基于YARN的SPARK管理过程

基于YARN的SPARK管理过程

前言

MapReduce与Spark中Job概念的区别

在MapReduce中的一个抽象概念是Job,在Job执行时系统会加载数据,然后执行Map, Shuffle, Reduce等操作,再对结果进行持久化。

在Spark中则是有Application,一个Application下面有多个Job,多个Job可以并行也可以串行,一个Job由多个Stage组成。

Spark执行过程中各组成部分介绍

Application

一个Application与Spark API接口中的一个SparkContext相对应(目前有更高级的抽象SparkSession封装着SparkContext)。

一个Application可以用于:

  • 一批Job(如:一个包含SparkContext的脚本,在限定时间内执行完成)
  • 一个有多个Job的交互式会话(如:Spark Shell)
  • 一个长期存活的Server程序(如:带SparkContext,死循环接收Spark任务的Server脚本)

Application在Spark集群中会拥有执行进程,称为Executors。Executors即便在没有Job可运行的情况下也会运行在集群中。

Job

一个Job则拆分成不同的stage。

** Stage**

一个Stage则包含Map, Shuffle, Reduce等操作。一个Stage可进一步细化为一系列Task。

Task

一个Stage细化为一系列Task,这些Task都执行相同的代码,只是执行在输入数据集上的不同部分。

Executors

在MapReduce中每个Task运行在各自的进程中,当Task结束的时候,杀掉进程。

在Spark中多个Task可以并行的运行在一个进程中,即Executor。这个进程即便在没有Job可运行的情况下也会运行在集群中,生命周期与Application一样长。(好处是调用速度快,坏处是资源利用率不高)

一个节点中可以有多个Executor。

Driver

Driver进程负责运行Spark Context,将Application转化为DAG图,以及初始化Job。

Driver与Application一一对应。

Resource Management

Spark支持三种类型集群管理方式:YARN, Mesos, Standalone

三种方式都由两部分组成:

  • Central Master Service:<u>YARN ResourceManager</u>, <u>Mesos Master</u>, <u>Spark Standalone Master</u>
  • Slave Service:<u>YARN NodeManager</u>, <u>Mesos Slave</u>, <u>Spark Standalone Slave</u>

Central Master Service用于决定Applications的运行时机、地方。
Slave Service运行在各个节点 ,真正的启用Executor进程。有时会监测Executor的是否活着,还有其资源消费情况。

基于YARN的Spark资源管理

YARN结合Spark运行方式简介

一个Spark Executor以一个YARN Container的形式运行。Spark在一个Container中持有多个Task。

Spark支持两种运行在YARN上的方式:"yarn-cluster", "yarn-client"

YARN Cluster模式

一个Application实例对应一个Application Master进程,也是运行在一个YARN Container中,并且是第一个Container。

Application Master负责从Resource Manager处获取资源(合适的Hosts和Containers),再通知NodeManagers启动Containers。

YARN Cluster Mode

YARN Client模式

Application Master只负责从Resource Manager处获取资源。由Client与各个Container进行通信确认如何工作。

YARN Client Mode

YARN Cluster模式与Client模式的区别

||YARN Cluster|YARN Client|
|:---|:---|:---|
|Driver runs in|Application Master|Client|
|Who controls running process|Application Master|Client|
|Spark interactively, like spark-shell|No|Yes|

|Spark driver run inside client process (initiates the Spark Application)|No|Yes|

参考文献

[1] http://blog.cloudera.com/blog/2014/05/apache-spark-resource-management-and-yarn-app-models/
[2] http://blog.cloudera.com/blog/2015/03/how-to-tune-your-apache-spark-jobs-part-1/
[3] https://spark.apache.org/docs/1.0.2/job-scheduling.html

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,743评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,296评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,285评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,485评论 1 283
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,581评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,821评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,960评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,719评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,186评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,516评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,650评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,329评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,936评论 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,757评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,991评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,370评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,527评论 2 349

推荐阅读更多精彩内容