深入理解Spark 2.1 Core （五）：Standalone模式
概述
前幾篇博文都在介紹Spark的排程，這篇博文我們從更加宏觀的排程看Spark，講講Spark的部署模式。Spark部署模式分以下幾種：
local 模式
local-cluster 模式
Standalone 模式
YARN 模式
Mesos 模式
我們先來簡單介紹下YARN模式，然後深入講解Standalone模式。
YARN 模式介紹
YARN介紹
YARN是一個資源管理、任務排程的框架，主要包含三大模組：ResourceManager（RM）、NodeManager（NM）、ApplicationMaster（AM）。
其中，ResourceManager負責所有資源的監控、分配和管理；ApplicationMaster負責每一個具體應用程式的排程和協調；NodeManager負責每一個節點的維護。
對於所有的applications，RM擁有絕對的控制權和對資源的分配權。而每個AM則會和RM協商資源，同時和NodeManager通訊來執行和監控task。幾個模組之間的關係如圖所示。
這裡寫圖片描述
Yarn Cluster 模式
這裡寫圖片描述
Spark的Yarn Cluster 模式流程如下：
本地用YARN Client 提交App 到 Yarn Resource Manager
-
Yarn Resource Manager 選個 YARN Node Manager，用它來
建立個ApplicationMaster，SparkContext相當於是這個ApplicationMaster管的APP，生成YarnClusterScheduler與YarnClusterSchedulerBackend
選擇叢集中的容器啟動CoarseCrainedExecutorBackend，用來啟動spark.executor。
ApplicationMaster與CoarseCrainedExecutorBackend會有遠端呼叫。
Yarn Client 模式
這裡寫圖片描述
Spark的Yarn Client 模式流程如下：
本地啟動SparkContext，生成YarnClientClusterScheduler 和 YarnClientClusterSchedulerBackend
YarnClientClusterSchedulerBackend啟動yarn.Client，用它提交App 到 Yarn Resource Manager
Yarn Resource Manager 選個 YARN Node Manager，用它來選擇叢集中的容器啟動CoarseCrainedExecutorBackend，用來啟動spark.executor
YarnClientClusterSchedulerBackend與CoarseCrainedExecutorBackend會有遠端呼叫。
Standalone 模式介紹
這裡寫圖片描述
啟動app，在SparkContxt啟動過程中，先初始化DAGScheduler 和 TaskScheduler，並初始化 SparkDeploySchedulerBackend，並在其內部啟動DriverEndpoint和ClientEndpoint。
ClientEndpoint想Master註冊app，Master收到註冊資訊後把該app加入到等待執行app列表中，等待由Master分配給該app worker。
app獲取到worker後，Master通知Worker的WorkerEndpont建立CoarseGrainedExecutorBackend程式，在該程式中建立執行容器executor
executor建立完畢後傳送資訊給Master和DriverEndpoint，告知Executor建立完畢，在SparkContext註冊，後等待DriverEndpoint傳送執行任務的訊息。
SparkContext分配TaskSet給CoarseGrainedExecutorBackend，按一定排程策略在executor執行。詳見：與
CoarseGrainedExecutorBackend在Task處理的過程中，把處理Task的狀態傳送給DriverEndpoint，Spark根據不同的執行結果來處理。若處理完畢，則繼續傳送其他TaskSet。詳見：
app執行完成後，SparkContext會進行資源回收，銷燬Worker的CoarseGrainedExecutorBackend程式，然後登出自己。
Standalone 啟動叢集
這裡寫圖片描述
啟動Master
master.Master
我們先來看下Master物件的main函式做了什麼：
private[deploy] object Master extends Logging { val SYSTEM_NAME = "sparkMaster"
val ENDPOINT_NAME = "Master"
def main(argStrings: Array[String]) { Utils.initDaemon(log) //建立SparkConf
val conf = new SparkConf
//解析SparkConf引數
val args = new MasterArguments(argStrings, conf) val (rpcEnv, _, _) = startRpcEnvAndEndpoint(args.host, args.port, args.webUiPort, conf)
rpcEnv.awaitTermination()
} def startRpcEnvAndEndpoint(
host: String,
port: Int,
webUiPort: Int,
conf: SparkConf): (RpcEnv, Int, Option[Int]) = { val securityMgr = new SecurityManager(conf) val rpcEnv = RpcEnv.create(SYSTEM_NAME, host, port, conf, securityMgr) //建立Master
