Spark: 基本架構及原理

 Apache Spark是一個圍繞速度、易用性和複雜分析構建的大數據處理框架，最初在2009年由加州大學伯克利分校的AMPLab開發，並於2010年成爲Apache的開源項目之一，與Hadoop和Storm等其餘大數據和MapReduce技術相比，Spark有以下優點：

• Spark提供了一個全面、統一的框架用於管理各類有着不一樣性質（文本數據、圖表數據等）的數據集和數據源（批量數據或實時的流數據）的大數據處理的需求
• 官方資料介紹Spark能夠將Hadoop集羣中的應用在內存中的運行速度提高100倍，甚至可以將應用在磁盤上的運行速度提高10倍

 目標：

• 架構及生態
• spark 與 hadoop
• 運行流程及特色
• 經常使用術語
• standalone模式
• yarn集羣
• RDD運行流程

架構及生態：

• 一般當須要處理的數據量超過了單機尺度(好比咱們的計算機有4GB的內存，而咱們須要處理100GB以上的數據)這時咱們能夠選擇spark集羣進行計算，有時咱們可能須要處理的數據量並不大，可是計算很複雜，須要大量的時間，這時咱們也能夠選擇利用spark集羣強大的計算資源，並行化地計算，其架構示意圖以下：
• Spark Core：包含Spark的基本功能；尤爲是定義RDD的API、操做以及這二者上的動做。其餘Spark的庫都是構建在RDD和Spark Core之上的
• Spark SQL：提供經過Apache Hive的SQL變體Hive查詢語言（HiveQL）與Spark進行交互的API。每一個數據庫表被當作一個RDD，Spark SQL查詢被轉換爲Spark操做。
• Spark Streaming：對實時數據流進行處理和控制。Spark Streaming容許程序可以像普通RDD同樣處理實時數據
• MLlib：一個經常使用機器學習算法庫，算法被實現爲對RDD的Spark操做。這個庫包含可擴展的學習算法，好比分類、迴歸等須要對大量數據集進行迭代的操做。
• GraphX：控制圖、並行圖操做和計算的一組算法和工具的集合。GraphX擴展了RDD API，包含控制圖、建立子圖、訪問路徑上全部頂點的操做
• Spark架構的組成圖以下：
• Cluster Manager：在standalone模式中即爲Master主節點，控制整個集羣，監控worker。在YARN模式中爲資源管理器
• Worker節點：從節點，負責控制計算節點，啓動Executor或者Driver。
• Driver： 運行Application 的main()函數
• Executor：執行器，是爲某個Application運行在worker node上的一個進程

Spark與hadoop:

• Hadoop有兩個核心模塊，分佈式存儲模塊HDFS和分佈式計算模塊Mapreduce
• spark自己並無提供分佈式文件系統，所以spark的分析大多依賴於Hadoop的分佈式文件系統HDFS
• Hadoop的Mapreduce與spark均可以進行數據計算，而相比於Mapreduce，spark的速度更快而且提供的功能更加豐富
• 關係圖以下：

 運行流程及特色：

• spark運行流程圖以下：

1. 構建Spark Application的運行環境，啓動SparkContext
2. SparkContext向資源管理器（能夠是Standalone，Mesos，Yarn）申請運行Executor資源，並啓動StandaloneExecutorbackend，
3. Executor向SparkContext申請Task
4. SparkContext將應用程序分發給Executor
5. SparkContext構建成DAG圖，將DAG圖分解成Stage、將Taskset發送給Task Scheduler，最後由Task Scheduler將Task發送給Executor運行
6. Task在Executor上運行，運行完釋放全部資源

     Spark運行特色：

1. 每一個Application獲取專屬的executor進程，該進程在Application期間一直駐留，並以多線程方式運行Task。這種Application隔離機制是有優點的，不管是從調度角度看（每一個Driver調度他本身的任務），仍是從運行角度看（來自不一樣Application的Task運行在不一樣JVM中），固然這樣意味着Spark Application不能跨應用程序共享數據，除非將數據寫入外部存儲系統
2. Spark與資源管理器無關，只要可以獲取executor進程，並能保持相互通訊就能夠了
3. 提交SparkContext的Client應該靠近Worker節點（運行Executor的節點），最好是在同一個Rack裏，由於Spark Application運行過程當中SparkContext和Executor之間有大量的信息交換
4. Task採用了數據本地性和推測執行的優化機制

