欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Spark从入门到精通(一)--Spark架构

程序员文章站 2022-06-24 23:14:02
前言犹豫了很久,最终还是决定开始写点什么来记录自己的程序人生,我做过全栈工程师,做过大数据开发,对算法也有一定的研究。很多人可能会有疑问,为什么写的第一篇文章居然是spark的,像hadoop,hive等很多大数据技术都没讲,首先一方面原谅我的私心,因为我打算在我的团队内部做一个spark的培训,另外还有一方面spark是最实用的东西,大家可以关注我,之后我会把我学过的一些大数据组件,以及机器学习,深度学习的技术都分享出来,也会继续学习新东西并分享出来。Spark架构Spark与MapReduce的...

前言

犹豫了很久,最终还是决定开始写点什么来记录自己的程序人生,我做过全栈工程师,做过大数据开发,对算法也有些许了解。很多人可能会有疑问,为什么写的第一篇文章居然是spark的,像hadoop,hive等很多大数据技术都没讲,首先一方面请原谅我的私心,因为我打算在我的团队内部做一个spark的培训,另外还有一方面spark是最实用的东西,大家可以关注我,之后我会把我学过的一些大数据组件,以及机器学习,深度学习的技术都分享出来,也会继续学习新东西并分享出来。

Spark架构

Spark与MapReduce的区别

都是分布式计算框架,Spark基于内存,MR基于HDFS。Spark处理数据的能力一般是MR的十倍以上,Spark中除了基于内存计算外,还有DAG有向无环图来切分任务的执行先后顺序。

Spark主要分为三大部分

SparkCore:对非结构化数据的处理,RDD
SparkSQL:对结构化的数据的处理,DataSet,DataFrame
SparkStreaming:微批计算

Spark的一些名词介绍

Spark从入门到精通(一)--Spark架构
Spark从入门到精通(一)--Spark架构

宽窄依赖

RDD之间有一系列的依赖关系,依赖关系又分为窄依赖和宽依赖。
窄依赖:父RDD和子RDD partition之间的关系是一对一的。或者父RDD一个partition只对应一个子RDD的partition情况下的父RDD和子RDD partition关系是多对一的。不会有shuffle的产生。
宽依赖:父RDD与子RDD partition之间的关系是一对多。会有shuffle的产生。
Spark从入门到精通(一)--Spark架构

Stage

Spark任务会根据RDD之间的依赖关系,形成一个DAG有向无环图,DAG会提交给DAGScheduler,DAGScheduler会把DAG划分相互依赖的多个stage,划分stage的依据就是RDD之间的宽窄依赖。遇到宽依赖就划分stage,每个stage包含一个或多个task任务。然后将这些task以taskSet的形式提交给TaskScheduler运行。stage是由一组并行的task组成。
stage切割规则:从后往前,遇到宽依赖就切割stage。
Spark从入门到精通(一)--Spark架构

Spark资源调度和任务调度(可以参考任务提交流程图)

启动集群后,Worker节点会向Master节点汇报资源情况,Master掌握了集群资源情况。当Spark提交一个Application后,根据RDD之间的依赖关系将Application形成一个DAG有向无环图。任务提交后,Spark会在Driver端创建两个对象:DAGScheduler和TaskScheduler,DAGScheduler是任务调度的高层调度器,是一个对象。DAGScheduler的主要作用就是将DAG根据RDD之间的宽窄依赖关系划分为一个个的Stage,然后将这些Stage以TaskSet的形式提交给TaskScheduler(TaskScheduler是任务调度的低层调度器,这里TaskSet其实就是一个集合,里面封装的就是一个个的task任务,也就是stage中的并行度task任务),TaskSchedule会遍历TaskSet集合,拿到每个task后会将task发送到计算节点Executor中去执行(其实就是发送到Executor中的线程池ThreadPool去执行)。task在Executor线程池中的运行情况会向TaskScheduler反馈,当task执行失败时,则由TaskScheduler负责重试,将task重新发送给Executor去执行,默认重试3次。如果重试3次依然失败,那么这个task所在的stage就失败了。stage失败了则由DAGScheduler来负责重试,重新发送TaskSet到TaskSchdeuler,Stage默认重试4次。如果重试4次以后依然失败,那么这个job就失败了。job失败了,Application就失败了。TaskScheduler不仅能重试失败的task,还会重试straggling(落后,缓慢)task(也就是执行速度比其他task慢太多的task)。如果有运行缓慢的task那么TaskScheduler会启动一个新的task来与这个运行缓慢的task执行相同的处理逻辑。两个task哪个先执行完,就以哪个task的执行结果为准。这就是Spark的推测执行机制。在Spark中推测执行默认是关闭的。推测执行可以通过spark.speculation属性来配置

粗粒度资源申请(Spark)

在Application执行之前,将所有的资源申请完毕,当资源申请成功后,才会进行任务的调度,当所有的task执行完成后,才会释放这部分资源。

优点:在Application执行之前,所有的资源都申请完毕,每一个task直接使用资源就可以了,不需要task在执行前自己去申请资源,task启动就快了,task执行快了,stage执行就快了,job就快了,application执行就快了。

缺点:直到最后一个task执行完成才会释放资源,集群的资源无法充分利用。

细粒度资源申请(MapReduce)

Application执行之前不需要先去申请资源,而是直接执行,让job中的每一个task在执行前自己去申请资源,task执行完成就释放资源。

优点:集群的资源可以充分利用。

缺点:task自己去申请资源,task启动变慢,Application的运行就相应的变慢了。

Spark集群搭建与任务提交:https://blog.csdn.net/happiless/article/details/107305853

SparkCore与RDD编程: https://blog.csdn.net/happiless/article/details/107306392

本文地址:https://blog.csdn.net/happiless/article/details/107305373