【原创】spark standalong模式运行原理剖析 -尊龙凯时英国站

　　一、概述

　　apache spark是一种快速和通用的集群计算系统。它提供java，scala，python和r中的高级api，以及支持一般执行图的优化引擎。它还支持一组丰富的更高级别的工具，包括spark sql用于sql和结构化数据的处理，mllib机器学习，graphx用于图形处理和spark streaming。

　　spark除了在mesos或yarn群集管理器上运行，它还提供了一种简单的独立部署模式standalone模式。接下来我们就以下面的wordcount代码为例剖析spark standalone模式的运行原理。理解并掌握spark standalone模式的运行原理对后期进一步学习spark相关技术有很大的帮助，同时也是spark开发工程师岗位面试经常被提问的地方。

　　wordcount代码如下：

　　standalone运行模式原理概要如下图所示：

　　二、standalong模式运式原理剖析之天龙八“步”

　　1、第一步：

　　通过spark-submit指令将打好的spark jar包提交到spark集群中运行。先从driver进程开始运行，driver中包含了我们所编写的代码。

　　首先执行代码中的前两行代码，

　　//创建sparkconf对象　　

val conf = new sparkconf().setappname("wordcount")　　

//创建sparkcontext对象　　

val sc = new sparkcontext(conf)

　　这两行代码分别创建了sparkconf和sparkcontext对象，在创建sparkcontext对象的过程中，spark会去做两件很重要的事，就是创建dagscheduler和taskscheduler这两个对象。然后，taskscheduler会通过一个后台进程负责与master进行注册通信，告诉master有一个新的application应用程序要运行，需要master管理分配调度集群的资源。

　　2、第二步：

　　master接收到taskscheduler的注册请求之后，会通过资源调度算法对集群资源进行调度，并且与worker进行通信，请求worker启动相应的executor。

　　3、第三步：

　　worker接收到master的请求之后，会在本节点中启动executor。因为集群中有多个worker节点，那么也意味着会启动多个executor。一个application对应着worker中的一个executor。

　　4、第四步：

　　executor启动完成之后，会向driver中的taskscheduler进行反注册，反注册的目的就是让driver知道新提交的application应用将由哪些executor负责执行。

　　5、第五步：

　　executor向driver中的taskscheduler反注册完成之后，就意味着sparkcontext的初始化过程已经完成，接下来去执行sparkcontext下面的代码。

　　//从linux或者hdfs中获取数据

　　val lines = sc.textfile("hdfs://tgmaster:9000/in/resws")

　　//进行单词统计计数

　　val result = lines.flatmap(_.split(" ")).map((_, 1))

　　//将计算结果保存到hdfs中

　　result.saveastextfile("hdfs://tgmaster:9000/out/res3")

　　sc.stop()

　　6、第六步：

　　在sparkcontext下面的代码中，创建了初始rdd，并对初始rdd进行了transformation类型的算子操作，但是系统只是记录下了这些操作行为，这些操作行并没有真正的被执行，直到遇到action类型的算子，触发提交job之后，action类型的算子之前所有的transformation类型的算子才会被执行。job会被提交给dagscheduler，dagscheduler根据stage划分算法将job划分为多个stage(阶段),并将其封装成taskset(任务集合)，然后将taskset提交给taskscheduler。

　　7、第七步：

　　taskscheduler根据task分配算法，将taskset中的每一个小task分配给executor去执行。

　　8、第八步：

　　executor接受到task任务之后，通过taskrunner来封装一个task,并从线程池中取出相应的一个线程来执行task。

　　task线程针对rdd partition分区中的数据进行指定的算子操作，这些算子操作包括transformation和action类型的操作。

　　补充说明：

　　1、taskrunner(任务运行器),会对我们编写代码进行复制、反序列化操作，进行执行task任务。

　　2、task分为两大类：shufflemaptask和resulttask。最后一个stage阶段中的task称为resulttask，在这之前所有的task称为shufflemaptask。