經常使用術語:

• Application: Appliction都是指用戶編寫的Spark應用程序，其中包括一個Driver功能的代碼和分佈在集羣中多個節點上運行的Executor代碼
• Driver:  Spark中的Driver即運行上述Application的main函數並建立SparkContext，建立SparkContext的目的是爲了準備Spark應用程序的運行環境，在Spark中有SparkContext負責與ClusterManager通訊，進行資源申請、任務的分配和監控等，當Executor部分運行完畢後，Driver同時負責將SparkContext關閉，一般用SparkContext表明Driver
• Executor:  某個Application運行在worker節點上的一個進程，  該進程負責運行某些Task， 而且負責將數據存到內存或磁盤上，每一個Application都有各自獨立的一批Executor， 在Spark on Yarn模式下，其進程名稱爲CoarseGrainedExecutor Backend。一個CoarseGrainedExecutor Backend有且僅有一個Executor對象， 負責將Task包裝成taskRunner,並從線程池中抽取一個空閒線程運行Task， 這個每個oarseGrainedExecutor Backend能並行運行Task的數量取決與分配給它的cpu個數
• Cluter Manager：指的是在集羣上獲取資源的外部服務。目前有三種類型

1. 1. Standalon : spark原生的資源管理，由Master負責資源的分配
   2. Apache Mesos:與hadoop MR兼容性良好的一種資源調度框架
   3. Hadoop Yarn: 主要是指Yarn中的ResourceManager

• Worker: 集羣中任何能夠運行Application代碼的節點，在Standalone模式中指的是經過slave文件配置的Worker節點，在Spark on Yarn模式下就是NoteManager節點
• Task: 被送到某個Executor上的工做單元，但hadoopMR中的MapTask和ReduceTask概念同樣，是運行Application的基本單位，多個Task組成一個Stage，而Task的調度和管理等是由TaskScheduler負責
• Job: 包含多個Task組成的並行計算，每每由Spark Action觸發生成， 一個Application中每每會產生多個Job
• Stage: 每一個Job會被拆分紅多組Task， 做爲一個TaskSet， 其名稱爲Stage，Stage的劃分和調度是有DAGScheduler來負責的，Stage有非最終的Stage（Shuffle Map Stage）和最終的Stage（Result Stage）兩種，Stage的邊界就是發生shuffle的地方
• DAGScheduler: 根據Job構建基於Stage的DAG（Directed Acyclic Graph有向無環圖)，並提交Stage給TASkScheduler。 其劃分Stage的依據是RDD之間的依賴的關係找出開銷最小的調度方法，以下圖
• TASKSedulter: 將TaskSET提交給worker運行，每一個Executor運行什麼Task就是在此處分配的. TaskScheduler維護全部TaskSet，當Executor向Driver發生心跳時，TaskScheduler會根據資源剩餘狀況分配相應的Task。另外TaskScheduler還維護着全部Task的運行標籤，重試失敗的Task。下圖展現了TaskScheduler的做用
• 在不一樣運行模式中任務調度器具體爲：

1. 1. Spark on Standalone模式爲TaskScheduler
   2. YARN-Client模式爲YarnClientClusterScheduler
   3. YARN-Cluster模式爲YarnClusterScheduler

• 將這些術語串起來的運行層次圖以下：
• Job=多個stage，Stage=多個同種task, Task分爲ShuffleMapTask和ResultTask，Dependency分爲ShuffleDependency和NarrowDependency

Spark運行模式：

• Spark的運行模式多種多樣，靈活多變，部署在單機上時，既能夠用本地模式運行，也能夠用僞分佈模式運行，而當以分佈式集羣的方式部署時，也有衆多的運行模式可供選擇，這取決於集羣的實際狀況，底層的資源調度便可以依賴外部資源調度框架，也可使用Spark內建的Standalone模式。
• 對於外部資源調度框架的支持，目前的實現包括相對穩定的Mesos模式，以及hadoop YARN模式
• 本地模式：經常使用於本地開發測試，本地還分別 local 和 local cluster

