spark种的名词解释

最新推荐文章于 2024-04-18 20:56:35 发布

转载最新推荐文章于 2024-04-18 20:56:35 发布 · 1.3k 阅读

文章标签：

#spark

spark 专栏收录该内容

2 篇文章

订阅专栏

本文详细介绍了Apache Spark的架构组件，包括Application、Driver、Executor等关键概念，以及它们在Spark集群中的角色和职责。此外还深入探讨了Task、Job、Stage的执行流程，并解释了DAGScheduler和TaskScheduler的工作原理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.Application

Appliction的概念和hadoop MR中的有些相似，都是指用户编写的Spark应用程序，其中包括一个Driver功能的代码和分布在集群中多个节点上运行的Executor代码。

2.Driver

使用Driver这一个概念的分布式框架很多，比如hive等，Spark中的Driver即运行上述Application的main函数并创建SparkContext，创建SparkContext的目的是为了准备Spark应用程序的运行环境，在Spark中有SparkContext负责与ClusterManager通信，进行资源申请、任务的分配和监控等，当Executor部分运行完毕后，Driver同时负责将SparkContext关闭，通常用SparkContext代表Driver。

3.Executor

某个Application运行在worker节点上的一个进程，该进程负责运行某些Task，并且负责将数据存到内存或磁盘上，每个Application都有各自独立的一批Executor，在Spark on Yarn模式下，其进程名称为CoarseGrainedExecutor Backend，类似与hadoop MR中的YarnChild。一个CoarseGrainedExecutor Backend有且仅有一个Executor对象，负责将Task包装成taskRunner,并从线程池中抽取一个空闲线程运行Task，这个每一个CoarseGrainedExecutor Backend能并行运行Task的数量取决与分配给它的cpu个数。

4.Cluter Manager：指的是在集群上获取资源的外部服务。目前有三种类型。

[1].Standalon : spark原生的资源管理，由Master负责资源的分配，可以在EC2上运行

[2].Apache Mesos:与hadoop MR兼容性良好的一种资源调度框架。

[3].Hadoop Yarn: 主要是指Yarn中的ResourceManager。

5.Worker

集群中任何可以运行Application代码的节点，类似与Yarn中的NodeManager节点，在Standalone模式中指的是通过slave文件配置的Worker节点，在Spark on Yarn模式下就是NoteManager节点。

6.Task

被送到某个Executor上的工作单元，但hadoopMR中的MapTask和ReduceTask概念一样，是运行Application的基本单位，多个Task组成一个Stage，而Task的调度和管理等是由TaskScheduler负责。

7.Job

包含多个Task组成的并行计算，往往由Spark Action触发生成，一个Application中往往会产生多个Job。

8.Stage

每个Job会被拆分成多组Task，作为一个TaskSet，其名称为Stage，Stage的划分和调度是有DAGScheduler来负责的，Stage有非最终的Stage（Shuffle Map Stage）和最终的Stage（Result Stage）两种，Stage的边界就是发生shuffle的地方。

9.RDD

Spark的基本计算单元，可以通过一系列算子进行计算（主要由Transformation和Action操作），同时RDD是Spark最核心的东东，他表示已被分区、被序列化的、不可变的、有容错的并且能够被并行操作的数据集合。其存储级别可以是内存，也可以是磁盘，可通过spark.storage.StoragerLevel属性来配置。

10.共享变量

在Spark Application运行期间，可能需要一些共享变量，提供给Task或Driver使用，Spark提供了两种共享变量，一个可以缓存到各个节点的广播变量；另一种是只支持加法操作，可以实现求和的累加变量。

11.宽依赖

或称为为ShuffleDependency，与Hadoop MR的Shuffle的数据依赖相似，宽依赖需要计算所有父RDD对应分区的数据，然后在节点之间进行shuffle。

12.窄依赖

或称为NarrowDependency，某个具体的RDD，其分区partition a最多子Rdd中一个分区partition b依赖，此种情况只有Map任务，是不需要发送shuffle过程的，窄依赖又分为1：1和N：1两种。

13.DAGScheduler

根据Job构建基于Stage的DAG，并提交Stage给TASkScheduler。其划分Stage的依据是RDD之间的依赖的关系。

14.TASKSedulter

将TaskSET提交给worker运行，每个Executor运行什么Task就是在此处分配的。

---来源于互联网