搜公众号
推荐 原创 视频 Java开发 开发工具 Python开发 Kotlin开发 Ruby开发 .NET开发 服务器运维 开放平台 架构师 大数据 云计算 人工智能 开发语言 其它开发 iOS开发 前端开发 JavaScript开发 Android开发 PHP开发 数据库
Lambda在线 > 互联网技术视角 > 【2】大数据—从"红海行动"中看待spark框架中的组织协同

【2】大数据—从"红海行动"中看待spark框架中的组织协同

互联网技术视角 2018-03-13
举报


最近一部《红海行动》想必大家都有看过,电影情节可以说是燃的发紫,从头打到尾,相信每一个看过的同学,走出电影院后,手心里都是捏了把汗。3月8号,该电影票房已突破31亿,成为继《战狼2》之后又一部最受欢迎的军事题材的电影。电影中的"蛟龙突击队"一次又一次的以少敌众,可谓是让观众大饱眼福。我自己春节期间看完这部电影后,沉思了许久:为什么一次又一次的8个人组成的"蛟龙突击队"能战无不胜,勇者无敌。排除电影真实性因素外,我觉得一个很重要的原因,就是他们有非常强的组织协同能力,可以是说把这种能力发挥到了极致。这是一个团队,一个组织中非常非常难得的。最近工作中我在用spark框架做一些处理处理,踩过一些坑,自己也对spark也有一个新的认识。

spark作为大数据开发工程师的首选框架,目前已更新迭代到2.3.0版本。本人是2014年研究生在校期间,开始关注的spark,那时候印象中还是0.6.0版本。技术发展之快,让众多早期进入这一领域的开发者都享受到了新技术带来的红利,他们当中有的可能已经实现财务自由,有的可能已经是某些企业的高管。确实,在这个日新月异的世界,怎么找到适合自己的生存之路,一直是摆在我们面前的一道难题,用唯物主义的观点就是:世界上唯一不变的就是变化,要用变化的眼光看待这个世界,用变化的眼光看待每一项技术更新迭代。这就要求置身在科技变化浪潮的我们,时刻保持清醒的头脑,始终保持学习的热情,我自己也是通过这样每周更新文章的方式,让自己每周有一个小总结。本文主要介绍spark的基本原理以及对spark的一些思考。


一、spark原理

Apache Spark是一个围绕速度、易用性和复杂分析构建的大数据处理框架,最初在2009年由加州大学伯克利分校的AMPLab开发,并于2010年成为Apache的开源项目之一,与Hadoop和Storm等其他大数据和MapReduce技术相比,Spark有如下优势:

  1. Spark提供了一个全面、统一的框架用于管理各种有着不同性质(文本数据、图表数据等)的数据集和数据源(批量数据或实时的流数据)的大数据处理的需求

  2. 官方资料介绍Spark可以将Hadoop集群中的应用在内存中的运行速度提升100倍,甚至能够将应用在磁盘上的运行速度提升10倍

1.架构及生态:


  1. 通常当需要处理的数据量超过了单机尺度(比如我们的计算机有4GB的内存,而我们需要处理100GB以上的数据)这时我们可以选择spark集群进行计算,有时我们可能需要处理的数据量并不大,但是计算很复杂,需要大量的时间,这时我们也可以选择利用spark集群强大的计算资源,并行化地计算,其架构示意图如下:

  2.             

