2分38秒了解Spark运行结构

作者：朱小厮 
来源：公众号朱小厮的博客

Spark是一个用来是实现快速而通用的集群计算的平台。Spark是UC Berkeley AMP Lab（加州大学伯克利分销的AMP实验室）所开源的类MapReduce的通用并行框架， 现在已经是Apache中的一个顶级项目。Spark使用Scala语言开发，支持Scala、JAVA、Python、R语言相关的API，运行与JVM之上。Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性。Spark适用于各种各样原先需要多种不同的分布式平台的场景，包括批处理、迭代计算、交互式查询、流处理等。

如下图所示，Spark生态圈即BDAS（伯克利数据分析栈）所包含的组件有Spark Core、Spark Streaming、Spark SQL、MLlib和GraphX，它们都是由AMP实验室提供，能够无缝地继承，并提供一站式解决平台。

Spark Core实现了Spark的基本功能，包含任务调度、内存管理、错误恢复以及与存储系统交互等模块。Spark Streaming属于Spark Core API的扩展，支持实时数据流的可扩展、高吞吐、容错的流处理。Spark SQL是Spark的一个结构化数据处理模块，提供了DataFrame/Dataset的编程抽象，可以看作是一个分布式查询引擎。从Spark2.0开始又引入了Structured Streaming，它是建立在Spark SQL之上的可扩展和高容错的流处理引擎。MLlib是Spark提供的机器学习功能的程序库，它提供了很多种机器需学习算法，包括分类、回归、聚类、协同过滤等，还提供了模型评估、数据导入等额外的支持功能。GraphX是用来操作图的程序库，可以进行并行的图计算。

Spark具有很强的适应性，能够读取HDFS、Cassandra、HBase等为持久层读写原生数据，资源管理采用Mesos、YARN、Kubernetes等集群资源管理模式，或者Spark自带的独立运行模式以及本地运行模式。

在分布式环境下，Spark集群采用的是主从架构。如图所示，在一个Spark集群中，有一个节点负责中央协调，调度各个分布式工作节点，这个中央协调节点被称为驱动器（Driver）节点，与之对应的工作节点被称为执行器（Executor）节点。驱动器节点可以和大量的执行器节点进行通信，它们也都作为独立的进程运行。驱动器节点和所有的执行器节点一起被称为一个Spark应用（Application)。

Spark应用通过一个叫做集群管理器（Cluster Manager）的外部服务在集群中的机器上启动。Spark自带的集群管理器被称为独立集群管理器。Spark也能运行在YARN、Mesos、Kubernetes这类开源集群管理器上。

Spark驱动器节点是执行你程序中的main()方法的进程。它执行用户编写的用来创建SparkContext、创建RDD，以及进行RDD的转换操作和行动操作的代码。其实，当你启动spark-shell时，你就启动了一个Spark驱动程序。驱动程序一旦停止，Spark应用也就结束了。有关RDD的介绍可以参考上一篇文章《Spark入门 | RDD原理与基本操作》。

驱动器程序在Spark应用中有两个职责：把用户程序转为任务以及为执行器节点调度任务。

Spark驱动器程序负责把用户程序转为多个物理执行的单元，这些单元也被称为任务（Task)。任务是Spark中最小的工作单元，用户程序通常要启动成百上千的独立任务。从上层来看，所有的Spark程序都遵循同样的结构：程序从输入数据创建一系列RDD，再使用转换操作派生出新的RDD，最后使用行动操作收集或存储结果RDD中的数据。Spark程序其实是隐式地创建出了一个由操作组成的逻辑上的有向无环图（Directed Acyclic Graph，简称DAG）。当驱动器程序运行时，它会把这个逻辑图转为物理执行计划。

有了物理执行计划之后，Spark驱动器程序必须在各执行器进程间协调任务的调度。执行器进程启动后，会向驱动器进程注册自己。因此，驱动器进程始终对应用中所有的执行器节点有完整的记录。每个执行器节点代表一个能够处理任务和存储RDD数据的进程。

Spark驱动器程序会根据当前的执行器节点集合，尝试把所有任务基于数据所在位置分配给合适的执行器进程。当任务执行时，执行器进程会把缓存数据存储起来，而驱动器进程同样会跟踪这些缓存数据的位置，并且利用这些位置信息来调度以后的任务，以尽量减少数据的网络传输。

Spark执行器节点是一种工作进程，负责在Spark作业中运行任务，任务间相互独立。Spark应用启动时，执行器节点就被同步启动，并且始终伴随着整个Spark应用的生命周期而存在。如果有执行器节点发生了异常或崩溃，Spark应用也可以继续执行。执行器进程有两大作用：第一，它们负责运行组成Spark应用的任务，并将结果返回给驱动器进程；第二，它们通过自身的块管理器（Block Manager)为用户程序中要求缓存的RDD提供内存式存储。RDD是直接缓存在执行器进程内的，因此任务可以在运行时充分利用缓存数据加速运算。

Spark依赖于集群管理器来启动执行器节点，而在某些特殊的情况下，也依赖集群管理器来启动驱动器节点。集群管理器是Spark中的可插拔式组件，这样既可选择Spark自带的独立集群管理，也可以选择前面所提及的YARN、Mesos之类的外部集群管理器。

不论你使用的是哪一种集群管理器，你都可以使用Spark提供的统一脚本spark-submit将你的应用提交到那种集群管理器上。通过不同的配置选项，spark-submit可以连接到相应的集群管理器上，并控制应用所使用的资源数量。在使用某些特定集群管理器时，spark-submit也可以将驱动器节点运行在集群内部（比如一个YARN的工作节点）。但对于其他的集群管理器，驱动器节点只能被运行在本地机器上。

在集群上运行spark应用的详细过程为：1. 用户通过spark-submit脚本提交应用。2. spark-submit脚本启动驱动器程序，调用用户定义的main()方法。3. 驱动器程序与集群管理器通信，申请资源以启动执行器节点。4. 集群管理器为驱动器程序启动执行器节点。5. 驱动器进行执行用户应用中的操作。根据程序中所定义的对RDD的转换操作和行动操作，驱动器节点把工作以任务的形式发送到执行器进行。6. 任务在执行器程序中进行计算并保存结果。7. 如果驱动器程序的main()方法退出，或者调用了SparkContext.stop()，驱动器程序会终止执行器进程，并且通过集群管理器释放资源。