standalone: 獨立集羣運行模式

• Standalone模式使用Spark自帶的資源調度框架
• 採用Master/Slaves的典型架構，選用ZooKeeper來實現Master的HA
• 框架結構圖以下:
• 該模式主要的節點有Client節點、Master節點和Worker節點。其中Driver既能夠運行在Master節點上中，也能夠運行在本地Client端。當用spark-shell交互式工具提交Spark的Job時，Driver在Master節點上運行；當使用spark-submit工具提交Job或者在Eclips、IDEA等開發平臺上使用」new SparkConf.setManager(「spark://master:7077」)」方式運行Spark任務時，Driver是運行在本地Client端上的
• 運行過程以下圖：（參考至：http://blog.csdn.net/gamer_gyt/article/details/51833681）

1. SparkContext鏈接到Master，向Master註冊並申請資源（CPU Core 和Memory）
2. Master根據SparkContext的資源申請要求和Worker心跳週期內報告的信息決定在哪一個Worker上分配資源，而後在該Worker上獲取資源，而後啓動StandaloneExecutorBackend；
3. StandaloneExecutorBackend向SparkContext註冊；
4. SparkContext將Applicaiton代碼發送給StandaloneExecutorBackend；而且SparkContext解析Applicaiton代碼，構建DAG圖，並提交給DAG Scheduler分解成Stage（當碰到Action操做時，就會催生Job；每一個Job中含有1個或多個Stage，Stage通常在獲取外部數據和shuffle以前產生），而後以Stage（或者稱爲TaskSet）提交給Task Scheduler，Task Scheduler負責將Task分配到相應的Worker，最後提交給StandaloneExecutorBackend執行；
5. StandaloneExecutorBackend會創建Executor線程池，開始執行Task，並向SparkContext報告，直至Task完成
6. 全部Task完成後，SparkContext向Master註銷，釋放資源

yarn:  （參考：http://blog.csdn.net/gamer_gyt/article/details/51833681）

• Spark on YARN模式根據Driver在集羣中的位置分爲兩種模式：一種是YARN-Client模式，另外一種是YARN-Cluster（或稱爲YARN-Standalone模式）
• Yarn-Client模式中，Driver在客戶端本地運行，這種模式可使得Spark Application和客戶端進行交互，由於Driver在客戶端，因此能夠經過webUI訪問Driver的狀態，默認是http://hadoop1:4040訪問，而YARN經過http:// hadoop1:8088訪問
• YARN-client的工做流程步驟爲：
• Spark Yarn Client向YARN的ResourceManager申請啓動Application Master。同時在SparkContent初始化中將建立DAGScheduler和TASKScheduler等，因爲咱們選擇的是Yarn-Client模式，程序會選擇YarnClientClusterScheduler和YarnClientSchedulerBackend
• ResourceManager收到請求後，在集羣中選擇一個NodeManager，爲該應用程序分配第一個Container，要求它在這個Container中啓動應用程序的ApplicationMaster，與YARN-Cluster區別的是在該ApplicationMaster不運行SparkContext，只與SparkContext進行聯繫進行資源的分派
• Client中的SparkContext初始化完畢後，與ApplicationMaster創建通信，向ResourceManager註冊，根據任務信息向ResourceManager申請資源（Container）
• 一旦ApplicationMaster申請到資源（也就是Container）後，便與對應的NodeManager通訊，要求它在得到的Container中啓動CoarseGrainedExecutorBackend，CoarseGrainedExecutorBackend啓動後會向Client中的SparkContext註冊並申請Task
• client中的SparkContext分配Task給CoarseGrainedExecutorBackend執行，CoarseGrainedExecutorBackend運行Task並向Driver彙報運行的狀態和進度，以讓Client隨時掌握各個任務的運行狀態，從而能夠在任務失敗時從新啓動任務
• 應用程序運行完成後，Client的SparkContext向ResourceManager申請註銷並關閉本身

Spark Cluster模式:

• 在YARN-Cluster模式中，當用戶向YARN中提交一個應用程序後，YARN將分兩個階段運行該應用程序：

1. 1. 第一個階段是把Spark的Driver做爲一個ApplicationMaster在YARN集羣中先啓動；
   2. 第二個階段是由ApplicationMaster建立應用程序，而後爲它向ResourceManager申請資源，並啓動Executor來運行Task，同時監控它的整個運行過程，直到運行完成