val masterEndpoint = rpcEnv.setupEndpoint(ENDPOINT_NAME, new Master(rpcEnv, rpcEnv.address, webUiPort, securityMgr, conf)) val portsResponse = masterEndpoint.askWithRetry[BoundPortsResponse](BoundPortsRequest) //返回 Master RpcEnv，
//web UI 埠，
//其他服務的埠
(rpcEnv, portsResponse.webUIPort, portsResponse.restPort)
}
}
master.MasterArguments
接下來我們看看master是如何解析引數的：
private[master] class MasterArguments(args: Array[String], conf: SparkConf) extends Logging { //預設配置
var host = Utils.localHostName() var port = 7077
var webUiPort = 8080
//Spark屬性檔案
//預設為 spark-default.conf
var propertiesFile: String = null
// 檢查環境變數
if (System.getenv("SPARK_MASTER_IP") != null) {
logWarning("SPARK_MASTER_IP is deprecated, please use SPARK_MASTER_HOST")
host = System.getenv("SPARK_MASTER_IP")
} if (System.getenv("SPARK_MASTER_HOST") != null) {
host = System.getenv("SPARK_MASTER_HOST")
} if (System.getenv("SPARK_MASTER_PORT") != null) {
port = System.getenv("SPARK_MASTER_PORT").toInt
} if (System.getenv("SPARK_MASTER_WEBUI_PORT") != null) {
webUiPort = System.getenv("SPARK_MASTER_WEBUI_PORT").toInt
}
parse(args.toList) // 轉變SparkConf
propertiesFile = Utils.loadDefaultSparkProperties(conf, propertiesFile) //環境變數的SPARK_MASTER_WEBUI_PORT
//會被Spark屬性spark.master.ui.port所覆蓋
if (conf.contains("spark.master.ui.port")) {
webUiPort = conf.get("spark.master.ui.port").toInt
} //解析命令列引數
//命令列引數會把環境變數和Spark屬性都覆蓋
@tailrec
private def parse(args: List[String]): Unit = args match { case ("--ip" | "-i") :: value :: tail => Utils.checkHost(value, "ip no longer supported, please use hostname " + value)
host = value
parse(tail) case ("--host" | "-h") :: value :: tail => Utils.checkHost(value, "Please use hostname " + value)
host = value
parse(tail) case ("--port" | "-p") :: IntParam(value) :: tail =>
port = value
parse(tail) case "--webui-port" :: IntParam(value) :: tail =>
webUiPort = value
parse(tail) case ("--properties-file") :: value :: tail =>
propertiesFile = value
parse(tail) case ("--help") :: tail =>
printUsageAndExit(0) case Nil =>
case _ =>
printUsageAndExit(1)
} private def printUsageAndExit(exitCode: Int) { System.err.println( "Usage: Master [options]n" + "n" + "Options:n" + " -i HOST, --ip HOST Hostname to listen on (deprecated, please use --host or -h) n" + " -h HOST, --host HOST Hostname to listen onn" + " -p PORT, --port PORT Port to listen on (default: 7077)n" + " --webui-port PORT Port for web UI (default: 8080)n" + " --properties-file FILE Path to a custom Spark properties file.n" + " Default is conf/spark-defaults.conf.") System.exit(exitCode)
}
}
我們可以看到上述引數設定的優先順序別為：
$large系統環境變數 < spark-default.conf中的屬性 < 命令列引數 < 應用級程式碼中的引數設定$
啟動Worker
worker.Worker
我們先來看下Worker物件的main函式做了什麼：
