剖析spark作业运行机制

剖析spark作业运行机制主要内容2Spark运行机制Spark运行机制特点3一、spark运行机制4Spark运行机制流程图5Spark运行机制构建SparkApplication的运行环境，启动SparkContextSparkContext向资源管理器（可以是Standalone，Mesos，Yarn）申请运行Executor资源，并启动StandaloneExecutorbackend，Executor向SparkContext申请TaskSparkContext将应用程序分发给ExecutorSparkContext构建成DAG图，将DAG图分解成Stage、将Taskset发送给TaskScheduler，最后由TaskScheduler将Task发送给Executor运行Task在Executor上运行，运行完释放所有资源

6Spark运行机制1）第一步：生成RDD

Spark本身对RDD的操作模式是惰性计算。在惰性计算机制中，尽管每一次算子操作都会将一个RDD转换成一个新的RDD，并且逻辑上会顺序的执行这一系列计算，但是这些RDD的操作并不是立即执行的，而是会等到出现行动算子时才触发整个RDD操作序列，将之前的所有算子操作形成一个有向无环图（DirectedAcyclicGraph，DAG），每个有向无环图再触发执行一个作业（Job）。例如，WordCount程序中，只有程序执行到saveAsTextFile时，Spark才对RDD进行真正的处理，将之前的flatMap、map、reduceByKey和saveAsTextFile这些算子连成一个有向无环图，并向Spark提交该作业。

采用惰性计算的优势：

1.相关的操作序列可以进行连续计算，不用为存储的中间结果离散的独立分配内存空间；

2.节省存储空间，为之后对RDD变换操作的优惠提供了条件；

7Spark运行机制（2）第二步：生成Stage

Driver节点中的DAGSchedule实例会对有向无环图中节点间的依赖关系进行遍历，将所有操作切分为多个调度阶段（Stage）；

（3）第三步：生成Task

每个Stage需要转换成任务在集群中的Worker节点上执行，因此，由Driver节点中的TaskSchedule实例将Stage转换为Task，并提交到Worker节点的Executor进程中执行；8二、RDD特点9RDD特点1.Alistofpartitions2.Afunctionforcomputingeachsplit3.AlistofdependenciesonotherRDDs4.Optionally,aPartitionerforkey-valueRDDs5.Optionally,alistofpreferredlocationstocomputeeachspliton101.Alistofpartitions

RDD由很多partition构成，在spark中，计算式，有多少partition就对应有多少个task来执行

一组分片（partition），即数据集的基本组成单位，对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数，如果没有指定，那么就会采用默认值。默认值就是程序所分配到的CPUCore的数目。每个分配的存储是由BlockManager实现的，每个分区都会被逻辑映射成BlockManager的一个Block，而这个Block会被一个Task负责计算。112.Afunctionforcomputingeachsplit

对RDD做计算，相当于对RDD的每个split或partition做计算

Spark中的RDD的计算是以分片为单位的，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果123.AlistofdependenciesonotherRDDs

RDD之间有依赖关系，可溯源

RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后依赖关系。在部分分区数据丢失时，Spark可以通过这个依赖关系重新计算丢失的分区数据，而不是对RDD的所有分区进行重新计算134.Optionally,aPartitionerforkey-valueRDDs

如果RDD里面存的数据是key-value形式，则可以传递一个自定义的Partitioner进行重新分区，比如可以按key的hash值分区

一个partitioner，即RDD的分片函数。当前Spark中实现了两种类型的分片函数，一个是基于哈希的HashPartitioner，另外一个基于范围的RangePartitioner。只有对于key-value的RDD，才会有Partitioner，非key-value的RDD的Partitioner的值是None。Partitioner函数不但决定了RDD本身的分片数量，也决定了parentRDDShuffle输出时的分片数量145.Optionally,alistofpreferredlocationstocomputeeachspliton

最优的位置去计算，也就是数据的本地性

计算每个split时，在split所在机器的本地上运行task是最好的，避免了数据的移动