模型，並且高效地支持更多的計算模式，包括交互式查詢和流處理。在處理大規模數據集的時候，速度是很是重要的。Spark的一個重要特色就是可以在內存中計算，於是更快。即便在磁盤上進行的複雜計算，Spark依然比MapReduce更加高效。Spark與Hadoop緊密集成，他能夠在YARN上運行，並支持Hadoop文件格式及其儲存後端HDFS

Spark與MapReduce的區別

Mapreduce	Spark
數據存儲結構：hdfs文件系統的split	使用內存構建彈性分佈式數據集RDD，對數據進行運算和cache
編程範式：Map+Reduce	計算中間數據在內存中的維護，存取速度是磁盤的多個數量級
Task以進程的方式維護，任務啓動就要幾秒鐘	Task以線程的方式維護，對小數集的讀取能達到亞秒級的延遲

 

 

 

 

 

 

 

Spark運行模式

1. Local　　主要用於開發調試Spark應用程序
2. Standalone　　利用Spark自帶的資源管理與調度器運行spark集羣，採用Master/Slave結構，爲解決單節點故障，能夠採用Zookeper實現高可用（HA）
3. Apache　Mesos 　　運行在Mesos資源管理框架上，集羣的運行將資源管理交給Mesos,Spark只負責運行任務調度和計算
4. Hadoop YARN        集羣運行在YRAN資源管理器上，資源管理交給YARN,Spark只負責進行任務調度和計算（最爲經常使用的模式）

Spark組件

組件的功能

ClusterManager:在Standalone模式中即爲Master節點（主節點），控制整個集羣，監控Worker.在YARN中爲ResourceManagerWorker:從節點，負責控制計算節點，啓動Executor或Driver。在YARN模式中爲

NodeManager:負責計算節點的控制。

Driver:運行Application的main()函數並建立SparkContect。

Executor:執行器，在worker node上執行任務的組件、用於啓動線程池運行任務。每一個Application擁有獨立的一組Executor。

SparkContext:整個應用的上下文，控制應用的生命週期。

RDD:Spark的計算單元，一組RDD可造成執行的有向無環圖RDD Graph。

DAG Scheduler:根據做業(Job)構建基於Stage的DAG，並提交Stage給TaskScheduler。

TaskScheduler:將任務(Task)分發給Executor。

SparkEnv:線程級別的上下文，存儲運行時的重要組件的引用。

SparkEnv內構建幷包含以下一些重要組件的引用:

一、MapOutPutTracker:負責Shuffle元信息的存儲。
二、BroadcastManager:負責廣播變量的控制與元信息的存儲。
三、BlockManager:負責存儲管理、建立和查找快。
四、MetricsSystem:監控運行時性能指標信息。
五、SparkConf:負責存儲配置信息。

 

組件的執行流程

1. 每一個Spark應用都由一個驅動器程序（Driver Program）來發起集羣上的各類並行操做。啓動器包含應用的main函數，驅動器負責建立SparkContext（上下文）；SparkContext能夠與不一樣種類的集羣資源管理器（Cluster Manager），例如Yarn進行通訊。

2. SparkContext 獲取到集羣進行所需的資源後，將獲得集羣中工做階段（Worker Node）上對應的 Executor（不一樣的Spark程序有不一樣的Executor，他們之間是互相獨立的進程，Executor爲應用程序提供分佈式計算以及數據存儲功能）

3. 以後SparkContext將應用程序代碼發送到各個Executor，最後將Task（任務）分配給Executors執行

提交任務的流程

一、Client提交應用。

二、Master找到一個Worker啓動Driver

三、Driver向Master或者資源管理器申請資源，以後將應用轉化爲RDD Graph

四、再由DAGSchedule將RDD Graph轉化爲Stage的有向無環圖提交給TaskSchedule。

五、再由TaskSchedule提交任務給Executor執行。

六、其它組件協同工做，確保整個應用順利執行。

 

使用YARN提交任務

一、基於YARN的Spark做業首先由客戶端生成做業信息，提交給ResourceManager。

二、ResourceManager在某一NodeManager彙報時把AppMaster分配給NodeManager。

三、NodeManager啓動SparkAppMaster。

四、SparkAppMastere啓動後初始化而後向ResourceManager申請資源。

五、申請到資源後，SparkAppMaster經過RPC讓NodeManager啓動相應的SparkExecutor。

六、SparkExecutor向SparkAppMaster彙報並完成相應的任務。

七、SparkClient會經過AppMaster獲取做業運行狀態。

 

參考博客