private[deploy] object Worker extends Logging { val SYSTEM_NAME = "sparkWorker"
val ENDPOINT_NAME = "Worker"
def main(argStrings: Array[String]) { Utils.initDaemon(log) //建立SparkConf
val conf = new SparkConf
//解析SparkConf引數
val args = new WorkerArguments(argStrings, conf) val rpcEnv = startRpcEnvAndEndpoint(args.host, args.port, args.webUiPort, args.cores,
args.memory, args.masters, args.workDir, conf = conf)
rpcEnv.awaitTermination()
} def startRpcEnvAndEndpoint(
host: String,
port: Int,
webUiPort: Int,
cores: Int,
memory: Int,
masterUrls: Array[String],
workDir: String,
workerNumber: Option[Int] = None,
conf: SparkConf = new SparkConf): RpcEnv = { val systemName = SYSTEM_NAME + workerNumber.map(_.toString).getOrElse("") val securityMgr = new SecurityManager(conf) val rpcEnv = RpcEnv.create(systemName, host, port, conf, securityMgr) val masterAddresses = masterUrls.map(RpcAddress.fromSparkURL(_)) //建立Worker
rpcEnv.setupEndpoint(ENDPOINT_NAME, new Worker(rpcEnv, webUiPort, cores, memory,
masterAddresses, ENDPOINT_NAME, workDir, conf, securityMgr))
rpcEnv
}
***
worker.WorkerArguments
worker.WorkerArguments與master.MasterArguments類似：
private[worker] class WorkerArguments(args: Array[String], conf: SparkConf) { var host = Utils.localHostName() var port = 0
var webUiPort = 8081
var cores = inferDefaultCores() var memory = inferDefaultMemory() var masters: Array[String] = null
var workDir: String = null
var propertiesFile: String = null
// 檢查環境變數
if (System.getenv("SPARK_WORKER_PORT") != null) {
port = System.getenv("SPARK_WORKER_PORT").toInt
} if (System.getenv("SPARK_WORKER_CORES") != null) {
cores = System.getenv("SPARK_WORKER_CORES").toInt
} if (conf.getenv("SPARK_WORKER_MEMORY") != null) {
memory = Utils.memoryStringToMb(conf.getenv("SPARK_WORKER_MEMORY"))
} if (System.getenv("SPARK_WORKER_WEBUI_PORT") != null) {
webUiPort = System.getenv("SPARK_WORKER_WEBUI_PORT").toInt
} if (System.getenv("SPARK_WORKER_DIR") != null) {
workDir = System.getenv("SPARK_WORKER_DIR")
}
parse(args.toList) // 轉變SparkConf
propertiesFile = Utils.loadDefaultSparkProperties(conf, propertiesFile) if (conf.contains("spark.worker.ui.port")) {
webUiPort = conf.get("spark.worker.ui.port").toInt
}
checkWorkerMemory() @tailrec
private def parse(args: List[String]): Unit = args match { case ("--ip" | "-i") :: value :: tail => Utils.checkHost(value, "ip no longer supported, please use hostname " + value)
host = value
parse(tail) case ("--host" | "-h") :: value :: tail => Utils.checkHost(value, "Please use hostname " + value)
host = value
parse(tail) case ("--port" | "-p") :: IntParam(value) :: tail =>
port = value
parse(tail) case ("--cores" | "-c") :: IntParam(value) :: tail =>
cores = value
