运行架构

• Driver 表示 master，负责管理整个集群中的作业任务调度。
• Executor 则是 slave，负责实际执行任务。

核心组件

Spark 包含两个核心组件：Driver、Executor。

Driver

Spark 驱动器节点，用于执行 Spark 任务中的 main 方法，负责实际代码的执行工作。Driver 在 Spark 作业执行时主要负责：

• 将用户程序转化为作业（job）；
• 在 Executor 之间调度任务(task)；
• 跟踪 Executor 的执行情况；
• 通过 UI 展示查询运行情况。

简单理解，所谓的 Driver 就是驱使整个应用运行起来的程序，也称之为 Driver 类。

Executor

Executor 是集群中工作节点（Worker）中的一个 JVM 进程，负责在 Spark 作业中运行具体任务（Task），任务彼此之间相互独立。Spark 应用启动时，Executor 节点被同时启动，并且始终伴随着整个 Spark 应用的生命周期而存在。如果有 Executor 节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他 Executor 节点上继续运行。

Executor 有两个核心功能：

• 负责运行组成 Spark 应用的任务，并将结果返回给驱动器进程。任务运行时，任务之间彼此独立。
• 它们通过自身的块管理器（Block Manager）为用户程序中要求缓存的 RDD 提供内存式存储。RDD 是直接缓存在 Executor 进程内的，因此任务可以在运行时充分利用缓存数据加速运算。

Spark 集群的独立部署环境中，不需要依赖其他的资源调度框架，自身就实现了资源调度的功能，所以环境中还有其他两个核心组件：Master 和 Worker，这里的 Master 是一个进程，主要负责资源的调度和分配，并进行集群的监控等职责，类似于 Yarn 环境中的 RM, 而Worker 呢，也是进程，一个 Worker 运行在集群中的一台服务器上，由 Master 分配资源对数据进行并行的处理和计算，类似于 Yarn 环境中 NM。

ApplicationMaster

Spark 在计算与资源之间交互式，如上图所示。Driver 与 Master 之间交互，就会使两者耦合在一起，同样，Executor 与 Worker 也可能存在耦合，为避免耦合，Spark 在两者之间增加 ApplicationMaster 作为抽象。

核心概念

Executor 与 Core

Executor 是集群中运行在工作节点（Worker）中的一个 JVM 进程，是整个集群中的专门用于计算的节点。在提交应用中，可以提供参数指定计算节点的个数，以及对应的资源。这里的资源一般指的是工作节点 Executor 的内存大小以及使用的虚拟 CPU 核（Core）数量。

任务启动的相关参数如下：

并行度（Parallelism）

CPU 物理核数足够任务运行时，计算能够达到并行。要与操作系统的并发区分来看。

有向无环图（DAG）

DAG(Directed Acyclic Graph)，DAG 是由一组顶点（节点）和一组有方向的边组成的图结构，且不存在任何循环路径（即无法从一个节点出发通过有向边回到自身）。

关键特性包括：

• 有向性：边具有明确的方向性，表示节点间的单向依赖关系。
• 无环性：确保依赖关系不会形成闭环，适用于任务调度等场景。

与 Maven 类似，不允许循环依赖。Spark 任务也一样，不能出现任务之间循环调用的情况，否则任务打包时，将陷入死循环无法进行打包。

提交流程

所谓的提交流程，其实就是我们开发人员根据需求写的应用程序通过 Spark 客户端提交给 Spark 运行环境执行计算的流程。在不同的部署环境中，这个提交过程基本相同，但是又有细微的区别，下图以 Spark + YARN 的部署方式为例介绍提交流程。

Spark 程序提交 YARN 时，一般有两种部署方式：

• Client：Driver 在 Client 端运行；
• Cluster：Driver 在集群/YARN 上运行。

两者区别就是 Driver 的运行位置。

1. YARN Client 模式

Client 模式将用于监控和调度的 Driver 模块在客户端执行，而不是在 Yarn 中，所以一般用于测试。

• Driver 在任务提交的本地机器上运行；
• Driver 启动后会和 ResourceManager 通讯申请启动 ApplicationMaster；
• ResourceManager 分配 container，在合适的 NodeManager 上启动 ApplicationMaster，负责向 ResourceManager 申请 Executor 内存；
• ResourceManager 接到 ApplicationMaster 的资源申请后会分配 container，然后 ApplicationMaster 在资源分配指定的 NodeManager 上启动 Executor 进程；
• Executor 进程启动后会向 Driver 反向注册，Executor 全部注册完成后 Driver 开始执行 main 函数；
• 之后执行到 Action 算子时，触发一个 Job，并根据宽依赖开始划分 stage，每个 stage 生成对应的 TaskSet，之后将 task 分发到各个 Executor 上执行。

2. YARN Cluster 模式

Cluster 模式将用于监控和调度的 Driver 模块启动在 Yarn 集群资源中执行。一般应用于实际生产环境。

• 在 YARN Cluster 模式下，任务提交后会和 ResourceManager 通讯申请启动 ApplicationMaster；
• 随后 ResourceManager 分配 container，在合适的 NodeManager 上启动 ApplicationMaster，此时的 ApplicationMaster 就是 Driver。
• Driver 启动后向 ResourceManager 申请 Executor 内存，ResourceManager 接到 ApplicationMaster 的资源申请后会分配 container，然后在合适的 NodeManager 上启动 Executor 进程；
• Executor 进程启动后会向 Driver 反向注册，Executor 全部注册完成后 Driver 开始执行 main 函数；
• 之后执行到 Action 算子时，触发一个 Job，并根据宽依赖开始划分 stage，每个 stage 生成对应的 TaskSet，之后将 task 分发到各个 Executor 上执行。

Spark 核心编程

Spark 计算框架的目的是为了能高并发、高吞吐量的数据处理。为了达到此目的，Spark 定义了三大核心数据结构。

三大数据结构：

• RDD（Resilient Distribute Data）：弹性分布式数据集的简称。
• 累加器：分布式共享只写变量。
• 广播变量：分布式共享只读变量。

什么是数据结构？计算机存储、组织数据的方式。

今天就介绍到这儿，下次将会系统介绍 RDD。