Spark专业术语定义

Posted 2022-10-13 tiepihetao

  1.1.1. Application/App：Spark应用程序

  指的是用户编写的Spark应用程序/代码，包含了Driver功能代码和分布在集群中多个节点上运行的Executor代码。

  Spark应用程序，由一个或多个作业JOB组成(因为代码中可能会调用多次Action)，如下图所示:

  

 

  1.1.2.  Driver：驱动程序

 

1.   Spark中的Driver即运行上述Application的Main()函数并且创建SparkContext，其中创建SparkContext的目的是为了准备Spark应用程序的运行环境。
   

2.   在Spark中由SparkContext负责和ClusterManager通信，进行资源的申请、任务的分配和监控等;
   

3.   当Executor部分运行完毕后，Driver负责将SparkContext关闭。
   

4.   通常SparkContext代表Driver，如下图所示:

 

  

 

  1.1.3.  Cluster Manager：资源管理器

  指的是在集群上获取资源的外部服务，常用的有：

 

1.   Standalone，Spark原生的资源管理器，由Master负责资源的分配;

2.   Haddop Yarn，由Yarn中的ResourcesManager负责资源的分配;

3.   Messos，由Messos中的Messos Master负责资源管理，

 

  如下图所示:

 

  1.1.4.  Worker：计算节点

  集群中任何可以运行Application代码的节点，类似于Yarn中的NodeManager节点。

 

1.   在Standalone模式中指的就是通过Slave文件配置的Worker节点，

2.   在Spark on Yarn模式中指的就是NodeManager节点，

3.   在Spark on Messos模式中指的就是Messos Slave节点，

 

  如下图所示:

  

 

  1.1.5.  Executor：执行器

  Application运行在Worker节点上的一个进程，该进程负责运行Task，并且负责将数据存在内存或者磁盘上，

  每个Application都有各自独立的一批Executor，

  如下图所示:

  

 

  1.1.6.  RDD：弹性分布式数据集

  Resillient Distributed Dataset，Spark的基本计算单元，可以通过一系列算子进行操作(主要有Transformation和Action操作)，

  如下图所示:

  

 

  1.1.7.  NarrowDependency窄依赖

  父RDD一个分区被一个子RDD的分区所依赖;

  如图所示:

  

 

  1.1.8.  ShuffleDependency宽依赖

  父RDD的一个分区都被子RDD多个分区所使用/依赖

  如图所示:

  

 

1.   ●常见的窄依赖有：
2.   map、filter、union、mapPartitions、mapValues、join
3.   ●常见的宽依赖有：
4.   groupByKey、partitionBy、reduceByKey、join

  1.1.9.  DAG：有向无环图

  Directed Acycle graph，反应RDD之间的依赖关系，

  DAG其实就是一个JOB(会根据依赖关系被划分成多个Stage)

  注意:一个Spark程序会有1~n个DAG,调用一次Action就会形成一个DAG

  如图所示:

  

 

  1.1.10.DAGScheduler：有向无环图调度器

  基于DAG划分Stage 并以TaskSet的形式提交Stage给TaskScheduler;

  负责将作业拆分成不同阶段的具有依赖关系的多批任务;

  最重要的任务之一就是：计算作业和任务的依赖关系，制定调度逻辑。

  在SparkContext初始化的过程中被实例化，一个SparkContext对应创建一个DAGScheduler。

 

 

 

  ●总结：DAGScheduler完成以下工作:

  1.  DAGScheduler划分Stage(TaskSet)，记录哪个RDD或者 Stage 输出被物化(缓存)，通常在一个复杂的shuffle之后，通常物化一下(cache、persist)，方便之后的计算。

  2.  重新提交出错/失败的Stage(shuffle输出丢失的stage/stage内部计算出错)

  3.  将 Taskset 传给底层调度器

 

•   spark-cluster TaskScheduler
  

•   yarn-cluster YarnClusterScheduler
  

•   yarn-client YarnClientClusterScheduler

 

  

 

  1.1.11.TaskScheduler：任务调度器

  将Taskset提交给worker(集群)运行并回报结果;

  负责每个具体任务的实际物理调度。

 

  ●总结：TaskScheduler完成以下工作:

  1.  为每一个TaskSet构建一个TaskSetManager 实例管理这个TaskSet 的生命周期

  2.  数据本地性决定每个Task最佳位置(移动计算比移动数据更划算)

  3.  提交 taskset(一组task) 到集群运行并监控

  4.  推测执行，碰到 straggle(计算缓慢) 任务需要放到别的节点上重试

  5.  重新提交Shuffle输出丢失的Stage给DAGScheduler

    如图所示:

 

  1.1.12.Job：作业

  由一个或多个调度阶段Stage所组成的一次计算作业;

  包含多个Task组成的并行计算，往往由Spark Action催生，

  一个JOB包含多个RDD及作用于相应RDD上的各种Operation。

  一个DAG其实就是一个Job

  如图所示:

  

 

  1.1.13.Stage：阶段

  一个任务集对应的调度阶段;

  一个Stage ==> 一个TaskSet

  DAG会根据shuffle/宽依赖划分Stage(也就是TaskSet)

  每个Job会被拆分很多组TaskSet，每组任务被称为Stage，也可称TaskSet，一个作业分为多个阶段;

  Stage分成两种类型ShuffleMapStage、ResultStage。

  如图所示:

  

 

  1.1.14. TaskSet：任务集

  由一组关联的，但相互之间没有Shuffle依赖关系的任务所组成的任务集。

  也就是一个Stage一个TaskSet

  如图所示:

  

 

  注意：

  1)一个Stage创建一个TaskSet;

  2)Stage的每个Rdd分区会创建一个Task,多个Task封装成TaskSet

  1.1.15.Task：任务

  被送到某个Executor上的工作任务;单个分区数据集上的最小处理流程单元。

  如图所示:

  

 

  1.1.16. 整体图示