parse(tail) case ("--memory" | "-m") :: MemoryParam(value) :: tail =>
memory = value
parse(tail) //工作目錄
case ("--work-dir" | "-d") :: value :: tail =>
workDir = value
parse(tail) case "--webui-port" :: IntParam(value) :: tail =>
webUiPort = value
parse(tail) case ("--properties-file") :: value :: tail =>
propertiesFile = value
parse(tail) case ("--help") :: tail =>
printUsageAndExit(0) case value :: tail => if (masters != null) { // Two positional arguments were given
printUsageAndExit(1)
}
masters = Utils.parseStandaloneMasterUrls(value)
parse(tail) case Nil => if (masters == null) { // No positional argument was given
printUsageAndExit(1)
} case _ =>
printUsageAndExit(1)
}
***
資源回收
我們在概述中提到了“ app執行完成後，SparkContext會進行資源回收，銷燬Worker的CoarseGrainedExecutorBackend程式，然後登出自己。”接下來我們就來講解下Master和Executor是如何感知到Application的退出的。
呼叫棧如下：
SparkContext.stop
-
DAGScheduler.stop
CoarseGrainedSchedulerBackend.stop
CoarseGrainedSchedulerBackend.DriverEndpoint.receiveAndReply
CoarseGrainedSchedulerBackend.DriverEndpoint.receiveAndReply
Executor.stop
CoarseGrainedExecutorBackend.receive
CoarseGrainedSchedulerBackend.stopExecutors
TaskSchedulerImpl.stop
SparkContext.stop
SparkContext.stop會呼叫DAGScheduler.stop
*** if (_dagScheduler != null) { Utils.tryLogNonFatalError {
_dagScheduler.stop()
}
_dagScheduler = null
}
***
DAGScheduler.stop
DAGScheduler.stop會呼叫TaskSchedulerImpl.stop
def stop() { //停止訊息排程
messageScheduler.shutdownNow() //停止事件處理迴圈
eventProcessLoop.stop() //呼叫TaskSchedulerImpl.stop
taskScheduler.stop()
}
TaskSchedulerImpl.stop
TaskSchedulerImpl.stop會呼叫CoarseGrainedSchedulerBackend.stop
override def stop() { //停止推斷
speculationScheduler.shutdown() //呼叫CoarseGrainedSchedulerBackend.stop
if (backend != null) {
backend.stop()
} //停止結果獲取
if (taskResultGetter != null) {
taskResultGetter.stop()
}
starvationTimer.cancel()
}
CoarseGrainedSchedulerBackend.stop
override def stop() { //呼叫stopExecutors()
stopExecutors() try { if (driverEndpoint != null) { //傳送StopDriver訊號
driverEndpoint.askWithRetry[Boolean](StopDriver)
}
} catch { case e: Exception => throw new SparkException("Error stopping standalone scheduler's driver endpoint", e)
}
}
CoarseGrainedSchedulerBackend.stopExecutors
我們先來看下CoarseGrainedSchedulerBackend.stopExecutors
def stopExecutors() { try { if (driverEndpoint != null) {
logInfo("Shutting down all executors") //傳送StopExecutors訊號
driverEndpoint.askWithRetry[Boolean](StopExecutors)
}
} catch { case e: Exception => throw new SparkException("Error asking standalone scheduler to shut down executors", e)
}
}
CoarseGrainedSchedulerBackend.DriverEndpoint.receiveAndReply
DriverEndpoint接收並回應該訊號：
case StopExecutors =>
logInfo("Asking each executor to shut down") for ((_, executorData) <- executorDataMap) { //給CoarseGrainedExecutorBackend傳送StopExecutor訊號
