spark架构原理-4008云顶国际网站

相比mapreduce僵化的map与reduce分阶段计算相比，spark的计算框架更加富有弹性和灵活性，运行性能更佳。

1 spark的计算阶段

• mapreduce一个应用一次只运行一个map和一个reduce
• spark可根据应用的复杂度，分割成更多的计算阶段（stage），组成一个有向无环图dag，spark任务调度器可根据dag的依赖关系执行计算阶段

逻辑回归机器学习性能spark比mapreduce快100多倍。因为某些机器学习算法可能需要进行大量迭代计算，产生数万个计算阶段，这些计算阶段在一个应用中处理完成，而不是像mapreduce那样需要启动数万个应用，因此运行效率极高。

dag，有向无环图，不同阶段的依赖关系是有向的，计算过程只能沿依赖关系方向执行，被依赖的阶段执行完成前，依赖的阶段不能开始执行。该依赖关系不能有环形依赖，否则就死循环。

典型的spark运行dag的不同阶段：

整个应用被切分成3个阶段，阶段3需要依赖阶段1、2，阶段1、2互不依赖。spark执行调度时，先执行阶段1、2，完成后，再执行阶段3。对应spark伪代码：

rddb = rdda.groupby(key)
rddd = rddc.map(func)
rddf = rddd.union(rdde)
rddg = rddb.join(rddf)

所以spark作业调度执行的核心是dag，整个应用被切分成数个阶段，每个阶段的依赖关系也很清楚。根据每个阶段要处理的数据量生成任务集合（taskset），每个任务都分配一个任务进程去处理，spark就实现了大数据的分布式计算。

负责spark应用dag生成和管理的组件是dagscheduler，dagscheduler根据程序代码生成dag，然后将程序分发到分布式计算集群，按计算阶段的先后关系调度执行。

那么spark划分计算阶段的依据是什么呢？显然并不是rdd上的每个转换函数都会生成一个计算阶段，比如上面的例子有4个转换函数，但是只有3个阶段。

你可以再观察一下上面的dag图，关于计算阶段的划分从图上就能看出规律，当rdd之间的转换连接线呈现多对多交叉连接的时候，就会产生新的阶段。一个rdd代表一个数据集，图中每个rdd里面都包含多个小块，每个小块代表rdd的一个分片。

一个数据集中的多个数据分片需要进行分区传输，写入到另一个数据集的不同分片中，这种数据分区交叉传输的操作，我们在mapreduce的运行过程中也看到过。

是的，这就是shuffle过程，spark也需要通过shuffle将数据进行重新组合，相同key的数据放在一起，进行聚合、关联等操作，因而每次shuffle都产生新的计算阶段。这也是为什么计算阶段会有依赖关系，它需要的数据来源于前面一个或多个计算阶段产生的数据，必须等待前面的阶段执行完毕才能进行shuffle，并得到数据。

计算阶段划分的依据是shuffle，不是转换函数的类型，有的函数有时有shuffle，有时没有。如上图例子中rdd b和rdd f进行join，得到rdd g，这里的rdd f需要进行shuffle，rdd b不需要。

因为rdd b在前面一个阶段，阶段1的shuffle过程中，已进行了数据分区。分区数目和分区k不变，无需再shuffle：

• 这种无需进行shuffle的依赖，在spark里称作窄依赖
• 需要进行shuffle的依赖，被称作宽依赖

类似mapreduce，shuffle对spark也很重要，只有通过shuffle，相关数据才能互相计算。

既然都要shuffle，为何spark就更高效？

本质上看，spark算是一种mapreduce计算模型的不同实现。hadoop mapreduce简单粗暴根据shuffle将大数据计算分成map、reduce两阶段就完事。但spark更细，将前一个的reduce和后一个的map连接，当作一个阶段持续计算，形成一个更优雅、高效地计算模型，其本质依然是map、reduce。但这种多个计算阶段依赖执行的方案可有效减少对hdfs的访问，减少作业的调度执行次数，因此执行速度更快。

不同于hadoop mapreduce主要使用磁盘存储shuffle过程中的数据，spark优先使用内存进行数据存储，包括rdd数据。除非内存不够用，否则尽可能使用内存， 这也是spark性能比hadoop高的原因。

spark作业管理

spark里面的rdd函数有两种：

• 转换函数，调用以后得到的还是一个rdd，rdd的计算逻辑主要通过转换函数完成
• action函数，调用以后不再返回rdd。比如count()函数，返回rdd中数据的元素个数；saveastextfile(path)，将rdd数据存储到path路径下。spark的dagscheduler在遇到shuffle的时候，会生成一个计算阶段，在遇到action函数的时候，会生成一个作业（job）

rdd里面的每个数据分片，spark都会创建一个计算任务去处理，所以一个计算阶段含多个计算任务（task）。

作业、计算阶段、任务的依赖和时间先后关系：

横轴时间，纵轴任务。两条粗黑线之间是一个作业，两条细线之间是一个计算阶段。一个作业至少包含一个计算阶段。水平方向红色的线是任务，每个阶段由很多个任务组成，这些任务组成一个任务集合。

dagscheduler根据代码生成dag图后，spark任务调度就以任务为单位进行分配，将任务分配到分布式集群的不同机器上执行。

spark执行流程

spark支持standalone、yarn、mesos、k8s等多种部署方案，原理类似，仅是不同组件的角色命名不同。

spark cluster components：

首先，spark应用程序启动在自己的jvm进程里（driver进程），启动后调用sparkcontext初始化执行配置和输入数据。sparkcontext启动dagscheduler构造执行的dag图，切分成最小的执行单位-计算任务。

然后，driver向cluster manager请求计算资源，用于dag的分布式计算。cluster manager收到请求后，将driver的主机地址等信息通知给集群的所有计算节点worker。

worker收到信息后，根据driver的主机地址，跟driver通信并注册，然后根据自己的空闲资源向driver通报自己可以领用的任务数。driver根据dag图开始向注册的worker分配任务。

worker收到任务后，启动executor进程执行任务。executor先检查自己是否有driver的执行代码，若无，从driver下载执行代码，通过java反射加载后开始执行。

总结

相比 mapreduce，spark的主要特性：

• rdd编程模型更简单
• dag切分的多阶段计算过程更快
• 使用内存存储中间计算结果更高效

spark在2012年开始流行，那时内存容量提升和成本降低已经比mapreduce出现的十年前强了一个数量级，spark优先使用内存的条件已经成熟。

参考