Spark运行基本流程

问题导读

1.Spark运行包含哪些流程？
2.本文认为Spark运行架构有哪些特点？
3.DAGScheduler的作用是什么？
4. RDD在Spark架构中是如何运行的？
5.Spark on Standalone运行包含哪些过程？

1.Spark运行基本流程参见下面示意图

1.构建Spark Application的运行环境（启动SparkContext），SparkContext向资源管理器（可以是Standalone、Mesos或YARN）注册并申请运行Executor资源；
2.资源管理器分配Executor资源并启动StandaloneExecutorBackend，Executor运行情况将随着心跳发送到资源管理器上；
3.SparkContext构建成DAG图，将DAG图分解成Stage，并把Taskset发送给Task Scheduler。Executor向SparkContext申请Task，Task Scheduler将Task发放给Executor运行同时SparkContext将应用程序代码发放给Executor。
4.Task在Executor上运行，运行完毕释放所有资源。

 

Spark运行架构特点：

• 每个Application获取专属的executor进 程，该进程在Application期间一直驻留，并以多线程方式运行tasks。这种Application隔离机制有其优势的，无论是从调度角度看 （每个Driver调度它自己的任务），还是从运行角度看（来自不同Application的Task运行在不同的JVM中）。当然，这也意味着 Spark Application不能跨应用程序共享数据，除非将数据写入到外部存储系统。
• Spark与资源管理器无关，只要能够获取executor进程，并能保持相互通信就可以了。
• 提 交SparkContext的Client应该靠近Worker节点（运行Executor的节点)，最好是在同一个Rack里，因为Spark Application运行过程中SparkContext和Executor之间有大量的信息交换；如果想在远程集群中运行，最好使用RPC将 SparkContext提交给集群，不要远离Worker运行SparkContext。
• Task采用了数据本地性和推测执行的优化机制。
  

 

1.2.1 DAGScheduler

DAGScheduler 把一个Spark作业转换成Stage的DAG（Directed Acyclic Graph有向无环图），根据RDD和Stage之间的关系找出开销最小的调度方法，然后把Stage以TaskSet的形式提交给 TaskScheduler，下图展示了DAGScheduler的作用：

 

1.2.2 TaskScheduler

DAGScheduler 决定了运行Task的理想位置，并把这些信息传递给下层的TaskScheduler。此外，DAGScheduler还处理由于Shuffle数据丢失 导致的失败，这有可能需要重新提交运行之前的Stage（非Shuffle数据丢失导致的Task失败由TaskScheduler处理）。
TaskScheduler维护所有TaskSet，当Executor向Driver发送心跳时，TaskScheduler会根据其资源剩余情况分配 相应的Task。另外TaskScheduler还维护着所有Task的运行状态，重试失败的Task。下图展示了TaskScheduler的作用：

 

在不同运行模式中任务调度器具体为：

• Spark on Standalone模式为TaskScheduler；
• YARN-Client模式为YarnClientClusterScheduler
• YARN-Cluster模式为YarnClusterScheduler
  

 

1.3 RDD运行原理

那么 RDD在Spark架构中是如何运行的呢？总高层次来看，主要分为三步：
1.创建 RDD 对象
2.DAGScheduler模块介入运算，计算RDD之间的依赖关系。RDD之间的依赖关系就形成了DAG
3.每一个JOB被分为多个Stage，划分Stage的一个主要依据是当前计算因子的输入是否是确定的，如果是则将其分在同一个Stage，避免多个Stage之间的消息传递开销。

　
以下面一个按 A-Z 首字母分类，查找相同首字母下不同姓名总个数的例子来看一下 RDD 是如何运行起来的。

 

步骤 1 ：创建 RDD 上面的例子除去最后一个 collect 是个动作，不会创建 RDD 之外，前面四个转换都会创建出新的 RDD 。因此第一步就是创建好所有 RDD( 内部的五项信息 ) 。
步骤 2 ：创建执行计划 Spark 会尽可能地管道化，并基于是否要重新组织数据来划分 阶段 (stage) ，例如本例中的 groupBy() 转换就会将整个执行计划划分成两阶段执行。最终会产生一个 DAG(directed acyclic graph ，有向无环图 ) 作为逻辑执行计划。

 

步骤 3 ：调度任务 将各阶段划分成不同的 任务 (task) ，每个任务都是数据和计算的合体。在进行下一阶段前，当前阶段的所有任务都要执行完成。因为下一阶段的第一个转换一定是重新组织数据的，所以必须等当前阶段所有结果数据都计算出来了才能继续。

