Spark设计理念与基本架构

1.基本概念

Spark中的一些概念：

• RDD(resillient distributed dataset)：弹性分布式数据集。
• Partition：数据分区。即一个RDD的数据可以划分为多少个分区。
• NarrowDependency：窄依赖，即子RDD依赖于父RDD中固定的Partition。Narrow-Dependency分为OneToOneDependency和RangeDependency两种。
• ShuffleDependency：shuffle依赖，也称为宽依赖，即子RDD对父RDD中的所有Partition都有依赖。
• Task：是送到某个Executor上的工作单元，即具体执行任务。Task分为ShuffleMapTask和ResultTask两种。ShuffleMapTask和ResultTask分别类似于Hadoop中的Map和Reduce。Task是运行Application的基本单位，多个Task组成一个Stage，而Task的调度和管理等是由TaskScheduler负责的。
• Job：用户提交的作业。一个Job包含多个Task组成的并行计算，往往由Spark Action触发。
• Stage：每个Job会被拆分成多组Task，作为一个TaskSet，其名称为Stage，Stage的划分和调度是有DAGScheduler来负责的，Stage有非最终的Stage(Shuffle Map Stage)和最终的Stage(Result Stage) 两种，Stage的边界就是发生shuffle的地方。一个Job可能被划分为一到多个Stage。
• DAG(directed acycle graph)：有向无环图。用于反映各RDD之间的依赖关系。
• DAGScheduler：根据Job构建基于Stage的DAG(Directed Acyclic Graph有向无环图)，并提交Stage给TaskScheduler。其划分Stage的依赖依据是根据RDD之间的依赖关系找出开销最小的调度方法。
• TaskScheduler：将TaskSet(即Stage)提交给worker运行，每个Executor运行什么Task就是在此处分配的。TaskScheduler维护所有TaskSet，当Executor向Driver发送心跳时，TaskScheduler会根据资源剩余情况分配相应的Task。另外TaskScheduler还维护所有Task的运行标签，重试失败的Task。
  • 在不同运行模式中任务调度器具体为：
  1. Spark on Standalone模式为TaskScheduler
  2. Yarn-Client模式为YarnClientClusterScheduler
  3. Yarn-Cluster模式为YarnClusterScheduler
• 将这些术语串起来的运行层次图如下：
• 

注意：一个Job=多个Stage，一个Stage=多个同种Task

2. Spark模块设计

整个Spark主要由以下模块组成：

• Spark Core：Spark的核心功能实现，包括：SparkContext的初始化(Driver Application通过SparkContext提交)、部署模式、存储体系、任务提交与执行、计算引擎等。
• Spark SQL：提交SQL处理能力，便于熟悉关系型数据库操作的工程师进行交互查询。此外，还为熟悉Hadoop的用户提交Hive SQL处理能力。
• Spark Streaming：提供流式计算处理能力，目前支持Kafka、Flume、Twitter、MQTT、ZeroMQ、Kinesis和简单的TCP套接字等数据源。此外，还提供窗口操作。
• GraphX：提供图计算处理能力，支持分布式，Pregel提供的API可以解决图计算中的常见问题。
• MLlib：提供机器学习相关的统计、分类、回归等领域的多种算法实现。其一致的API接口大大降低了用户的学习成本。

Spark SQL、Spark Streaming、GraphX、MLlib的能力都是建立在核心引擎之上，如图：

2.1 Spark核心功能

Spark Core提供Spark最基础与最核心的功能，主要包括以下功能。

• SparkContext：通常而言，DriverApplication的执行与输出都是通过SparkContext来完成的，在正式提交Application之前，首先需要初始化SparkContext。SparkContext隐藏了网络通信、分布式部署、消息通信、存储能力、计算能力、缓存、测量系统、文件服务、Web服务等内容，应用程序开发者只需要使用SparkContext提供的API完成功能开发。SparkContext内置的DAGScheduler负责创建Job，将DAG中的RDD划分到不同的Stage，提交Stage等功能。内置的TaskScheduler负责资源的申请、任务的提交及请求集群对任务的调度等工作。
• 存储体系：Spark优先考虑使用各节点的内存作为存储，当内存不足时才会考虑使用磁盘，这极大地减少了磁盘I/O，提升了任务执行的效率，使得Spark适用于实时计算、流式计算等场景。此外，Spark还提供了以内存为中心的高容错的分布式文件系统Tachyou供用户进行选择。Tachyon能够为Spark提供可靠的内存级的文件共享服务。
• 计算引擎：计算引擎由SparkContext中的DAGScheduler、RDD以及具体节点上的Executor负责执行的Map和Reduce任务组成。DAGScheduler和RDD虽然位于SparkContext内部，但是在任务正式提交与执行之前会将Job中的RDD组织成有向无环图（简称DAG），并对Stage进行划分，决定了任务执行阶段任务的数量、迭代计算、shuffle等过程。
• 部署模式：由于单节点不足以提供足够的存储及计算能力，所以作为大数据处理的Spark在SparkContext的TaskScheduler组件中提供了对Standalone部署模式的实现和Yarn、Mesos、Kubernetes等分布式资源管理系统的支持。通过使用Standalone、Yarn、Mesos、Kubernetes等部署模式为Task分配计算资源，提高任务的并发执行效率。除了可用于实际生产环境的Standalone、Yarn、Mesos、Kubernetes等部署模式外，Spark还提供了Local模式和local-cluster模式便于开发和调试。