• YARN-cluster的工做流程分爲如下幾個步驟
• Spark Yarn Client向YARN中提交應用程序，包括ApplicationMaster程序、啓動ApplicationMaster的命令、須要在Executor中運行的程序等
• ResourceManager收到請求後，在集羣中選擇一個NodeManager，爲該應用程序分配第一個Container，要求它在這個Container中啓動應用程序的ApplicationMaster，其中ApplicationMaster進行SparkContext等的初始化
• ApplicationMaster向ResourceManager註冊，這樣用戶能夠直接經過ResourceManage查看應用程序的運行狀態，而後它將採用輪詢的方式經過RPC協議爲各個任務申請資源，並監控它們的運行狀態直到運行結束
• 一旦ApplicationMaster申請到資源（也就是Container）後，便與對應的NodeManager通訊，要求它在得到的Container中啓動CoarseGrainedExecutorBackend，CoarseGrainedExecutorBackend啓動後會向ApplicationMaster中的SparkContext註冊並申請Task。這一點和Standalone模式同樣，只不過SparkContext在Spark Application中初始化時，使用CoarseGrainedSchedulerBackend配合YarnClusterScheduler進行任務的調度，其中YarnClusterScheduler只是對TaskSchedulerImpl的一個簡單包裝，增長了對Executor的等待邏輯等
• ApplicationMaster中的SparkContext分配Task給CoarseGrainedExecutorBackend執行，CoarseGrainedExecutorBackend運行Task並向ApplicationMaster彙報運行的狀態和進度，以讓ApplicationMaster隨時掌握各個任務的運行狀態，從而能夠在任務失敗時從新啓動任務
• 應用程序運行完成後，ApplicationMaster向ResourceManager申請註銷並關閉本身

Spark Client 和 Spark Cluster的區別:

• 理解YARN-Client和YARN-Cluster深層次的區別以前先清楚一個概念：Application Master。在YARN中，每一個Application實例都有一個ApplicationMaster進程，它是Application啓動的第一個容器。它負責和ResourceManager打交道並請求資源，獲取資源以後告訴NodeManager爲其啓動Container。從深層次的含義講YARN-Cluster和YARN-Client模式的區別其實就是ApplicationMaster進程的區別
• YARN-Cluster模式下，Driver運行在AM(Application Master)中，它負責向YARN申請資源，並監督做業的運行情況。當用戶提交了做業以後，就能夠關掉Client，做業會繼續在YARN上運行，於是YARN-Cluster模式不適合運行交互類型的做業
• YARN-Client模式下，Application Master僅僅向YARN請求Executor，Client會和請求的Container通訊來調度他們工做，也就是說Client不能離開

思考： 咱們在使用Spark提交job時使用的哪一種模式？

 

RDD運行流程：

• RDD在Spark中運行大概分爲如下三步：

1. 1. 建立RDD對象
   2. DAGScheduler模塊介入運算，計算RDD之間的依賴關係，RDD之間的依賴關係就造成了DAG
   3. 每個Job被分爲多個Stage。劃分Stage的一個主要依據是當前計算因子的輸入是不是肯定的，若是是則將其分在同一個Stage，避免多個Stage之間的消息傳遞開銷

• 示例圖以下：
• 如下面一個按 A-Z 首字母分類，查找相同首字母下不一樣姓名總個數的例子來看一下 RDD 是如何運行起來的
• 建立 RDD  上面的例子除去最後一個 collect 是個動做，不會建立 RDD 以外，前面四個轉換都會建立出新的 RDD 。所以第一步就是建立好全部 RDD( 內部的五項信息 )？
• 建立執行計劃 Spark 會盡量地管道化，並基因而否要從新組織數據來劃分 階段 (stage) ，例如本例中的 groupBy() 轉換就會將整個執行計劃劃分紅兩階段執行。最終會產生一個 DAG(directed acyclic graph ，有向無環圖 ) 做爲邏輯執行計劃
• 調度任務  將各階段劃分紅不一樣的 任務 (task) ，每一個任務都是數據和計算的合體。在進行下一階段前，當前階段的全部任務都要執行完成。由於下一階段的第一個轉換必定是從新組織數據的，因此必須等當前階段全部結果數據都計算出來了才能繼續