spark集群管理简述

集群模式概述：
组件：spark 应用程序在集群中以独立的一系列进程运行。通过驱动主程序（dirver）里创
建的sparkContext对象进行协调。sparkContext 可以连接几类集群管理框架（如standalone,Mesos,YARN）。这些集群管理可以在应用间分配资源，一旦连接，spark 就需
要获得那些子节点上的线程池，就是那些用于执行计算和存储应用数据的进程。然后他会把你的应用程序的代码（用JAR 或Python定义的文件并传送到SparkContext）发送给线程池，最后，sparkContext发送任务给线程池执行。
这个框架需要注意如下几点：
1.各个应用有自己的线程池进程，会在整个应用的运行过程中保持并在多个线程中运行任务。这样做的好处是把应用相互孤立，既在调度方面（各个驱动调度它自己的任务）也在执行方面（不同应用的任务在不同的JVM上运行）。然而，这也意味着若不把数据写到额外的存储系统的话，数据就无法在不同的Spark应用间（SparkContext的实例）共享。
2.因为驱动在集群上调度任务，它应该运行在接近到工作节点的机器上，在相同的局域网内更好。如果你想对远程的集群发送请求，较好的选择是为驱动打开一个RPC（远程过程调用协议），让它就近提交操作而不是运行离工作节点很远的驱动。


集群管理类型：
系统目前支持3中集群管理框架：
单例模式
Apache Mesos模式-一种通用的集群管理,可以运行Hadoop MapReduce和服务应用的模式
Hadoop YARN模式：Hadoop2.0中的资源管理模式


给集群发布代码
给集群发布代码的一种推荐的方式是通过SparkContext的构造器，这个构造器可以给工作节点生成JAR文件列表(Java/Scala)或者.egg文件和.zip包文件(Python)。你也可以执行SparkContext.addJar和addFile来动态的创建发送文件。 


监控器
每个驱动程序有一个web UI，典型的是在4040端口，你可以看到有关运行的任务、程序和存储空间大小等信息。你可以在浏览器中输入简单的url方式来访问：http://<驱动节点>：4040.监控器也可以 指导描述其它监控器信息。 
任务调度
Spark可以通过在应用外(集群管理水平)和应用里(如果在同一个SparkContext中有多个计算指令)资源分配。你可以在这里了解更多 任务调度的细节。 



术语
 application 应用 在Spark上构建的程序. 由驱动程序和子执行集群.
driver program 驱动程序 运行man函数的进程，同时也创建SparkContext
cluster manager集群管理员 在获得资源集群上的扩展服务(举例. 单例模式管理员, Mesos, YARN)
worker node工作员节点 任何在集群中可以运行应用的节点
executor 执行者  在工作员节点中为应用所启动的一个进程，它可以运行任务以及可以在内存或是硬盘中保存数据。每一个应用都有属于自己的执行者
task 任务 一个可以给执行者发送数据的工作单元
job 工作 一个由多任务组成的并行计算，并能从Spark动作中获得回应 (举例.保存，收集); 你可以在驱动日志中看到这个术语
stage 阶段 每个工作被分为很多小的任务集合互称为阶段 (和MapReduce中的map和reduce阶段相似); 你可以在驱动日志中看到这个术语