Spark on yarn执行流程是怎样的

本篇内容介绍了“Spark on yarn执行流程是怎样的”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

很多公司都是通过Yarn来进行调度，mapreduce on yarn、spark on yarn、甚至storm on yarn。

Yarn集群分成两种节点：

• ResourceManager负责资源的调度；

• NodeManager负责资源的分配、应用程序执行这些东西。

• 通过Spark-submit脚本来提交，用yarn-client提交模式，这种模式其实会在本地启动起来driver程序

Spark on yarn执行流程

        我们写的spark程序，打成jar包，用spark-submit来提交。jar包中的一个main类，通过jvm的命令启动起来。JVM进程，这个进程，其实就是咱们的Driver进程。Driver进程启动起来以后，执行我们自己写的main函数，从new SparkContext()。。。

1. 在客户端给我们启动一个driver

2. 去ResourceManager申请启动container(资源)

3. 通知一个NodeManager在container里面启动ApplicationMaster

4. ApplicationMaster去找ResourceManager申请Executor

5. ResourceManager返回可以启动的NodeManager的地址

6. ApplicationMaster去找NodeManager启动Executor

7. Executor进程会反过来去向Driver注册上去

8. 最后Driver接收到了Executor资源之后就可以去进行我们spark代码的执行了

9. 执行到某个action就触发一个JOB

10. DAGScheduler会划分JOB为一个个Stage

11. TaskScheduler会划分Stage为一个个Task

12. Task发送到Executor执行

13. Driver就来进行Task的调度

Application-Master？？？

• yarn中的核心概念，任何要在yarn上启动的作业类型（mr、spark），都必须有一个。每种计算框架（mr、spark），如果想要在yarn上执行自己的计算应用，那么就必须自己实现和提供一个ApplicationMaster相当于是实现了yarn提供的接口，spark自己开发的一个类

• spark在yarn-client模式下，application的注册（executor的申请）和计算task的调度，是分离开来的。standalone模式下，这两个操作都是driver负责的。

• ApplicationMaster(ExecutorLauncher)负责executor的申请；driver负责job和stage的划分，以及task的创建、分配和调度

yarn-client模式下，会产生什么样的问题呢？

• 由于咱们的driver是启动在本地机器的，而且driver是全权负责所有的任务的调度的，也就是说要跟yarn集群上运行的多个executor进行频繁的通信（中间有task的启动消息、task的执行统计消息、task的运行状态、shuffle的输出结果）。

• 咱们来想象一下。比如你的executor有100个，stage有10个，task有1000个。每个stage运行的时候，都有1000个task提交到executor上面去运行，平均每个executor有10个task。接下来问题来了，driver要频繁地跟executor上运行的1000个task进行通信。通信消息特别多，通信的频率特别高。运行完一个stage，接着运行下一个stage，又是频繁的通信。

• 在整个spark运行的生命周期内，都会频繁的去进行通信和调度。所有这一切通信和调度都是从你的本地机器上发出去的，和接收到的。这是最要人命的地方。你的本地机器，很可能在30分钟内（spark作业运行的周期内），进行频繁大量的网络通信。那么此时，你的本地机器的网络通信负载是非常非常高的。会导致你的本地机器的网卡流量会激增！！！

• 你的本地机器的网卡流量激增，当然不是一件好事了。因为在一些大的公司里面，对每台机器的使用情况，都是有监控的。不会允许单个机器出现耗费大量网络带宽等等这种资源的情况。运维人员不会允许。可能对公司的网络，或者其他（你的机器还是一台虚拟机），如果你是一台虚拟机的话，和其他机器共享网卡的话，可能对其他机器，公司整个网络环境，都会有负面和恶劣的影响。

解决的方法：

• 实际上解决的方法很简单，就是心里要清楚，yarn-client模式是什么情况下，可以使用的？

• yarn-client模式，通常咱们就只会使用在测试环境中，你写好了某个spark作业，打了一个jar包，在某台测试机器上，用yarn-client模式去提交一下。因为测试的行为是偶尔为之的，不会长时间连续提交大量的spark作业去测试。还有一点好处，yarn-client模式提交，可以在本地机器观察到详细全面的log。通过查看log，可以去解决线上报错的故障（troubleshooting）、对性能进行观察并进行性能调优。

• 实际上线了以后，在生产环境中，都得用yarn-cluster模式，去提交你的spark作业。

• yarn-cluster模式，就跟你的本地机器引起的网卡流量激增的问题，就没有关系了。也就是说，就算有问题，也应该是yarn运维团队和基础运维团队之间的事情了。他们去考虑Yarn集群里面每台机器是虚拟机还是物理机呢？网卡流量激增后会不会对其他东西产生影响呢？如果网络流量激增，要不要给Yarn集群增加一些网络带宽等等这些东西。那就是他们俩个团队的事情了，和你就没有关系了

• 使用了yarn-cluster模式以后，

• 就不是你的本地机器运行Driver，进行task调度了。是yarn集群中，某个节点会运行driver进程，负责task调度。

“Spark on yarn执行流程是怎样的”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站，小编将为大家输出更多高质量的实用文章！