假设本例中的 hdfs://names 下有四个文件块，那么 HadoopRDD 中 partitions 就会有四个分区对应这四个块数据，同时 preferedLocations 会指明这四个块的最佳位置。现在，就可以创建出四个任务，并调度到合适的集群结点上。

 

2 Spark在不同集群中的运行架构

Spark 注重建立良好的生态系统，它不仅支持多种外部文件存储系统，提供了多种多样的集群运行模式。部署在单台机器上时，既可以用本地（Local）模式运行，也 可以使用伪分布式模式来运行；当以分布式集群部署的时候，可以根据自己集群的实际情况选择Standalone模式（Spark自带的模式）、YARN- Client模式或者YARN-Cluster模式。Spark的各种运行模式虽然在启动方式、运行位置、调度策略上各有不同，但它们的目的基本都是一致 的，就是在合适的位置安全可靠的根据用户的配置和Job的需要运行和管理Task。

2.1 Spark on Standalone运行过程

Standalone 模式是Spark实现的资源调度框架，其主要的节点有Client节点、Master节点和Worker节点。其中Driver既可以运行在Master 节点上中，也可以运行在本地Client端。当用spark-shell交互式工具提交Spark的Job时，Driver在Master节点上运行；当 使用spark-submit工具提交Job或者在Eclips、IDEA等开发平台上使用”new SparkConf.setManager(“spark://master:7077”)”方式运行Spark任务时，Driver是运行在本地 Client端上的。
其运行过程如下：

1.SparkContext连接到Master，向Master注册并申请资源（CPU Core 和Memory）；
2.Master根据SparkContext的资源申请要求和Worker心跳周期内报告的信息决定在哪个Worker上分配资源，然后在该Worker上获取资源，然后启动StandaloneExecutorBackend；
3.StandaloneExecutorBackend向SparkContext注册；
4.SparkContext将Applicaiton代码发送给StandaloneExecutorBackend；并且SparkContext解 析Applicaiton代码，构建DAG图，并提交给DAG Scheduler分解成Stage（当碰到Action操作时，就会催生Job；每个Job中含有1个或多个Stage，Stage一般在获取外部数据 和shuffle之前产生），然后以Stage（或者称为TaskSet）提交给Task Scheduler，Task Scheduler负责将Task分配到相应的Worker，最后提交给StandaloneExecutorBackend执行；
5.StandaloneExecutorBackend会建立Executor线程池，开始执行Task，并向SparkContext报告，直至Task完成。
6.所有Task完成后，SparkContext向Master注销，释放资源。

 

2.2 Spark on YARN运行过程

YARN 是一种统一资源管理机制，在其上面可以运行多套计算框架。目前的大数据技术世界，大多数公司除了使用Spark来进行数据计算，由于历史原因或者单方面业 务处理的性能考虑而使用着其他的计算框架，比如MapReduce、Storm等计算框架。Spark基于此种情况开发了Spark on YARN的运行模式，由于借助了YARN良好的弹性资源管理机制，不仅部署Application更加方便，而且用户在YARN集群中运行的服务和 Application的资源也完全隔离，更具实践应用价值的是YARN可以通过队列的方式，管理同时运行在集群中的多个服务。
Spark on YARN模式根据Driver在集群中的位置分为两种模式：一种是YARN-Client模式，另一种是YARN-Cluster（或称为YARN-Standalone模式）。

2.2.1 YARN框架流程

任何框架与YARN的结合，都必须遵循YARN的开发模式。在分析Spark on YARN的实现细节之前，有必要先分析一下YARN框架的一些基本原理。
Yarn框架的基本运行流程图为：

 

其中，ResourceManager负责将集群的资源分配给各个应用使用，而资源分配和调度的基本单位是 Container，其中封装了机器资源，如内存、CPU、磁盘和网络等，每个任务会被分配一个Container，该任务只能在该Container中 执行，并使用该Container封装的资源。NodeManager是一个个的计算节点，主要负责启动Application所需的 Container，监控资源（内存、CPU、磁盘和网络等）的使用情况并将之汇报给ResourceManager。ResourceManager与 NodeManagers共同组成整个数据计算框架，ApplicationMaster与具体的Application相关，主要负责同 ResourceManager协商以获取合适的Container，并跟踪这些Container的状态和监控其进度。

 

