Spark运行原理解析

前言:

Spark Application的运行架构由两部分组成:driver program(SparkContext)和executor。Spark Application一般都是在集群中运行，比如Spark Standalone,YARN,mesos,这些集群给spark Application提供了计算资源和这些资源管理，这些资源既可以给executor运行，也可以给driver program运行。根据Spark Application的driver program是否在资源集群中运行，Spark

Application的运行方式又可以分为Cluster模式和client模式。spark1.0.0提供了一个Spark Application的部署工具bin/spark-submit。

1.1基本术语

关于Application中的几个概念如下图所示：

　　　　Application:基于Spark的用户程序，包含了一个driver program和集群中多个的

          executor

　　　　Driver progaram:运行Application的main()函数并且创建SparkContext，通常用SparkContext代表Driver Program。

　　　　Cluster Manager:在集群上获取资源的外部服务(例如：Standalone,Mesos,Yarn)

           Worker Node:集群中任何可以运行Application代码的节点

　　　　Executor:是为某Application运行在worker node上的一个进程，该进程负责运行

Task，并且负责将数据存在内存或者磁盘上。每个Application都有个字独立的executors。

Task： 被送到某个executor上的工作单元

Job： 包含多个Task组成的并行计算，往往由Spark action催生，该术语可以经常在日志中看到。

Stage：
每个Job会被拆分很多组task，每组任务被称为Stage，也可称TaskSet，该术语可以经常在日志中看到。

RDD：Spark的基本计算单元，可以通过一系列算子进行操作（主要有Transformation和Action操作），详情见RDD
细解、Spark1.0.0编程模型。

DAG Scheduler：根据Job构建基于Stage的DAG，并提交Stage给TaskScheduler，详见DAG
Scheduler 细解。

TaskScheduler：将Taskset提交给worker（集群）运行并回报结果，详见TaskScheduler
细解。
1.2Spark运行模式概述

Spark运行模式多种多样，在单机上可以以本地模式运行，也可以以伪分布式模式运行。

而当以分布式的方式在cluster集群中运行时，底层的资源管理器可以使用Spark自带的standalone模式，也可以使用Yarn或者Mesos模式。

Spark的运行模式主要取决于传递给SparkContext的deploy-mode和Master变量的值，个别模式还需要辅助的程序接口来配合使用。目前Master有local，yarn-client,yarn-client，spark（standalone），mesos模式，而deploy-mode必须是client（默认方式）或cluster中的一种。

1.3Spark的基本工作流程

Spark的Application在运行时，首先在Driver程序中创建SparkContext，将其作为调度的总入口，在其初始化的过程中会分别创建DAGSchedule(进行Stage调度)和TaskSchedule(进行Task调度)两个模块。DAGSchedule模块是基于Stage的调度模块，它为每个Spark job计算具有依赖关系的多个Stage任务阶段然后将每个Stage划分为一组具体的任务以TaskSet的

形式提交给底层的TaskSchedule模块来具体执行。TaskSchedule负责具体启动任务，监控和汇报任务的运行情况。而任务运行所需的资源需要向Cluster Manager申请。