  3. Spark Core:包含Spark的基本功能;尤其是定义RDD的API、操作以及这两者上的动作。其他Spark的库都是构建在RDD和Spark Core之上的

  4. Spark SQL:提供通过Apache Hive的SQL变体Hive查询语言(HiveQL)与Spark进行交互的API。每个数据库表被当做一个RDD,Spark SQL查询被转换为Spark操作。

  5. Spark Streaming:对实时数据流进行处理和控制。Spark Streaming允许程序能够像普通RDD一样处理实时数据

  6. MLlib:一个常用机器学习算法库,算法被实现为对RDD的Spark操作。这个库包含可扩展的学习算法,比如分类、回归等需要对大量数据集进行迭代的操作。

  7. GraphX:控制图、并行图操作和计算的一组算法和工具的集合。GraphX扩展了RDD API,包含控制图、创建子图、访问路径上所有顶点的操作

  8. Spark架构的组成图如下:

  9. 【2】大数据—从"红海行动"中看待spark框架中的组织协同

  10. Cluster Manager:在standalone模式中即为Master主节点,控制整个集群,监控worker。在YARN模式中为资源管理器

  11. Worker节点:从节点,负责控制计算节点,启动Executor或者Driver。

  12. Driver: 运行Application 的main()函数

  13. Executor:执行器,是为某个Application运行在worker node上的一个进程

2.Spark与hadoop:


  1. Hadoop有两个核心模块,分布式存储模块HDFS和分布式计算模块Mapreduce

  2. spark本身并没有提供分布式文件系统,因此spark的分析大多依赖于Hadoop的分布式文件系统HDFS

  3. Hadoop的Mapreduce与spark都可以进行数据计算,而相比于Mapreduce,spark的速度更快并且提供的功能更加丰富

  4. 关系图如下:

  5.         【2】大数据—从"红海行动"中看待spark框架中的组织协同

 3.运行流程及特点:


spark运行流程图如下:【2】大数据—从"红海行动"中看待spark框架中的组织协同

  1. 构建Spark Application的运行环境,启动SparkContext

  2. SparkContext向资源管理器(可以是Standalone,Mesos,Yarn)申请运行Executor资源,并启动StandaloneExecutorbackend,

  3. Executor向SparkContext申请Task

  4. SparkContext将应用程序分发给Executor

  5. SparkContext构建成DAG图,将DAG图分解成Stage、将Taskset发送给Task Scheduler,最后由Task Scheduler将Task发送给Executor运行

  6. Task在Executor上运行,运行完释放所有资源

     Spark运行特点:

  1. 每个Application获取专属的executor进程,该进程在Application期间一直驻留,并以多线程方式运行Task。这种Application隔离机制是有优势的,无论是从调度角度看(每个Driver调度他自己的任务),还是从运行角度看(来自不同Application的Task运行在不同JVM中),当然这样意味着Spark Application不能跨应用程序共享数据,除非将数据写入外部存储系统

  2. Spark与资源管理器无关,只要能够获取executor进程,并能保持相互通信就可以了

  3. 提交SparkContext的Client应该靠近Worker节点(运行Executor的节点),最好是在同一个Rack里,因为Spark Application运行过程中SparkContext和Executor之间有大量的信息交换

  4. Task采用了数据本地性和推测执行的优化机制

常用术语:


  1. Application: Appliction都是指用户编写的Spark应用程序,其中包括一个Driver功能的代码和分布在集群中多个节点上运行的Executor代码

  2. Driver:  Spark中的Driver即运行上述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中有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,通常用SparkContext代表Driver

  3. Executor:  某个Application运行在worker节点上的一个进程,  该进程负责运行某些Task, 并且负责将数据存到内存或磁盘上,每个Application都有各自独立的一批Executor, 在Spark on Yarn模式下,其进程名称为CoarseGrainedExecutor Backend。一个CoarseGrainedExecutor Backend有且仅有一个Executor对象, 负责将Task包装成taskRunner,并从线程池中抽取一个空闲线程运行Task, 这个每一个oarseGrainedExecutor Backend能并行运行Task的数量取决与分配给它的cpu个数

  4. Cluter Manager:指的是在集群上获取资源的外部服务。目前有三种类型

    1. Standalon : spark原生的资源管理,由Master负责资源的分配

    2. Apache Mesos:与hadoop MR兼容性良好的一种资源调度框架

    3. Hadoop Yarn: 主要是指Yarn中的ResourceManager

  5. Worker: 集群中任何可以运行Application代码的节点,在Standalone模式中指的是通过slave文件配置的Worker节点,在Spark on Yarn模式下就是NoteManager节点

  6. Task: 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

  7. Job: 包含多个Task组成的并行计算,往往由Spark Action触发生成, 一个Application中往往会产生多个Job

  8. 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(Shuffle Map Stage)和最终的Stage(Result Stage)两种,Stage的边界就是发生shuffle的地方

