关于org.apache.spark.deploy.yarn.Client类

Posted LestatZ

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了关于org.apache.spark.deploy.yarn.Client类相关的知识,希望对你有一定的参考价值。

@(关于org.apache.spark.deploy.yarn.Client类)

前言

这个伴生类主要功能是创建/配置ApplicationMaster的应用程序,,准备相关的环境与资源。
Github源码地址:https://github.com/apache/spark/blob/master/resource-managers/yarn/src/main/scala/org/apache/spark/deploy/yarn/Client.scala

主要方法

submitApplication

将运行ApplicationMaster的应用程序提交到ResourceManager。

  • 稳定的Yarn API提供了一种方便的方法(YarnClient#createApplication)
  • 创建应用程序并设置应用程序提交上下文

主要逻辑有:

-  从RM获取新的应用程序
-  设置应用程序的staging目录:如果配置STAGING_DIR,则使用其值作为staging目录。否则使用用户的home目录。
-  验证群集是否有足够的资源用于AM
-  设置适当的上下文以启动我们的AM
-  最后,提交并监控应用程序

createApplicationSubmissionContext

==设置提交ApplicationMaster的上下文。==
主要逻辑如下:

  • 如果是cluster模式,则获取所有与spark.yarn.driver.resource相关的配置。否则使用spark.yarn.am.resource相关的配置
  • 获取YarnClientApplication的默认上下文,并在此基础上设置
    • ApplicationName
    • QUEUE_NAME
    • containerContext
    • ApplicationType
    • 所有APPLICATION_TAGS
    • MAX_APP_ATTEMPTS
    • 其他配置
  • 设置资源
    • capability.setMemory(amMemory + amMemoryOverhead)
    • capability.setVirtualCores(amCores)
  • 其他配置

    setupSecurityToken

    设置安全令牌以启动我们的ApplicationMaster容器。
    在客户端模式下,调度程序已获取一组凭据,因此将它们复制并发送到AM。 在群集模式下,获取新凭据,然后将其与当前用户已有的任何凭据一起发送到AM。

getApplicationReport

从ResourceManager获取我们提交的应用程序的应用程序报告。

getClientToken

返回此客户端使用的安全令牌以与ApplicationMaster通信。 如果未启用安全性,则报告返回的标记为空。

verifyClusterResources

检查分配的资源是否合理,如果我们请求每个容器的资源多于群集中可用的资源,则会失败。

主要逻辑:

 val maxMem = newAppResponse.getMaximumResourceCapability().getMemory()
    
 val executorMem = executorMemory + executorMemoryOverhead + pysparkWorkerMemory
 //compare if executorMem > maxMem
 //...
 val amMem = amMemory + amMemoryOverhead
 //compare if amMem > maxMem
 //...

copyFileToRemote

如果需要,将给定资源文件复制到远程文件系统(例如HDFS)。仅当源和目标文件系统不同或源方案为“file”时,才会复制该文件。 用于准备启动ApplicationMaster容器的资源,例如用户其他的其他辅助文件。

prepareLocalResources

如果需要,将任何资源上载到分布式缓存。 如果要在本地使用资源,请为下游代码设置适当的配置以正确处理它。 这用于为ApplicationMaster设置容器启动上下文。

远程目录地址
stagingDirPath = new Path(appStagingBaseDir, getAppStagingDir(appId))

distribute

将文件分发到群集。
如果文件的路径是“local:”URI,它实际上不是分发的,而其他文件将被复制到HDFS(如果还没有)并添加到应用程序的分布式缓存中。

主要逻辑:

  • Keytab文件
    • 如果我们传入keytab,请确保将keytab表复制到HDFS上的登台目录,并设置相关的环境变量,以便AM可以再次登录。
  • 配置文件以及jar包
    有两个设置可控制要添加到缓存的文件:
    • 如果定义了Spark归档文件,请使用归档文件。 该存档应在其根目录中包含jar文件。
    • 如果提供了jar列表,则过滤非本地jar,解析globs,并将找到的文件添加到缓存中。

    请注意,存档不能是“本地”URI。 如果未找到上述任何设置,则上传$ SPARK_HOME/jars中找到的所有文件。

  • 其他资源
    对通过ClientArguments传递的任何其他资源执行相同操作。
    每个资源类别由3元组表示:
    (1)此类别中逗号分隔的资源列表,
    (2)资源类型,
    (3)是否将这些资源添加到类路径中
  • python文件
    需要特别处理python文件列表。 所有非归档文件都需要放在将添加到PYTHONPATH的子目录中。
  • 更新配置里面的所有分布式文件的列表更新配置(conf存档除外)。 conf存档将由AM以不同方式处理。
  • 手动将conf存档上传到HDFS,并在配置中记录其位置。这将允许AM知道conf存档在HDFS中的位置,以便可以将其分发到容器中。
  • 手动将配置存档添加到缓存管理器,以便在设置正确文件的情况下启动AM。

    createConfArchive

    使用配置文件创建存档以进行分发。
    这些将由AM和执行者使用。 这些文件被压缩并作为存档添加到作业中,因此YARN会在分发给AM和执行程序时进行解压。 然后将此目录添加到AM和执行程序进程的类路径中,以确保每个人都使用相同的默认配置。
    这遵循启动脚本设置的优先顺序,其中HADOOP_CONF_DIR在YARN_CONF_DIR之前的类路径中显示。
    存档还包含一些Spark配置。 即,它将SparkConf的内容保存在由AM进程加载的文件中。

setupLaunchEnv

设置启动ApplicationMaster容器的环境。如DRIVER_CLASS_PATH, PYTHONPATH,PYSPARK_DRIVER_PYTHON, PYSPARK_PYTHON, PYTHONHASHSEED

createContainerLaunchContext

设置ContainerLaunchContext以启动我们的ApplicationMaster容器。 这将设置启动环境,java选项以及启动AM的命令。

monitorApplication

报告应用程序的状态,直到它已成功或由于某些故障退出,然后返回一对纱线应用状态(FINISHED, FAILED, KILLED, or RUNNING)和最终应用状态(FINISHED, FAILED, KILLED, or RUNNING)。

run

将应用程序提交到ResourceManager。
如果将spark.yarn.submit.waitAppCompletion设置为true,它将保持活动状态,报告应用程序的状态,直到应用程序因任何原因退出。 否则,客户端进程将在提交后退出。
如果应用程序以失败,终止或未定义状态完成,则抛出适当的SparkException。

以上是关于关于org.apache.spark.deploy.yarn.Client类的主要内容,如果未能解决你的问题,请参考以下文章

Spark 分布式环境---slave节点无法启动(已解决)

Spark运行模式:cluster与client

spark 体验点滴-client 与 cluster 部署

小记--------spark资源调度机制源码分析-----Schedule

Spark-源码-Spark-Submit 任务提交

Oozie Spark 使用 kerberos 访问 hive