Spark作业基本运行原理解析！

1、基本原理

Spark作业的运行基本原理如下图所示：

我们使用spark-submit提交一个Spark作业之后，这个作业就会启动一个对应的Driver进程。提交作业的节点称为Master节点，Driver进程就是开始执行你Spark程序的那个Main函数（Driver进程不一定在Master节点上）。根据你使用的部署模式（deploy-mode）不同，Driver进程可能在本地启动，也可能在集群中某个工作节点上启动。

Driver进程本身会根据我们设置的参数，占有一定数量的内存和CPU core。而Driver进程要做的第一件事情，就是向集群管理器申请运行Spark作业需要使用的资源，这里的资源指的就是Executor进程。YARN集群管理器会根据我们为Spark作业设置的资源参数，在各个工作节点Worker上，启动一定数量的Executor进程，每个Executor进程都占有一定数量的内存和CPU core。

在申请到了作业执行所需的资源之后，Driver进程就会开始调度和执行我们编写的作业代码了。Driver进程会将我们编写的Spark作业代码分拆为多个stage，每个stage执行一部分代码片段，并为每个stage创建一批task，然后将这些task分配到各个Executor进程中执行。task是最小的计算单元，负责执行一模一样的计算逻辑（也就是我们自己编写的某个代码片段），只是每个task处理的数据不同而已。一个stage的所有task都执行完毕之后，会在各个节点本地的磁盘文件中写入计算中间结果，然后Driver就会调度运行下一个stage。下一个stage的task的输入数据就是上一个stage输出的中间结果。如此循环往复，直到将我们自己编写的代码逻辑全部执行完，并且计算完所有的数据，得到我们想要的结果为止。

有了一个整体的认识，我们来看一下具体的细节。

2、过程细节

2.1 部署模式

部署模式通常有两种，client模式和cluster模式。

client模式

client模式的示意图如下：

对于client模式来说，需要注意的有以下几点： 1、client mode下Driver进程运行在Master节点上，不在Worker节点上，所以相对于参与实际计算的Worker集群而言，Driver就相当于是一个第三方的“client” 2、正由于Driver进程不在Worker节点上，所以其是独立的，不会消耗Worker集群的资源 3、client mode下Master和Worker节点必须处于同一片局域网内，因为Drive要和Executorr通信，例如Drive需要将Jar包通过Netty HTTP分发到Executor，Driver要给Executor分配任务等 4、client mode下没有监督重启机制，Driver进程如果挂了，需要额外的程序重启

cluster模式

cluster模式示意图如下：

对于cluster模式来说，需要注意以下几点： 1、Driver程序在worker集群中某个节点，而非Master节点，但是这个节点由Master指定 2、Driver程序占据Worker的资源 3、cluster mode下Master可以使用–supervise对Driver进行监控，如果Driver挂了可以自动重启 4、cluster mode下Master节点和Worker节点一般不在同一局域网，因此就无法将Jar包分发到各个Worker，所以cluster mode要求必须提前把Jar包放到各个Worker几点对应的目录下面

一般来说，如果提交任务的节点Master和工作集群Workers在同一个网段内，此时client模式比较合适，因为此时Driver进程不会占用集群资源，但是如果提交任务的节点和Worker集群相隔较远，就会采用cluster model来最小化Driver和Executer之间的网络延迟。

2.2 RDD的结构及task的划分

一个RDD在物理上被切分为多个Partition，即数据分区，这些Partition可以分布在不同的节点上。Partition是Spark计算任务的基本处理单位，决定了并行计算的粒度，而Partition中的每一条Record为基本处理对象。而一个task用于计算RDD中的一个Partition，如下图所示：

上图显示了一个groupByKey算子，左侧的RDD中有3个Partition，右侧的RDD有两个Partition。因此在进行groupByKey操作时，会产生两个Task。

2.3 宽依赖和窄依赖

在Spark的任务中，一个RDD转换成另一个RDD的过程中，涉及到宽窄依赖的问题，在宽依赖的地方会形成数据的shuffle并划分stage，因此我们先来讲一下宽窄依赖问题。

窄依赖

窄依赖是RDD中最常见的依赖关系，用于表示每一个父RDD的一个Partition最多被子RDD的1个Partition所使用。如下图都是窄依赖：

窄依赖可以分为两类，一对一的依赖关系和范围依赖关系，如果子RDD最多依赖于1个父RDD，那么就是一对一的依赖关系，如上图中的map，filter和与协同分区的输入值进行join操作。如果子RDD依赖于多个父RDD，那么就是范围依赖关系，如上图的union。

宽依赖

宽依赖表示一个父RDD的Partition会被多个子RDD的Partition使用，如下图：

宽依赖中会出现数据Shuffle操作，因此也就有了Stage的划分。

2.4 RDD的算子

在RDD中有两种算子：transformation和action算子。

Transformation算子

Transformation算子会由一个RDD生成一个新的 RDD。Transformation算子是延迟计算的，也就是说从一个RDD转换生成另一个RDD的转换操作不是马上执行，需要等到Actions算子时，才真正开始运算。常见的Transformation算子如下：

Action算子

Action算子会对 RDD 计算出一个结果，并把结果返回到驱动器程序中，或把结果存储到外部存储系统（如 HDFS）中，常见的Action算子如下：

2.5 Job和Stage的划分

介绍了RDD中的宽窄依赖以及两种算子，接下来介绍一下Job和Stage的划分。每一次的Action算子都会产生一个Job，每一个Job中根据RDD之间的宽窄依赖关系产生多个Stage。我们重点来介绍一下Stage的划分。

Stage划分

Stage划分的重点是RDD之间的宽依赖关系，如下图所示，产生G的过程中划分了3个Stage。

A和B之间是groupBy操作，由于B中每一个Partition依赖于A中多个Partition，因此是宽依赖，产生shuffle。A和B处于不同的Stage。B到G是窄依赖，不会划分Stage。C到D，D到F，E到F都是窄依赖，它们在一个Stage中。F到G是宽依赖，产生Shuffle，因此F和G划分为两个Stage，因此上图中总共有3个Stage存在。

每个Stage中又有多个task，这主要是根据RDD的partition决定的，上文中已经说到过了，这里不再赘述。

2.6 其他重要概念

我们用下面的图来感受一下：

Application

用户自己写的Spark应用程序，批处理作业的集合。Application的main方法为应用程序的入口，用户通过Spark的API，定义了RDD和对RDD的操作。

Driver 和 Executer

Spark在执行每个Application的过程中会启动Driver和Executor两种JVM进程： Driver进程为主控进程，负责执行用户Application中的main方法，提交Job，并将Job转化为Task，在各个Executor进程间协调Task的调度。而运行在Worker上的Executor进程负责执行Task，并将结果返回给Driver，同时为需要缓存的RDD提供存储功能。

Master和Worker

整个集群分为 Master 节点和 Worker 节点，相当于 Hadoop 的 Master 和 Slave 节点。Master 节点上常驻 Master 守护进程，负责管理全部的 Worker 节点。Worker 节点上常驻 Worker 守护进程，负责与 Master 节点通信并管理 executors。

本文仅仅提供一个简单的Spark作业运行原理解析，更多复杂的知识，大家可以查阅更多的资料进行深入理解！

参考文献

https://tech.meituan.com/spark-tuning-basic.html https://blog.csdn.net/mahuacai/article/details/51919615 https://spark-internals.books.yourtion.com/markdown/1-Overview.html https://www.jianshu.com/p/e41b18a7e202