Spark开发-Spark运行模式及原理一

核心
1、介绍Spark的运行模块有哪几种
2、TaskScheduler和TaskSchedulerBackend介绍
3、Executor介绍

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以供选择，这取决于集群的实际情况，底层的资源调度既可以依赖于外部的资源调度框架，也可以使用spark内建的standalone模式，对于外部资源调度框架的支持，目前支持mesos和yarn

1、spark运行模式概述
1、1spark运行模式列表
在实际应用中，spark应用程序的运行模式取决于传递给SparkContext的MASTER环境变量的值，个别模式还需要依赖辅助的程序接口来配合使用，目前所有支持的MASTER环境变量由特定的字符串或URL所组成。
Lcoal[N]：本地模式，使用N个线程
Local cluster[worker,core,Memory]：伪分布式模式，可以配置所需要启动的虚拟工作节点数量，以及每个工作节点所管理的CPU数量和内存大小
Spark://Hostname:port ： standalone模式，需要部署spark到相关节点，URL为spark Master主机地址和端口
Mesos://hostname:port ： mesos模式，需要部署spark和Mesos到相关节点，URL为Mesos主机地址和端口
YARN Standalone/YARN cluster： YARN模式一:主程序逻辑和任务都运行在YARN集群中
YARN Client： YARN 模式二:主程序逻辑运行在本地，具体任务运行在YARN集群中

1、2spark基本工作流程
看到这么多运行模式，其实内部的工作流程很相似，他们从根本上都是将Spark的应用分为任务调度和任务执行两个部分，下图是分布式模式下，Spark的各个调度和执行模块的大致框架图，对于本地模式来说，其内部程序逻辑结构也是类似的，只是其中部分模块有所简化，例如集群管理模块简化为进程内部的线程池。
下图可以看到，所有的spark应用程序都离不开SparkContext和Executor两部分，Executor负责执行任务，运行Executor的机器称为worker节点，SparkContext由用户程序启动，通过资源调度模块和Executor通信，SparkContext和Executor这两部分的核心代码实现在各种运行模式中都是公用的，在它们之上，根据运行部署模式的不同，包装了不同调度模块以及相关的适配代码。

具体来说，以SparkContext为程序运行的入口，在SparkContext的初始化过程中，Spark会分别创建DAGScheduler作业调度和TaskScheduler任务调度两级调度模块。

其中作业调度模块是基于任务阶段的高层调度模块，它为每个spark作业计算具有依赖关系的多个调度阶段(通常根据shuffle来划分)，然后为每个阶段构建出一组具体的任务(通常会考虑数据的本地性等)，然后以TaskSets(任务组)的形式提交给任务调度模块来具体执行。而任务调度器则负责具体任务启动、监控和汇报任务运行情况。

作业调度模块和具体的部署运行模块无关，在各种运行模式下逻辑相同，
不同运行模式的区别主要体现在任务调度模块，不同的部署和 运行模式，根据底层资源调度方式的不同，各自实现了自己特定的任务调度模块，用来将任务实际调度给对应的计算资源。

1、3 相关基本类

TaskScheduler和SchedulerBackend

为了抽象一个公共的接口给DAGScheduler作业调度模块使用，所有的这些运行模式实现的任务调度模块都是基于这两个接口(Trait)的，TaskScheduler和SchedulerBackend

TaskScheduler程序

private[spark] trait TaskScheduler {//设置application的ID值  private val appId = "spark-application-" + System.currentTimeMillis  def rootPool: Pool  def schedulingMode: SchedulingMode  def start(): Unit  def postStartHook() { }  def stop(): Unit//提交待运行的任务集  def submitTasks(taskSet: TaskSet): Unit//取消一个调度阶段的所有任务  def cancelTasks(stageId: Int, interruptThread: Boolean)//设置 DAG Scheduler 用来回调相关函数  def setDAGScheduler(dagScheduler: DAGScheduler): Unit//默认的并行度，作为决定作业并行度的一个参数  def defaultParallelism(): Int  def executorHeartbeatReceived(execId: String, taskMetrics: Array[(Long, TaskMetrics)],    blockManagerId: BlockManagerId): Boolean  def applicationId(): String = appId//处理失去丢失的executor  def executorLost(executorId: String, reason: ExecutorLossReason): Unit  def applicationAttemptId(): Option[String]}

TaskScheduler的实现主要用于与DAGScheduler交互，负责任务的具体调度和运行，其核心接口是submitTasks和cancelTasks

private[spark] trait SchedulerBackend {  private val appId = "spark-application-" + System.currentTimeMillis  def start(): Unit  def stop(): Unit  def reviveOffers(): Unit  def defaultParallelism(): Int  def killTask(taskId: Long, executorId: String, interruptThread: Boolean): Unit =    throw new UnsupportedOperationException  def isReady(): Boolean = true  def applicationId(): String = appId  def applicationAttemptId(): Option[String] = None  def getDriverLogUrls: Option[Map[String, String]] = None}

SchedulerBackend的实现是与底层资源调度系统交互(如mesos和yarn)，配合TaskScheduler实现具体任务执行所需要的资源分配，核心接口是reviveOffers

这两者之间的实际交互过程取决于具体字段调度模式，理论上这两者的实现的成对匹配工作的，之所以拆分成2部分，是有利于相似的调度模式共享代码功能模式，

TaskSchedulerImpl
TaskSchedulerImpl实现了TaskScheduler接口，提供了大多数本地和分布式运行调度模式的任务调度接口

private[spark] class TaskSchedulerImpl(    val sc: SparkContext,    val maxTaskFailures: Int,    isLocal: Boolean = false)  extends TaskScheduler with Logging

此外它还实现了resourceOffers和statusUpdate这两个接口供Backend调用，用于提供调度资源和更新任务状态。

def resourceOffers(offers: Seq[WorkerOffer]): Seq[Seq[TaskDescription]]def statusUpdate(tid: Long, state: TaskState, serializedData: ByteBuffer)

另外，在提交任务和更新状态等阶段，TaskSchedulerImp1都会调用Backend的reviveOffers函数，用于发起一次任务资源调度请求。

Executor
实际任务的运行，最终都由Executor类来执行，Executor对每一个任务创建一个TaskRunner类，交给线程池运行，
代码如下

//启动线程池private val threadPool = ThreadUtils.newDaemonCachedThreadPool("Executor task launch worker")//运行任务列表private val runningTasks = new ConcurrentHashMap[Long, TaskRunner]def launchTask(    context: ExecutorBackend,    taskId: Long,    attemptNumber: Int,    taskName: String,    serializedTask: ByteBuffer): Unit = {  val tr = new TaskRunner(context, taskId = taskId, attemptNumber = attemptNumber, taskName,    serializedTask)  runningTasks.put(taskId, tr)  threadPool.execute(tr)}运行的结果最终通过ExecutorBackend接口返回private[spark] trait ExecutorBackend {  def statusUpdate(taskId: Long, state: TaskState, data: ByteBuffer)}