Spark的工作原理

Posted 2021-04-03 J2EEDeveloper

01

—

Spark工作原理分析

首先看中间是一个Spark集群，可以理解为是Spark的 standalone集群，集群中有6个节点，左边是Spark的客户端节点，这个节点主要负责向Spark集群提交任务，假设在这里我们向Spark集群提交了一个任务。 那这个Spark任务肯定会有一个数据源，数据源在这我们使用HDFS，就是让Spark计算HDFS中的数据。  

当Spark任务把HDFS中的数据读取出来之后，它会把HDFS中的数据转化为RDD，RDD其实是一个弹性分布式数据集，它其实是一个逻辑概念，在这里可以先把它理解为是一个数据集合就可以了，后面我们会详细分析这个RDD。  

在这里这个RDD你就可以认为是包含了我们读取的HDFS上的数据，其中这个RDD是有分区这个特性的，也就是一整份数据会被分成多份，假设我们现在从HDFS中读取的这份数据被转化为RDD之后，在RDD中分成了3份，那这3份数据可能会分 布在3个不同的节点上面，对应这里面的节点1、节点2、节点3 ，这个RDD的3个分区的数据对应的是partiton-1、partition-2、partition-3，这样的好处是可以并行处理了，后期每个节点就可以计算当前节点上的这一个分区的数据。 这个计算思想是不是类似于MapReduce里面的计算思想，但是有一点区别就是这个RDD的数据是在内存中的。

假设现在这个RDD中每个分区中的数据有10w条，那接下来我们就想对这个RDD中的数据进行计算了，可以使用一些高阶函数进行计算，例如：flatMap、 map之类的。那在这我们先使用flatMap对数据进行处理，把每一行数据转成多行数据。此时，flatMap这个函数就会在节点1、节点2和节点3上并行执行了。

计算之后的结果还是一个带有分区的RDD，那这个RDD我们假设存在节点4、节点5和节点6上面。此时每个节点上面会有一个分区的数据，我们给这些分区数据起名叫partition-4、partition-5、 partition-6。 正常情况下，前面节点1上的数据处理之后会发送到节点4上面，另外两个节点也是一样的。

后面可能还会通过map、或者其它的一些高阶函数对数据进行处理，当处理到最后一步的时候是需要把数据存储起来的，在这我们选择把数据存储到hdfs上面，其实在实际工作中，针对这种离线计算，大部分的结果数据都是存储在hdfs上面的，当然了也可以存储到其它的存储介质中。

总结：首先通过Spark客户端提交任务到Spark集群，然后Spark任务在执行的时候会读取数据源HDFS中的数据，将数据加载到内存中，转化为RDD，然后针对RDD调用一些高阶函数对数据进行处理，中间可以调用多个高阶函数，最终把计算出来的结果数据写到HDFS中。

02

—

什么是RDD

RDD通常通过Hadoop上的文件，即HDFS文件进行创建，也可以通过程序中的集合来创建。 RDD是Spark提供的核心抽象，全称为Resillient Distributed Dataset，即弹性分布式数据集。

03

—

RDD的特点

弹性：RDD数据默认情况下存放在内存中，但是在内存资源不足时，Spark也会自动将RDD数据写入 磁盘。

分布式：RDD在抽象上来说是一种元素数据的集合，它是被分区的，每个分区分布在集群中的不同节 点上，从而让RDD中的数据可以被并行操作。

容错性：RDD最重要的特性就是提供了容错性，可以自动从节点失败中恢复过来 如果某个节点上的RDD partition，因为节点故障，导致数据丢了，那么RDD会自动通过自己的数据来源 重新计算该partition的数据。

04

—

Spark架构相关进程

注意：在这里是以Spark的standalone集群为例进行分析。

Driver：我们编写的Spark程序就在Driver(进程)上，由Driver进程负责执行，Driver进程所在的节点可以是Spark集群的某一个节点或者就是我们提交Spark程序的客户端节点。具体Driver进程在哪个节点上启动是由我们提交任务时指定的参数决定的。

Master：集群的主节点中启动的进程，主要负责集群资源的管理和分配，还有集群的监控等。

Worker：集群的从节点中启动的进程，主要负责启动其它进程来执行具体数据的处理和计算任务。

Executor：此进程由Worker负责启动，主要为了执行数据处理和计算。

Task：是一个线程由Executor负责启动，它是真正干活的。

05

—

Spark架构原理

通过刚才那几个进程，我们来分析一下Spark的架构原理。

1. 首先我们在spark的客户端机器上通过driver进程执行我们的Spark代码，当我们通过spark-submit脚本提交Spark任务的时候Driver进程就启动了。

2. Driver进程启动之后，会做一些初始化的操作，会找到集群master进程，对Spark应用程序进行注册。

3. 当Master收到Spark程序的注册申请之后，会发送请求给Worker，进行资源的调度和分配。

4. Worker收到Master的请求之后，会为Spark应用启动Executor进程会启动一个或者多个Executor，具体启动多少个，会根据你的配置来启动。

5. Executor启动之后，会向Driver进行反注册，这样Driver就知道哪些Executor在为它服务了。

6. Driver会根据我们对RDD定义的操作，提交一堆的task去Executor上执行task里面执行的其实就是具体的map、flatMap这些操作。