executorData.executorEndpoint.send(StopExecutor)
}
context.reply(true)
CoarseGrainedExecutorBackend.receive
CoarseGrainedExecutorBackend接收該訊號：
case StopExecutor =>
stopping.set(true)
logInfo("Driver commanded a shutdown") //這裡並沒有直接關閉Executor，
//因為Executor必須先返回確認幀給CoarseGrainedSchedulerBackend
//所以，這的策略是給自己再發一個Shutdown訊號，然後處理
self.send(Shutdown)
case Shutdown =>
stopping.set(true) new Thread("CoarseGrainedExecutorBackend-stop-executor") { override def run(): Unit = { // executor.stop() 會呼叫 `SparkEnv.stop()`
// 直到 RpcEnv 徹底結束
// 但是, 如果 `executor.stop()` 執行在和RpcEnv相同的執行緒裡面,
// RpcEnv 會等到`executor.stop()`結束後才能結束，
// 這就產生了死鎖
// 因此，我們需要新建一個執行緒
executor.stop()
}
Executor.stop
def stop(): Unit = {
env.metricsSystem.report() //關閉心跳
heartbeater.shutdown()
heartbeater.awaitTermination(10, TimeUnit.SECONDS) //關閉執行緒池
threadPool.shutdown() if (!isLocal) { //停止SparkEnv
env.stop()
}
}
CoarseGrainedSchedulerBackend.DriverEndpoint.receiveAndReply
我們回過頭來看CoarseGrainedSchedulerBackend.stop，呼叫stopExecutors()結束後，會給 driverEndpoint傳送StopDriver訊號。CoarseGrainedSchedulerBackend.DriverEndpoint.接收訊號並回復：
case StopDriver => context.reply(true) //停止driverEndpoint stop()
作者：小爺Souljoy
連結：
來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/1834/viewspace-2819261/，如需轉載，請註明出處，否則將追究法律責任。
相關文章
- Spark開發-Standalone模式Spark模式
- Spark Standalone模式 高可用部署Spark模式
- 深入理解Spark 2.1 Core （四）：運算結果處理和容錯的原理Spark
- 【Spark篇】--Spark中Standalone的兩種提交模式Spark模式
- 部署spark2.2叢集(standalone模式)Spark模式
- Windows上搭建Standalone模式的Spark環境Windows模式Spark
- Spark Standalone模式 Master程式掛掉問題Spark模式AST
- spark 2.1.0 standalone模式配置&&打包jar包透過spark-submit提交Spark模式JARMIT
- spark之 spark 2.2.0 Standalone安裝、wordCount演示Spark
- Reactor:深入理解reactor coreReact
- 《深入理解Spark》之Spark的整體執行流程Spark
- 深入理解代理模式模式
- 《深入理解Spark》之sparkSQL 處理流程SparkSQL
- 深入理解spark之架構與原理Spark架構
- 深入理解工廠模式模式
- 深入理解單例模式單例模式
- 深入淺出理解 Spark：環境部署與工作原理Spark
- Windows 10 安裝Spark2.1WindowsSpark
- 深入理解JVM（五）——垃圾回收器JVM
- MVC設計模式深入理解MVC設計模式
- [深入理解Android卷二 全文-第五章]深入理解PowerManagerServiceAndroid
- .NET Core 3.0之深入原始碼理解HttpClientFactory(二)原始碼HTTPclient
- .NET Core 3.0之深入原始碼理解HttpClientFactory(一)原始碼HTTPclient
- 深入理解Aspnet Core之Identity(4)IDE
- Java核心（五）深入理解BIO、NIO、AIOJavaAI
- standalone執行模式下 應用模式作業部署模式
- 深入原始碼理解Spark RDD的資料分割槽原理原始碼Spark
- 使用.NET Core 2.1的Azure WebJobsWeb
- 深入理解 EF Core：EF Core 寫入資料時發生了什麼？
- 深入理解 EF Core：EF Core 讀取資料時發生了什麼？
- 深入理解Java記憶體模型（五）——鎖Java記憶體模型
- Spark 叢集搭建從零開始之3 Spark Standalone叢集安裝、配置與測試Spark
- asp.net core 2.1 配置管理ASP.NET
- 深入理解［Future模式］原理與技術模式
- 深入理解RxJava中的觀察者模式RxJava模式
- java 23種設計模式 深入理解Java設計模式
- 深入理解javascript系列(五):變數物件(VO)2JavaScript變數物件
- .NET Core 3.0之深入原始碼理解Configuration(二)原始碼