2.2  Spark扩展功能

为了扩大应用范围，Spark陆续增加了一些扩展功能，主要包括：

• Spark SQL：SQL具有普及率高、学习成本低等特点，为了扩大Spark的应用面，增加了对SQL及Hive的支持。Spark SQL的过程可以总结为：首先使用SQL语句解析器(SqlParser)将SQL转换为语法树(Tree)，并且使用规则执行器(RuleExecutor)将一系列规则(Rule)应用到语法树，最终生成物理执行计划并执行。其中，规则执行器包括语法分析器(Analyzer)和优化器(Optimizer)。Hive的执行过程与SQL类似。
• Spark Streaming：Spark Streaming与Apache Storm类似，也用于流式计算。Spark Streaming支持Kafka、Flume、Twitter、MQTT、ZeroMQ、Kinesis和简单的TCP套接字等多种数据输入源。输入流接收器(Receiver)负责接入数据，是接入数据流的接口规范。Dstream是Spark Streaming中所有数据流的抽象， DStream可以被组织为DStream Graph。DStream本质上由一系列连续的RDD组成。
• GraphX：Spark提供的分布式图计算框架。GraphX主要遵循整体同步并行(bulk synchronous parallell， BSP)计算模式下的Pregel模型实现。GraphX提供了对图的抽象Graph，Graph由顶点(Vertex)、边(Edge)及继承了Edge的EdgeTriplet(添加了srcAttr和dstAttr用来保存源顶点和目的顶点的属性)三种结构组成。GraphX目前已经封装了最短路径、网页排名、连接组件、三角关系统计等算法的实现，用户可以选择使用。
• MLlib：Spark提供的机器学习框架。机器学习是一门涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多领域的交叉学科。MLlib目前已经提供了基础统计、分类、回归、决策树、随机森林、朴素贝叶斯、保序回归、协同过滤、聚类、维数缩减、特征提取与转型、频繁模式挖掘、预言模型标记语言、管道等多种数理统计、概率论、数据挖掘方面的数学算法。

3. Spark 模型设计

3.1 Spark编程模型

Spark应用程序从编写到提交、执行、输出的整个过程如图所示，图中描述的步骤如下：

1) 用户使用SparkContext提供的API(常用的有textFile、sequenceFile、runJob、stop等)编写Driver application程序。此外SQLContext、HiveContext及StreamingContext对SparkContext进行封装，并提供了SQL、Hive及流式计算相关的API。

2) 使用SparkContext提交的用户应用程序，首先会使用BlockManager和BroadcaseManager将任务的Hadoop配置进行广播。然后由DAGScheduler将任务转换为RDD并组织成DAG，DAG还将被划分为不同的Stage，一个Stage会由多个Task组成，多个Task将会被存放在TaskSet集合里，TaskSet即为Stage。最后由TaskScheduler将Task借助Netty通信框架将任务提交给集群管理器(Cluster Manager)。

3) 集群管理器(Cluster Manager)给任务分配资源，即将具体任务分配到Worker上，Worker创建Executor来处理任务的运行。Standalone、YARN、Mesos、Kubernetes、EC2等都可以作为Spark的集群管理器。

3.2 RDD计算模型

RDD可以看做是对各种数据计算模型的统一抽象，Spark的计算过程主要是RDD的迭代计算过程，如图所示。RDD的迭代计算过程非常类似与管道。分区数量取决于partition数量的设定，每个分区的数据只会在一个Task中计算。所有分区可以在多个机器节点的Executor上并行执行。

4. Spark基本架构

从集群部署的角度来看，Spark集群由以下部分组成：

• Cluster Manager：Spark的集群管理器，主要负责资源的分配与管理。集群管理器分配的资源属于一级分配，它将各个Worker上的内存、CPU等资源分配给应用程序，但是并不负责对Execoutor的资源分配。目前，Standalone、YARN、Mesos、Kubernetes、EC2等都可以作为Spark的集群管理器。
• Worker：Spark的工作节点、从节点。对Spark应用程序来说，由集群管理器分配得到资源的Worker节点主要负责以下工作：控制计算节点，创建并启动Executor，将资源和任务进一步分配给Executor，同步资源信息给Cluster Manager。
• Executor：是为某个Appliation运行再Worker node上的一个进程，主要负责任务的执行以及与Worker、Driver App的信息同步。
• Driver App：客户端驱动程序，也可以理解为客户端应用程序，运行Application的main()函数，用于将任务程序转换为RDD和DAG，并与Cluster Manager进行通信与调度。

这些组成部分之间的整体关系如图所示：

参考资料：

《深入理解Spark核心思想与源码分析》

https://blog.csdn.net/swing2008/article/details/60869183