Spark中文指南(入门篇)-Spark编程模型(一)

前言

本章将对Spark做一个简单的介绍，更多教程请参考：Spark教程

##本章知识点概括
- Apache Spark简介
- Spark的四种运行模式
- Spark基于Standlone的运行流程
- Spark基于YARN的运行流程

Apache Spark是什么？

Spark是一个用来实现快速而通用的集群计算的平台。扩展了广泛使用的MapReduce计算模型，而且高效地支持更多的计算模式，包括交互式查询和流处理。在处理大规模数据集的时候，速度是非常重要的。Spark的一个重要特点就是能够在内存中计算，因而更快。即使在磁盘上进行的复杂计算，Spark依然比MapReduce更加高效。

Spark重要概念

（1）Spark运行模式

目前Spark的运行模式主要有以下几种:

local:主要用于开发调试Spark应用程序
Standlone:利用Spark自带的资源管理与调度器运行Spark集群，采用Master/Slave结构，为解决单点故障，可以采用Xookeeper实现高可靠(High Availability, HA)
Apache Mesos:运行在著名的Mesos资源管理框架基础之上，该集群运行模式将资源管理管理交给Mesos,Spark只负责运行任务调度和计算
Hadoop YARN:集群运行在Yarn资源管理器上，资源管理交给YARN，Spark只负责进行任务调度和计算

Spark运行模式中Hadoop YARN的集群方式最为常用，前面一章关于Spark集群搭建就是采用的YARN模式。

（2）Spark组件(Components)

一个完整的Spark应用程序，如前面一章当中的SparkWorkdCount程序，在提交集群运行时，它涉及到如下图所示的组件：

每个Spark应用都由一个驱动器程序(drive program)来发起集群上的各种并行操作。驱动器程序包含应用的main函数，驱动器负责创建SparkContext,SparkContext可以与不同种类的集群资源管理器(Cluster Manager)，例如Hadoop YARN，Mesos进行通信，获取到集群进行所需的资源后，SparkContext将

得到集群中工作节点(Worker Node)上对应的Executor(不同的Spark程序有不同的Executor,他们之间是相互独立的进程，Executor为应用程序提供分布式计算以及数据存储功能)，之后SparkContext将应用程序代码发送到各Executor,最后将任务(Task)分配给executors执行

ClusterManager:在Standalone模式中即为Master节点（主节点），控制整个集群，监控Worker.在YARN中为ResourceManager
Worker:从节点，负责控制计算节点，启动Executor或Driver。在YARN模式中为NodeManager,负责计算节点的控制。
Driver:运行Application的main()函数并创建SparkContect。
Executor:执行器，在worker node上执行任务的组件、用于启动线程池运行任务。每个Application拥有独立的一组Executor。
SparkContext:整个应用的上下文，控制应用的生命周期。
RDD：Spark的计算单元，一组RDD可形成执行的有向无环图RDD Graph。
DAG Scheduler:根据作业(Job)构建基于Stage的DAG，并提交Stage给TaskScheduler。
TaskScheduler:将任务(Task)分发给Executor。
SparkEnv:线程级别的上下文，存储运行时的重要组件的引用。

SparkEnv内构建并包含如下一些重要组件的引用。

1、MapOutPutTracker:负责Shuffle元信息的存储。

2、BroadcastManager:负责广播变量的控制与元信息的存储。

3、BlockManager:负责存储管理、创建和查找快。

4、MetricsSystem:监控运行时性能指标信息。

5、SparkConf:负责存储配置信息。

Spark的整体流程

1、Client提交应用。

2、Master找到一个Worker启动Driver

3、Driver向Master或者资源管理器申请资源，之后将应用转化为RDD Graph

4、再由DAGSchedule将RDD Graph转化为Stage的有向无环图提交给TaskSchedule。

5、再由TaskSchedule提交任务给Executor执行。

6、其它组件协同工作，确保整个应用顺利执行。

图片：

Spark on Yarn流程：

1、基于YARN的Spark作业首先由客户端生成作业信息，提交给ResourceManager。

2、ResourceManager在某一NodeManager汇报时把AppMaster分配给NodeManager。

3、NodeManager启动SparkAppMaster。

4、SparkAppMastere启动后初始化然后向ResourceManager申请资源。

5、申请到资源后，SparkAppMaster通过RPC让NodeManager启动相应的SparkExecutor。

6、SparkExecutor向SparkAppMaster汇报并完成相应的任务。

7、SparkClient会通过AppMaster获取作业运行状态。

参考文档

问题

针对SparkContext和Drive program还没有解释清楚
关于Driver向Master请求资源这一块还没搞懂
关于Spark的整体流程图还是不太准确,以后找到好的再补上