Spark大数据分析 课件 2.3 Spark运行架构与原理.pptx

Spark运行架构与原理

目录/Contents01基本概念02Spark集群运行架构03Spark运行基本流程

基本概念01

基本概念Spark运行架构包括集群资源管理器（ClusterManager）、运行作业任务的工作节点（WorkerNode）、每个应用的任务控制节点（Driver）和每个工作节点上负责具体任务的执行进程（Executor）。其中，集群资源管理器可以是Spark自带的资源管理器，也可以是YARN或Mesos等资源管理框架。与HadoopMapReduce计算框架相比，Spark所采用的Executor有两个优点：一是利用多线程来执行具体的任务（HadoopMapReduce采用的是进程模型），减少任务的启动开销；二是Executor中有一个BlockManager存储模块，会将内存和磁盘共同作为存储设备，当需要多轮迭代计算时，可以将中间结果存储到这个存储模块里，下次需要时，就可以直接读该存储模块里的数据，而不需要读写到HDFS等文件系统里，因而有效减少了IO开销；或者在交互式查询场景下，预先将表缓存到该存储系统上，从而可以提高读写IO性能。

Standalone模式部署ApplicationDriver用户编写的Spark应用程序，包含了DriverProgram以及在集群上运行的程序代码，物理机器上涉及了driver，master，worker三个节点。Spark中的Driver即运行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中由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。

Standalone模式部署WorkerExecutor集群中任何一个可以运行spark应用代码的节点。Worker就是物理节点，可以在上面启动Executor进程。在每个Worker上为某应用启动的一个进程，该进程负责运行Task，并且负责将数据存在内存或者磁盘上，每个任务都有各自独立的Executor。Executor是一个执行Task的容器。RDDRDD（ResilientDistributedDataset）叫做弹性分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合。

Standalone模式部署TaskJob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。包含多个Task组成的并行计算，往往由SparkAction触发生成，一个Application中往往会产生多个Job。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（ShuffleMapStage）和最终的Stage（ResultStage）两种，Stage的边界就是发生shuffle的地方。

Spark集群运行架构02

Spark集群运行架构Spark是基于内存计算的大数据并行计算框架，比MapReduce计算框架具有更高的实时性，同时具有高效容错性和可伸缩性，在学习Spark操作之前，首先介绍Sprk运行架构。

Spark运行基本流程03

Spark运行基本流程Spark运行架构主要由SparkContext、ClusterManagaer和Worker组成，其中ClusterManager负责整个集群的同一资源管理，Worker节点中的Executor是应用执行的主要进程，内部含有多个Task线程以及内存空间。

Spark运行基本流程1）构建SparkApplication的运行环境（启动SparkContext），SparkContext向ClusterManager注册，并申请运行Executor资源。2）ClusterManager为Executor分配资源并启动Executor进程，Executor运行情况将随着“心跳”发送到ClusterManager上。3）SparkContext构建DAG图，将DAG图分解成多个Stage，并把每个Stage的TaskSet（任务集）发送给TaskScheduler(任务调度器）。Executo