Spark 集群概述
本篇博客简述 Spark 集群相关的概念。
概述
Spark 的"集群"不是提供运算服务的，而是一种资源分配的调度器。
执行任务的 Spark 进程作为客户端向"集群"申请资源(运算节点), "集群"分配资源以后，
这个 Spark 进程会分解一些计算工作，并把他们放到这些申请来的资源中运行。
提交给 Spark 执行的工作称做application(应用)，对应的主程序称作：driver program。
driver program通过一个叫做SparkContext的对象来协调 Spark 集群中不同进程的任务。
具体来说：
-
driver program向"集群"申请到得运算节点称作 worker node；
-
一旦申请到 worker node，driver program会连接这些 worker node, 并在 worker node 上创建(acquire)执行计算的进程(executor);
-
接下来driver program将计算需要的代码和数据发给executor；
-
最后SparkContext将分解出来的task(任务) 发送给各个executor去执行。
过程如下图所示：
这里有一些注意点：
-
每个application都获得自己独立的executor进程，这个executor进程利用多个线程运行多个task。这样可以保证不同application的隔离性，无论是调度端(driver program分解各自的task)，还是执行端(每个executor只跑来自同一个application的task)。不过这也意味着，不同的application之间除非借助外部存储系统(例如数据库)，否则是不可以共享数据的。
-
Spark 是不需要知道运行在什么样的 "集群" 上的。Spark 只需要可以创建进程，并且和这些进程通信，无论是运行在什么样的集群上(eg. Mesos/YARN)都可以。
-
driver program必须在整个生命周期中可以从不同的executor接受连接。因此，driver program对于executor来说，
必须是网路可及的。
-
因为由driver program分解task，它必须和worker节点很接近，最好在同一个局域网。
如果你不能做到这一点(例如从远程提交application)，最好开一个 RPC，利用靠近 Spark 集群的机器来运行driver program
Spark 集群的类型
实现集群的程序称为：集群管理器。目前有三种集群管理器：
-
Standalone - 这个集群管理器打包在 spark 的程序里，是最简单的集群管理器。
-
Apache Mesos - 一个非常成熟的分布式操作系统，可以用来运行除 Spark 以外的很多系统。
-
Hadoop YARN - Hadoop 的 资源管理器。
术语表
| 术语 | 解释 |
|---|---|
| Application | 在 Spark 上运行的工作， 由driver program和executors组成 |
| Application jar | 包含 Application 代码的 jar 包。在一些应用场景中，jar 需要包含依赖的库。不过永远不要包含 Hadoop 和 Spark 的库 |
| Driver program | 运行 Application 的main()函数的进程，并且 SparkContext 对象在此进程中创建 |
| Cluster manager(集群管理器) | 实现集群的资源调度分配的外部程序 |
| Deploy mode | 用于区分driver program进程在哪里运行。cluster模式下，driver在集群中的节点上运行。client模式下，driver在集群以外的地方运行 |
| Worker node | 集群中运行程序的节点 |
| Executor | 在worker node中为 各 Application 创建的进程。它会执行 Application 相关的 task，将它们的数据保存在内存中或磁盘上。 |
| Task | 执行具体计算的单元，会被发送给特定的executor执行 |
| Job | 一个由多个task组成的并行计算集，它们生成 Spark 动作(eg. save, collect) 的结果。这个术语会出现在driver的日志中 |
| Stage | 每个job会被分解成更小的task的集合，这些集合被称作stage。它们彼此依赖(就像 MapReduce 中的 map 和 reduce 两个stage)；这个术语会出现在driver的日志中 |