2.2.2 YARN-Client

Yarn-Client模式中，Driver在客户端本地运行，这种模式可以使得Spark Application和客户端进行交互，因为Driver在客户端，所以可以通过webUI访问Driver的状态，默认是 http://hadoop1:4040访问，而YARN通过http:// hadoop1:8088访问。
YARN-client的工作流程分为以下几个步骤：

 

1.Spark Yarn Client向YARN的ResourceManager申请启动Application Master。同时在SparkContent初始化中将创建DAGScheduler和TASKScheduler等，由于我们选择的是Yarn- Client模式，程序会选择YarnClientClusterScheduler和YarnClientSchedulerBackend；
2.ResourceManager收到请求后，在集群中选择一个NodeManager，为该应用程序分配第一个Container，要求它在这个 Container中启动应用程序的ApplicationMaster，与YARN-Cluster区别的是在该ApplicationMaster不 运行SparkContext，只与SparkContext进行联系进行资源的分派；
3.Client中的SparkContext初始化完毕后，与ApplicationMaster建立通讯，向ResourceManager注册，根据任务信息向ResourceManager申请资源（Container）；
4.一旦ApplicationMaster申请到资源（也就是Container）后，便与对应的NodeManager通信，要求它在获得的 Container中启动启动CoarseGrainedExecutorBackend，CoarseGrainedExecutorBackend启 动后会向Client中的SparkContext注册并申请Task；
5.Client中的SparkContext分配Task给CoarseGrainedExecutorBackend执 行，CoarseGrainedExecutorBackend运行Task并向Driver汇报运行的状态和进度，以让Client随时掌握各个任务的 运行状态，从而可以在任务失败时重新启动任务；
6.应用程序运行完成后，Client的SparkContext向ResourceManager申请注销并关闭自己。

2.2.3 YARN-Cluster

在 YARN-Cluster模式中，当用户向YARN中提交一个应用程序后，YARN将分两个阶段运行该应用程序：第一个阶段是把Spark的Driver 作为一个ApplicationMaster在YARN集群中先启动；第二个阶段是由ApplicationMaster创建应用程序，然后为它向 ResourceManager申请资源，并启动Executor来运行Task，同时监控它的整个运行过程，直到运行完成。
YARN-cluster的工作流程分为以下几个步骤：

 

1.Spark Yarn Client向YARN中提交应用程序，包括ApplicationMaster程序、启动ApplicationMaster的命令、需要在Executor中运行的程序等；
2.ResourceManager收到请求后，在集群中选择一个NodeManager，为该应用程序分配第一个Container，要求它在这个 Container中启动应用程序的ApplicationMaster，其中ApplicationMaster进行SparkContext等的初始 化；
3.ApplicationMaster向ResourceManager注册，这样用户可以直接通过ResourceManage查看应用程序的运行状态，然后它将采用轮询的方式通过RPC协议为各个任务申请资源，并监控它们的运行状态直到运行结束；
4.一旦ApplicationMaster申请到资源（也就是Container）后，便与对应的NodeManager通信，要求它在获得的 Container中启动启动CoarseGrainedExecutorBackend，CoarseGrainedExecutorBackend启 动后会向ApplicationMaster中的SparkContext注册并申请Task。这一点和Standalone模式一样，只不过 SparkContext在Spark Application中初始化时，使用CoarseGrainedSchedulerBackend配合YarnClusterScheduler进行 任务的调度，其中YarnClusterScheduler只是对TaskSchedulerImpl的一个简单包装，增加了对Executor的等待逻 辑等；
5.ApplicationMaster中的SparkContext分配Task给CoarseGrainedExecutorBackend执 行，CoarseGrainedExecutorBackend运行Task并向ApplicationMaster汇报运行的状态和进度，以让 ApplicationMaster随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务；
6.应用程序运行完成后，ApplicationMaster向ResourceManager申请注销并关闭自己。

2.2.4 YARN-Client 与 YARN-Cluster 区别

理 解YARN-Client和YARN-Cluster深层次的区别之前先清楚一个概念：Application Master。在YARN中，每个Application实例都有一个ApplicationMaster进程，它是Application启动的第一个 容器。它负责和ResourceManager打交道并请求资源，获取资源之后告诉NodeManager为其启动Container。从深层次的含义讲 YARN-Cluster和YARN-Client模式的区别其实就是ApplicationMaster进程的区别。

