Spark on Yarn分析

#Spark on Yarn
首先这部分分为源码部分以及实例部分，例子中包括最基本的通过spark-submit提交以及程序中提交yarn
这里仅仅说明Spark on Yarn的第一部分，分为三块：

• 原理
• spark-submit提交yarn程序
• IDEA代码提交yarn程序

##1 原理
Spark yarn 模式有两种， yarn-client, yarn-cluster, 其中yarn-client适合测试环境， yarn-cluster适合生产环境。
在详细说明Yarn模式之前， 需要先了解几个名词
ResourceManager: 整个集群只有一个， 负责集群资源的统一管理和调度， 因为整个集群只有一个，所以也有单点问题，
NodeManager： 它可以理解为集群中的每一台slave
AM: application master, 对于每一个应用程序都有一个AM, AM主要是向RM申请资源（资源其实就是Container， 目前这个Container就是cpu cores, memory), 然后在每个NodeManager上启动Executors（进一步分布资源给内部任务）， 监控跟踪应用程序的进程等。
这里就引入了YARN的调度框架问题： 双层调度框架
(1)RM统一管理集群资源，分配资源给AM
(2)AM将资源进一步分配给Tasks
###1.1 Yarn-cluster模式

下面来具体说说Spark Yarn Cluster的流程：
（1） Client端启动应用程序，提交APP到YARN RM
（2）RM收到请求之后， 就会在集群中随机选择一个NM， 为该应用程序分配第一个Container， 然后在这个Contaiiner上启动AM，AM则实现了SC等的初始化
（3）AM启动时会向RM注册，并向RM申请资源
（4）AM一旦申请到资源也就是Container之后， 会在对应的Container（Container信息里面会包含NM节点信息）启动Executor
（5）AM的SC会分配任务及给Executor进行执行(之前Executor会去向AM中的SC注册）， 同时EXecutor会向AM汇报运行的状态和进度，也就是上面绿色的通信
（6）AM向RM注册之后， AM会定时向RM汇报程序的运行状态等信息，也就是上面红色部分的通信。

###1.2 Yarn-client

其具体流程和上面的yarn-cluster很类似
（1） Client端启动应用程序，提交APP到YARN RM， 这个过程则涉及到SC的初始化，SC启动时会去初始化DAGScheduler调度器， 使用反射方法去初始化YarnScheduler 和 YarnClientSchedulerBackend，最终Client会去向RM申请启动AM
（2）RM收到请求之后， 就会在集群中随机选择一个NM， 为该应用程序分配第一个Container， 然后在这个Contaiiner上启动AM，AM则实现了SC等的初始化， 此处与yarn-cluster不同的是，SC的初始化驱动程序的启动并不在AM中， 也就是AM并不是Driver端，但是AM会和SC通信来获取其需要的资源情况（多少cpu, 多少memory)
(3)当客户端的SC与AM启动完毕，会通信， AM可知道SC需要的资源情况， 然后AM会向RM注册， 并向RM申请资源Container
(4)AM申请到资源Container之后， 会与COntainer对应的NodeManager通信， 要求他在其Container里面启动Executor， 然后去向客户端的SparkContext注册， 并申请任务集Tasks
(5)客户端的SC分配任务集给Executor，
(6)应用程序运行结束之后，客户端的SC会向RM申请资源释放并去关闭自己，kill进程等

上面的流程介绍完之后， 来对比一下YARN-CLUSTER 与 yarn-client的区别：
其主要区别的是AM的作用不大一样，
yarn-client模式下：AM仅仅向RM请求资源， 然后AM会在对应的Container中要求其所属NodeManager去启动Executor， Client会去与此Container Executor通信， 也就是整个程序运行过程中， Client不能离开
yarn-cluster模式： Driver运行在AM中，也就是SC与Executor的所有通信操作都与Client无关了， 在提交完应用程序之后，Client就可以离开了。
##2 spark-submit提交到yarn
首先安装好Hadoop 并配置好Yarn， 之后启动sbin/start-yarn.sh

其次针对Spark的spark-env.sh里面增加：

export HADOOP_CONF_DIR=/home/kason/bigdata/hadoop-2.7.4/etc/hadoop
export YARN_CONF_DIR=/home/kason/bigdata/hadoop-2.7.4/etc/hadoop

下面说明一个最基本的应用程序

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object SparkDemo {

  def main(args: Array[String]): Unit = {

    val conf: SparkConf = new SparkConf().setAppName("SparkDEMO")
    val sc: SparkContext = new SparkContext(conf)

    val dataRDD: RDD[Int] = sc.parallelize(Array(1,2,3,4))

    dataRDD.foreach(print)
    print(dataRDD.count())
  }
}

通过maven编译成jar包， 然后通过spark-shell去提交此jar包到yarn上

./bin/spark-submit --class SparkDemo --master yarn --deploy-mode cluster --driver-memory 1G --executor-memory 1G --executor-cores 1 /home/kason/workspace/BigdataComponents/SparkLearn/target/SparkLearn-1.0-SNAPSHOT.jar

提交之后显示：

根据Yarn上的application id找到对应日志：

##3 IDEA代码提交到yarn
通过IDEA实现代码提交其实很简单， 主要是设置Master， Yarn模式不像mesos以及standalone模式通过传输url来实现资源管理， yarn模式实际上是Hadoop Yarn接管资源管理，具体代码如下：

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object SparkDemo {

  def main(args: Array[String]): Unit = {

    val conf: SparkConf = new SparkConf().setAppName("SparkDEMO")
        .setMaster("yarn")
      //.setMaster("spark://kason-pc:7077")
      .set("spark.yarn.jars","hdfs://kason-pc:9000/system/spark/yarn/jars/*")
        .setJars(List("/home/kason/workspace/BigdataComponents/out/artifacts/SparkLearn_jar/SparkLearn.jar"))
      //.setJars(GETJars.getJars("/home/kason/workspace/BigdataComponents/spark-main/target/spark-main/WEB-INF/lib"))
    val sc: SparkContext = new SparkContext(conf)


    val dataRDD: RDD[Int] = sc.parallelize(Array(1,2,3,4))

    val result = dataRDD.map(res => res * 2)
    result.collect().foreach(println(_))
    print(result.count())
  }
}

运行spark之后， 去8088yarn页面去查看一下：

注意IDEA代码提交到yarn只能使用yarn-client模式