Spark学习——Job的提交和运行

Spark学习——Job的提交和运行

本篇文章主要解决的问题
1.Spark实验环境搭建流程
2.Spark中job生成和运行的具体步骤
3.Spark布置环境中组件构成分成哪几个部分

---

本文以wordCount为例，详细说明spark创建和运行job的过程，重点是在进程及线程的创建。

---

**

实验环境搭建

**
在进行后续操作前，确保下列条件已满足。
下载spark binary
安装scala
安装sbt
安装java

启动spark-shell
单机模式运行，即local模式
local模式运行非常简单，只要运行以下命令即可，假设当前目录是$SPARK_HOME

MASTER=local bin/spark-shell

“MASTER=local”就是表明当前运行在单机模式

---

local cluster方式运行
local cluster模式是一种伪cluster模式，在单机环境下模拟standalone的集群，启动顺序分别如下
1.启动master
2.启动worker
3.启动spark-shell

$SPARK_HOME/sbin/start-master.sh

修改配置
1.进入$SPARK_HOME/conf目录
2.将spark-env.sh.template重命名为spark-env.sh
3.修改spark-env.sh，添加如下内容

export SPARK_MASTER_IP=localhostexport SPARK_LOCAL_IP=localhost

运行worker

bin/spark-class org.apache.spark.deploy.worker.Worker spark://localhost:7077 -i 127.0.0.1  -c 1 -m 512M

worker启动完成，连接到master。打开maser的web ui可以看到连接上来的worker. Master WEb UI的监听地址是http://localhost:8080

启动spark-shell

MASTER=spark://localhost:7077 bin/spark-shell

如果一切顺利，将看到下面的提示信息。
Created spark context..Spark context available as sc.

可以用浏览器打开localhost:4040来查看如下内容
1.stages
2storage
3.environment
4.executors

---

wordcount

上述环境准备妥当之后，我们在sparkshell中运行一下最简单的例子，在spark-shell中输入如下代码

scala>sc.textFile("README.md").filter(_.contains("Spark")).count

上述代码统计在README.md中含有Spark的行数有多少

---

**

部署过程详解

**
Spark布置环境中组件构成如下图所示。

1.Driver Program 简要来说在spark-shell中输入的wordcount语句对应于上图的Driver Program.
2.Cluster Manager 就是对应于上面提到的master，主要起到deploy management的作用
3.Worker Node 与Master相比，这是slave node。上面运行各个executor，executor可以对应于线程。executor处理两种基本的业务逻辑，一种就是driver programme,另一种就是job在提交之后拆分成各个stage，每个stage可以运行一到多个task

Notes: 在集群(cluster)方式下, Cluster Manager运行在一个jvm进程之中，而worker运行在另一个jvm进程中。在local cluster中，这些jvm进程都在同一台机器中，如果是真正的standalone或Mesos及Yarn集群，worker与master或分布于不同的主机之上。

JOB的生成和运行
job生成的简单流程如下
1.首先应用程序创建SparkContext的实例，如实例为sc
2.利用SparkContext的实例来创建生成RDD
3.经过一连串的transformation操作，原始的RDD转换成为其它类型的RDD
4.当action作用于转换之后RDD时，会调用SparkContext的runJob方法
5.sc.runJob的调用是后面一连串反应的起点，关键性的跃变就发生在此处

调用路径大致如下
1.sc.runJob->dagScheduler.runJob->submitJob
2.DAGScheduler::submitJob会创建JobSummitted的event发送给内嵌类eventProcessActor
3.eventProcessActor在接收到JobSubmmitted之后调用processEvent处理函数
4.job到stage的转换，生成finalStage并提交运行，关键是调用submitStage
5.在submitStage中会计算stage之间的依赖关系，依赖关系分为宽依赖和窄依赖两种
6.如果计算中发现当前的stage没有任何依赖或者所有的依赖都已经准备完毕，则提交task
7.提交task是调用函数submitMissingTasks来完成
8.task真正运行在哪个worker上面是由TaskScheduler来管理，也就是上面的submitMissingTasks会调用TaskScheduler::submitTasks
9.TaskSchedulerImpl中会根据Spark的当前运行模式来创建相应的backend,如果是在单机运行则创建LocalBackend
10.LocalBackend收到TaskSchedulerImpl传递进来的ReceiveOffers事件
11.receiveOffers->executor.launchTask->TaskRunner.run

说了这么一大通，也就是讲最终的逻辑处理切切实实是发生在TaskRunner这么一个executor之内。
运算结果是包装成为MapStatus然后通过一系列的内部消息传递，反馈到DAGScheduler，这一个消息传递路径不是过于复杂