• YARN- Cluster模式下，Driver运行在AM(Application Master)中，它负责向YARN申请资源，并监督作业的运行状况。当用户提交了作业之后，就可以关掉Client，作业会继续在YARN上运行，因而 YARN-Cluster模式不适合运行交互类型的作业；
• YARN-Client模式下，Application Master仅仅向YARN请求Executor，Client会和请求的Container通信来调度他们工作，也就是说Client不能离开。
  

3 Spark在不同集群中的运行演示

在以下运行演示过程中需要启动Hadoop和Spark集群，其中Hadoop需要启动HDFS和YARN，启动过程可以参见第三节《Spark编程模型（上）–概念及Shell试验》。

3.1 Standalone运行过程演示

在 Spark集群的节点中，40%的数据用于计算，60%的内存用于保存结果，为了能够直观感受数据在内存和非内存速度的区别，在该演示中将使用大小为1G 的Sogou3.txt数据文件（参见第三节《Spark编程模型（上）–概念及Shell试验》的3.2测试数据文件上传），通过对比得到差距。

3.1.1 查看测试文件存放位置

使用HDFS命令观察Sogou3.txt数据存放节点的位置

[Bash shell] 纯文本查看 复制代码

?

1 2 3 4

$ cd

  /app/hadoop/hadoop

-2.2.0 /bin

$hdfs fsck /sogou/SogouQ3 .txt -files -blocks -locations

通过可以看到该文件被分隔为9个块放在集群中

3.1.2 启动Spark-Shell

通过如下命令启动Spark-Shell，在演示当中每个Executor分配1G内存

[Bash shell] 纯文本查看 复制代码

?

1 2 3 4

$ cd

  /app/hadoop/spark-

1.1.0 /bin

$. /spark-shell --master spark: //hadoop1 :7077 --executor-memory 1g

通 过Spark的监控界面查看Executors的情况，可以观察到有1个Driver 和3个Executor， 其中hadoop2和hadoop3启动一个Executor，而hadoop1启动一个Executor和Driver。在该模式下Driver中运行 SparkContect，也就是DAGSheduler和TaskSheduler等进程是运行在节点上，进行Stage和Task的分配和管理。

3.1.3 运行过程及结果分析

第一步 读取文件后计算数据集条数，并计算过程中使用cache()方法对数据集进行缓存

[Bash shell] 纯文本查看 复制代码

?

1 2 3 4

val sogou=sc

.textFile( "hdfs://hadoop1:9000/sogou/SogouQ3.txt" )

sogou.cache()

sogou.count()

通过页面监控可以看到该作业分为8个任务，其中一个任务的数据来源于两个数据分片，其他的任务各对应一个数据分片，即显示7个任务获取数据的类型为（NODE_LOCAL），1个任务获取数据的类型为任何位置（ANY）。

在存储监控界面中，我们可以看到缓存份数为3，大小为907.1M，缓存率为38%

运行结果得到数据集的数量为1000万笔数据，总共花费了352.17秒

第二步 再次读取文件后计算数据集条数，此次计算使用缓存的数据，对比前后
sogou.count()
通过页面监控可以看到该作业还是分为8个任务，其中3个任务数据来自内存（PROCESS_LOCAL），3个任务数据来自本机 （NODE_LOCAL），其他2个任务数据来自任何位置（ANY）。任务所耗费的时间多少排序为：ANY> NODE_LOCAL> PROCESS_LOCAL，对比看出使用内存的数据比使用本机或任何位置的速度至少会快2个数量级。

 

整个作业的运行速度为34.14秒，比没有缓存提高了一个数量级。由于刚才例子中数据只是部分缓存（缓存率38%），如果完全缓存速度能够得到进一步提升，从这体验到Spark非常耗内存，不过也够快、够锋利！

 

3.2 YARN-Client运行过程演示

3.2.1 启动Spark-Shell

通过如下命令启动Spark-Shell，在演示当中分配3个Executor、每个Executor为1G内存

[Bash shell] 纯文本查看 复制代码

?