  9. DAGScheduler: 根据Job构建基于Stage的DAG(Directed Acyclic Graph有向无环图),并提交Stage给TASkScheduler。 其划分Stage的依据是RDD之间的依赖的关系找出开销最小的调度方法,如下图

    【2】大数据—从"红海行动"中看待spark框架中的组织协同

  10. TASKSedulter: 将TaskSET提交给worker运行,每个Executor运行什么Task就是在此处分配的. TaskScheduler维护所有TaskSet,当Executor向Driver发生心跳时,TaskScheduler会根据资源剩余情况分配相应的Task。另外TaskScheduler还维护着所有Task的运行标签,重试失败的Task。下图展示了TaskScheduler的作用

    【2】大数据—从"红海行动"中看待spark框架中的组织协同

  11. 在不同运行模式中任务调度器具体为:

    1. Spark on Standalone模式为TaskScheduler

    2. YARN-Client模式为YarnClientClusterScheduler

    3. YARN-Cluster模式为YarnClusterScheduler

  12. 将这些术语串起来的运行层次图如下:

    【2】大数据—从"红海行动"中看待spark框架中的组织协同

  13. Job=多个stage,Stage=多个同种task, Task分为ShuffleMapTask和ResultTask,Dependency分为ShuffleDependency和NarrowDependency

Spark运行模式:


  1. Spark的运行模式多种多样,灵活多变,部署在单机上时,既可以用本地模式运行,也可以用伪分布模式运行,而当以分布式集群的方式部署时,也有众多的运行模式可供选择,这取决于集群的实际情况,底层的资源调度即可以依赖外部资源调度框架,也可以使用Spark内建的Standalone模式。

  2. 对于外部资源调度框架的支持,目前的实现包括相对稳定的Mesos模式,以及hadoop YARN模式

  3. 本地模式:常用于本地开发测试,本地还分别 local 和 local cluster

standalone: 独立集群运行模式


  1. Standalone模式使用Spark自带的资源调度框架

  2. 采用Master/Slaves的典型架构,选用ZooKeeper来实现Master的HA

  3. 框架结构图如下:

    【2】大数据—从"红海行动"中看待spark框架中的组织协同

  4. 该模式主要的节点有Client节点、Master节点和Worker节点。其中Driver既可以运行在Master节点上中,也可以运行在本地Client端。当用spark-shell交互式工具提交Spark的Job时,Driver在Master节点上运行;当使用spark-submit工具提交Job或者在Eclips、IDEA等开发平台上使用”new SparkConf.setManager(“spark://master:7077”)”方式运行Spark任务时,Driver是运行在本地Client端上的

  5. 运行过程如下图:(参考至:http://blog.csdn.net/gamer_gyt/article/details/51833681

    【2】大数据—从"红海行动"中看待spark框架中的组织协同

  6. SparkContext连接到Master,向Master注册并申请资源(CPU Core 和Memory)

  7. Master根据SparkContext的资源申请要求和Worker心跳周期内报告的信息决定在哪个Worker上分配资源,然后在该Worker上获取资源,然后启动StandaloneExecutorBackend

  8. StandaloneExecutorBackend向SparkContext注册

  9. SparkContext将Applicaiton代码发送给StandaloneExecutorBackend;并且SparkContext解析Applicaiton代码,构建DAG图,并提交给DAG Scheduler分解成Stage(当碰到Action操作时,就会催生Job;每个Job中含有1个或多个Stage,Stage一般在获取外部数据和shuffle之前产生),然后以Stage(或者称为TaskSet)提交给Task Scheduler,Task Scheduler负责将Task分配到相应的Worker,最后提交给StandaloneExecutorBackend执行;

  10. StandaloneExecutorBackend会建立Executor线程池,开始执行Task,并向SparkContext报告,直至Task完成

  11. 所有Task完成后,SparkContext向Master注销,释放资源

yarn:  (参考:http://blog.csdn.net/gamer_gyt/article/details/51833681)


