Spark的部署模式详解

原文链接：https://www.leahy.club/archives/sparkcorespark%E7%9A%84%E9%83%A8%E7%BD%B2%E6%A8%A1%E5%BC%8F%E8%AF%A6%E8%A7%A3

1. Spark的部署模式

在介绍Spark的部署模式之前，需要明确两个重要的角色：Driver（驱动器）、Executor（执行器）。

1.1 Driver（驱动器）

Spark的驱动器是执行开发程序中的main方法的进程。它负责开发人员编写的用来创建SparkContext、创建RDD，以及进行RDD的转化（transform）操作和行动（action）操作代码的执行。如果你是用spark shell，那么当你启动Spark shell的时候，系统后台自启了一个Spark驱动器程序，就是在Spark shell中预加载的一个叫作 SC的SparkContext对象（在分析源码的时候，关注SC能够帮助分析Driver的各个工作阶段）。如果驱动器程序终止，那么Spark应用也就结束了。

主要负责：

  1. 将用户程序转化成Job（负责Job的分配和Submit）
  2. 监控和调度Executor的运行
  3. UI展示运行状况（http://localhost:4040，端口号刚好是Tomcat默认的8080的一半）
1.2 Executor（执行器）

**Spark Executor是一个工作进程，负责在 Spark 作业中运行任务，任务间相互独立，负责Spark的算子执行。**Spark 应用启动时，Executor节点被同时启动，并且始终伴随着整个 Spark 应用的生命周期而存在。如果有Executor节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他Executor节点上继续运行。

主要负责：

  1. 运行Driver分配的任务，并将结果返回给Driver。
  2. 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Executor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。
1.3 Spark的三种部署模式

Spark具有Local模型（本地单机模式）、Standalone模式（采用Spark自带的集群管理模式）、Yarn模式（使用Hadoop中的Yarn来实现集群资源管理）。下面就这三种模式进行详细介绍。

2. Local模式

Local模式主要用于本地调试。在Local模式中，对于工作流程的描述采用的主要概念是Driver和Executor。具体工作流程如下图：

从图中可以看出，Driver和Executor完成了主要的任务。Driver负责任务的初始化、划分和调度；Executor负责执行具体的Spark算子。

3. Standalone模式

Standalone模式主要是Spark自带的集群部署模式。在Standalone模式中，对于工作流程的描述采用的主要概念是Master和Worker。具体工作流程如下图：

从图中可以看出，Client相当于Driver，Master相当于Local模式中的资源管理者，Worker相当于Executor（这里依旧采用了Executor的概念，只不过是用Worker将Executor包装了）。

Yarn模式相比Standalone模式更加成熟可靠，可以直接在已有的集群中部署并使用集群资源。Spark on Yarn主要有如下优点：

  • Spark支持资源动态共享，运行于Yarn的框架都共享一个集中配置好的资源池
  • 可以很方便的利用Yarn的资源调度特性来做分类·，隔离以及优先级控制负载，拥有更灵活的调度策略
  • Yarn可以自由地选择executor数量
  • Yarn是唯一支持Spark安全的集群管理器，使用Yarn，Spark可以运行于Kerberized Hadoop之上，在它们进程之间进行安全认证

Spark客户端直接连接Yarn，不需要额外构建Spark集群。有Yarn-Client和Yarn-Cluster两种模式，主要区别在于：Driver程序的运行节点。

  • Yarn-Client：Driver程序运行在客户端（指的是提交Spark应用程序的主机），适用于交互、调试，希望立即看到app的输出。

  • Yarn-Cluster：Driver程序运行在由RM（ResourceManager，由集群制定，不一定是本机）启动的AP（APPMaster）适用于生产环境。

对比本机和Standalone模式，有如下对应关系：

本机模式 Standalone模式 Yarn模式
资源管理者 Master RM
Worker NM
Driver Client AM
Executor Executor Container

为了更好的理解这两种模式的区别先了解下Yarn的Application Master概念，在Yarn中，每个application都有一个Application Master进程，它是Appliaction启动的第一个容器，它负责从ResourceManager中申请资源，分配资源，同时通知NodeManager来为Application启动container，Application Master避免了需要一个活动的client（driver）来维持，启动Applicatin的client可以随时退出，而由Yarn管理的进程继续在集群中运行。

4.1 Yarn-Cluster模式

在Yarn-cluster模式下，driver运行在Appliaction Master上，Appliaction Master进程同时负责驱动Application和从Yarn中申请资源，该进程运行在Yarn container内，所以启动Application Master的client可以立即关闭而不必持续到Application的生命周期，下图是yarn-cluster模式：

Yarn-Cluster模式下的作业流程如下：

  • 客户端生成作业信息提交给ResourceManager(RM)
  • RM在某一个NodeManager(由Yarn决定)启动container并将Application Master(AM)分配给该NodeManager(NM)
  • NM接收到RM的分配，启动Application Master并初始化作业，此时这个NM就称为Driver
  • Application向RM申请资源，分配资源同时通知其他NodeManager启动相应的Executor
  • Executor向NM上的Application Master注册汇报并完成相应的任务
4.2 Yarn-Client模式

Yarn-Client模式的结构与Yarn-Cluster是一致的，只是在任务提交后，Client不退出（在Yarn模式下，Client可以退出，但是不一定要退出啊）。作业提交后，Client会跟container通信进行作业的调度。

Yarn-Client模式下的作业流程如下：

  • 本地提交任务给ResourceManager（RM）
  • RM 在本地NM（提交任务的节点）启动ApplicationMaster（AM）并分配给该NM
  • NM收到RM的分配，启动AM并初始化作业，这个NM（也称Client）就称为Driver（Driver并没有运行在AM上）
  • AM向RM申请资源，分配资源的同时启动相应的Executor
  • Executor向本地启动的Application Master注册汇报并完成相应的任务
4.3 总结

Yarn-Cluster mode
Spark的dirver 运行在 appMaster中，appMaster进程同时负责driving app，请求资源；
启动spark app的client不需要一直存在于整个spark app运行生命周期

Yarn-Client mode
某些情况需要与spark交互，要求user input，如spark-shell和pyspark，这样的spark app需要spark-driver运行在初始化spark app的client端进程中
这种情况，appMaster仅仅用于从yarn集群请求executor，app client（此时的作用相当于Driver）会和请求的container通信来调度他们工作