1 2 3 4

$ cd

  /app/hadoop/spark

-1.1.0 /bin

$. /spark-shell --master YARN-client --num-executors 3 --executor-memory 1g

第一步 把相关的运行JAR包上传到HDFS中

 

通过HDFS查看界面可以看到在 /user/hadoop/.sparkStaging/应用编号，查看到这些文件：

 

第二步 启动Application Master，注册Executor
应用程序向ResourceManager申请启动Application Master，在启动完成后会分配Cotainer并把这些信息反馈给SparkContext，SparkContext和相关的NM通讯，在获得的 Container上启动Executor，从下图可以看到在hadoop1、hadoop2和hadoop3分别启动了Executor

 

第三步 查看启动结果
YARN-Client模式中，Driver在客户端本地运行，这种模式可以使得Spark Application和客户端进行交互，因为Driver在客户端所以可以通过webUI访问Driver的状态，默认是 http://hadoop1:4040访问，而YARN通过http:// hadoop1:8088访问。

 

3.2.2 运行过程及结果分析

第一步 读取文件后计算数据集条数，并计算过程中使用cache()方法对数据集进行缓存

[Bash shell] 纯文本查看 复制代码

?

1 2 3 4

val sogou=sc

.textFile( "hdfs://hadoop1:9000/sogou/SogouQ3.txt" )

sogou.cache()

sogou.count()

通过页面监控可以看到该作业分为8个任务，其中一个任务的数据来源于两个数据分片，其他的任务各对应一个数据分片，即显示7个任务获取数据的类型为（NODE_LOCAL），1个任务获取数据的类型为任何位置（RACK_LOCAL）。

 

通过运行日志可以观察到在所有任务结束的时候，由 YARNClientScheduler通知YARN集群任务运行完毕，回收资源，最终关闭SparkContext，整个过程耗费108.6秒。

 

第二步 查看数据缓存情况
通过监控界面可以看到，和Standalone一样38%的数据已经缓存在内存中

 

第三步 再次读取文件后计算数据集条数，此次计算使用缓存的数据，对比前后
sogou.count()
通过页面监控可以看到该作业还是分为8个任务，其中3个任务数据来自内存（PROCESS_LOCAL），4个任务数据来自本机（NODE_LOCAL），1个任务数据来自机架（RACK_LOCAL）。对比在内存中的运行速度最快，速度比在本机要快至少1个数量级。

 

YARNClientClusterScheduler替代了Standalone模式下得 TaskScheduler进行任务管理，在任务结束后通知YARN集群进行资源的回收，最后关闭SparkContect。部分缓存数据运行过程耗费了 29.77秒，比没有缓存速度提升不少。

 

3.3 YARN-Cluster运行过程演示

3.3.1 运行程序

通过如下命令启动Spark-Shell，在演示当中分配3个Executor、每个Executor为512M内存

[Bash shell] 纯文本查看 复制代码

?

1 2 3 4

$ cd

  /app/hadoop/spark

-1.1.0

$ . /bin/spark-submit --master YARN-cluster --class class3.SogouResult --executor-memory 512m LearnSpark.jar hdfs: //hadoop1 :9000 /sogou/SogouQ3 .txt  hdfs: //hadoop1 :9000 /class3/output2

第一步 把相关的资源上传到HDFS中，相对于YARN-Client多了LearnSpark.jar文件

 

这些文件可以在HDFS中找到，具体路径为 http://hadoop1:9000/user/hadoop/.sparkStaging/应用编号 ：

 

第二步 YARN集群接管运行
首先YARN集群中由ResourceManager分配Container启动SparkContext，并分配运行节点，由SparkConext和 NM进行通讯，获取Container启动Executor，然后由SparkContext的YarnClusterScheduler进行任务的分发 和监控，最终在任务执行完毕时由YarnClusterScheduler通知ResourceManager进行资源的回收。

 

3.3.2 运行结果

在YARN-Cluster模式中命令界面只负责应用的提交，SparkContext和作业运行均在YARN集群中，可以从http:// hadoop1:8088查看到具体运行过程，运行结果输出到HDFS中，如下图所示：

 

4 问题解决

4.1 YARN-Client启动报错

在进行Hadoop2.X 64bit编译安装中由于使用到64位虚拟机，安装过程中出现下图错误：
[hadoop@hadoop1 spark-1.1.0]bin/spark−shell–masterYARN−client–executor−memory1g–num−executors3SparkassemblyhasbeenbuiltwithHive,includingDatanucleusjarsonclasspathExceptioninthread“main”java.lang.Exception:Whenrunningwithmaster‘YARN−client′eitherHADOOPCONFDIRorYARNCONFDIRmustbesetintheenvironment.atorg.apache.spark.deploy.SparkSubmitArguments.checkRequiredArguments(SparkSubmitArguments.scala:182)atorg.apache.spark.deploy.SparkSubmitArguments.(SparkSubmitArguments.scala:62)atorg.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala:70)
at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)