  1. Spark on YARN模式根据Driver在集群中的位置分为两种模式:一种是YARN-Client模式,另一种是YARN-Cluster(或称为YARN-Standalone模式)

  2. Yarn-Client模式中,Driver在客户端本地运行,这种模式可以使得Spark Application和客户端进行交互,因为Driver在客户端,所以可以通过webUI访问Driver的状态,默认是http://hadoop1:4040访问,而YARN通过http:// hadoop1:8088访问

  3. YARN-client的工作流程步骤为:

    【2】大数据—从"红海行动"中看待spark框架中的组织协同

  4. Spark Yarn Client向YARN的ResourceManager申请启动Application Master。同时在SparkContent初始化中将创建DAGSchedulerTASKScheduler等,由于我们选择的是Yarn-Client模式,程序会选择YarnClientClusterScheduler和YarnClientSchedulerBackend

  5. ResourceManager收到请求后,在集群中选择一个NodeManager,为该应用程序分配第一个Container,要求它在这个Container中启动应用程序的ApplicationMaster,与YARN-Cluster区别的是在该ApplicationMaster不运行SparkContext,只与SparkContext进行联系进行资源的分派

  6. Client中的SparkContext初始化完毕后,与ApplicationMaster建立通讯,向ResourceManager注册,根据任务信息向ResourceManager申请资源(Container)

  7. 一旦ApplicationMaster申请到资源(也就是Container)后,便与对应的NodeManager通信,要求它在获得的Container中启动CoarseGrainedExecutorBackend,CoarseGrainedExecutorBackend启动后会向Client中的SparkContext注册并申请Task

  8. client中的SparkContext分配Task给CoarseGrainedExecutorBackend执行,CoarseGrainedExecutorBackend运行Task并向Driver汇报运行的状态和进度,以让Client随时掌握各个任务的运行状态,从而可以在任务失败时重新启动任务

  9. 应用程序运行完成后,Client的SparkContext向ResourceManager申请注销并关闭自己

Spark Cluster模式:

  1. 在YARN-Cluster模式中,当用户向YARN中提交一个应用程序后,YARN将分两个阶段运行该应用程序:

    1. 第一个阶段是把Spark的Driver作为一个ApplicationMaster在YARN集群中先启动;

    2. 第二个阶段是由ApplicationMaster创建应用程序,然后为它向ResourceManager申请资源,并启动Executor来运行Task,同时监控它的整个运行过程,直到运行完成

  2. YARN-cluster的工作流程分为以下几个步骤

  3. 【2】大数据—从"红海行动"中看待spark框架中的组织协同

  4. Spark Yarn Client向YARN中提交应用程序,包括ApplicationMaster程序、启动ApplicationMaster的命令、需要在Executor中运行的程序等

  5. ResourceManager收到请求后,在集群中选择一个NodeManager,为该应用程序分配第一个Container,要求它在这个Container中启动应用程序的ApplicationMaster,其中ApplicationMaster进行SparkContext等的初始化

  6. ApplicationMaster向ResourceManager注册,这样用户可以直接通过ResourceManage查看应用程序的运行状态,然后它将采用轮询的方式通过RPC协议为各个任务申请资源,并监控它们的运行状态直到运行结束

  7. 一旦ApplicationMaster申请到资源(也就是Container)后,便与对应的NodeManager通信,要求它在获得的Container中启动CoarseGrainedExecutorBackend,CoarseGrainedExecutorBackend启动后会向ApplicationMaster中的SparkContext注册并申请Task。这一点和Standalone模式一样,只不过SparkContext在Spark Application中初始化时,使用CoarseGrainedSchedulerBackend配合YarnClusterScheduler进行任务的调度,其中YarnClusterScheduler只是对TaskSchedulerImpl的一个简单包装,增加了对Executor的等待逻辑等

  8. ApplicationMaster中的SparkContext分配Task给CoarseGrainedExecutorBackend执行,CoarseGrainedExecutorBackend运行Task并向ApplicationMaster汇报运行的状态和进度,以让ApplicationMaster随时掌握各个任务的运行状态,从而可以在任务失败时重新启动任务

  9. 应用程序运行完成后,ApplicationMaster向ResourceManager申请注销并关闭自己

Spark Client 和 Spark Cluster的区别:

  1. 理解YARN-Client和YARN-Cluster深层次的区别之前先清楚一个概念:Application Master。在YARN中,每个Application实例都有一个ApplicationMaster进程,它是Application启动的第一个容器。它负责和ResourceManager打交道并请求资源,获取资源之后告诉NodeManager为其启动Container。从深层次的含义讲YARN-Cluster和YARN-Client模式的区别其实就是ApplicationMaster进程的区别

  2. YARN-Cluster模式下,Driver运行在AM(Application Master)中,它负责向YARN申请资源,并监督作业的运行状况。当用户提交了作业之后,就可以关掉Client,作业会继续在YARN上运行,因而YARN-Cluster模式不适合运行交互类型的作业

  3. YARN-Client模式下,Application Master仅仅向YARN请求Executor,Client会和请求的Container通信来调度他们工作,也就是说Client不能离开

思考: 我们在使用Spark提交job时使用的哪种模式?

 

4.RDD运行流程:


  1. RDD在Spark中运行大概分为以下三步:

    1. 创建RDD对象

    2. DAGScheduler模块介入运算,计算RDD之间的依赖关系,RDD之间的依赖关系就形成了DAG

    3. 每一个Job被分为多个Stage。划分Stage的一个主要依据是当前计算因子的输入是否是确定的,如果是则将其分在同一个Stage,避免多个Stage之间的消息传递开销

  2. 示例图如下:

【2】大数据—从"红海行动"中看待spark框架中的组织协同

  1. 以下面一个按 A-Z 首字母分类,查找相同首字母下不同姓名总个数的例子来看一下 RDD 是如何运行起来的

    【2】大数据—从"红海行动"中看待spark框架中的组织协同

  2. 创建 RDD  上面的例子除去最后一个 collect 是个动作,不会创建 RDD 之外,前面四个转换都会创建出新的 RDD 。因此第一步就是创建好所有 RDD( 内部的五项信息 )?

  3. 创建执行计划 Spark 会尽可能地管道化,并基于是否要重新组织数据来划分 阶段 (stage) ,例如本例中的 groupBy() 转换就会将整个执行计划划分成两阶段执行。最终会产生一个 DAG(directed acyclic graph ,有向无环图 ) 作为逻辑执行计划

  4. 调度任务  将各阶段划分成不同的 任务 (task) ,每个任务都是数据和计算的合体。在进行下一阶段前,当前阶段的所有任务都要执行完成。因为下一阶段的第一个转换一定是重新组织数据的,所以必须等当前阶段所有结果数据都计算出来了才能继续


二、spark的一些思考

spark作为一个分布式计算框架,如何高效的进行资源调度管理显然是一个非常的命题,文章一开始,我提到了一个团队或者的组织的协同能力,其实在spark框架中也存在这种能力,一个master就是一名队长,slave就是我们的队员,针对特定的任务,master根据每个slave的计算能力,分配相应的任务。对于异常情况,spark也有足够好的容错能力(例如:重试,资源重新调度和分配及节点任务的释放等等),相信有用过spark的朋友,也会深深体会这种组织协同能力。如何让这种组织协同能力发挥到极致呢?下星期我们来探讨下spark性能调优的那些事。


【长按下面二维码关注更多精彩内容】



版权声明:本站内容全部来自于腾讯微信公众号,属第三方自助推荐收录。《【2】大数据—从"红海行动"中看待spark框架中的组织协同》的版权归原作者「互联网技术视角」所有,文章言论观点不代表Lambda在线的观点, Lambda在线不承担任何法律责任。如需删除可联系QQ:516101458

文章来源: 阅读原文

相关阅读

关注互联网技术视角微信公众号

互联网技术视角微信公众号:hlwjssj

互联网技术视角

手机扫描上方二维码即可关注互联网技术视角微信公众号

互联网技术视角最新文章

精品公众号随机推荐

举报