Apache Spark是一個圍繞速度、易用性和複雜分析構建的大資料處理框架，最初在2009年由加州大學伯克利分校的AMPLab開發，並於2010年成為Apache的開源專案之一，與Hadoop和Storm等其他大資料和MapReduce技術相比，Spark有如下優勢：

• Spark提供了一個全面、統一的框架用於管理各種有著不同性質（文字資料、圖表資料等）的資料集和資料來源（批量資料或實時的流資料）的大資料處理的需求
• 官方資料介紹Spark可以將Hadoop叢集中的應用在記憶體中的執行速度提升100倍，甚至能夠將應用在磁碟上的執行速度提升10倍

 目錄：

• 架構及生態
• spark 與 hadoop
• 執行流程及特點
• 常用術語
• standalone模式
• yarn叢集
• RDD執行流程

架構及生態：

• 通常當需要處理的資料量超過了單機尺度(比如我們的計算機有4GB的記憶體，而我們需要處理100GB以上的資料)這時我們可以選擇spark叢集進行計算，有時我們可能需要處理的資料量並不大，但是計算很複雜，需要大量的時間，這時我們也可以選擇利用spark叢集強大的計算資源，並行化地計算，其架構示意圖如下：

• Spark Core：包含Spark的基本功能；尤其是定義RDD的API、操作以及這兩者上的動作。其他Spark的庫都是構建在RDD和Spark Core之上的
• Spark SQL：提供通過Apache Hive的SQL變體Hive查詢語言（HiveQL）與Spark進行互動的API。每個資料庫表被當做一個RDD，Spark SQL查詢被轉換為Spark操作。
• Spark Streaming：對實時資料流進行處理和控制。Spark Streaming允許程式能夠像普通RDD一樣處理實時資料
• MLlib：一個常用機器學習演算法庫，演算法被實現為對RDD的Spark操作。這個庫包含可擴充套件的學習演算法，比如分類、迴歸等需要對大量資料集進行迭代的操作。
• GraphX：控制圖、並行圖操作和計算的一組演算法和工具的集合。GraphX擴充套件了RDD API，包含控制圖、建立子圖、訪問路徑上所有頂點的操作

Spark架構的組成圖如下： 

• Cluster Manager：在standalone模式中即為Master主節點，控制整個叢集，監控worker。在YARN模式中為資源管理器
• Worker節點：從節點，負責控制計算節點，啟動Executor或者Driver。
• Driver： 執行Application 的main()函式
• Executor：執行器，是為某個Application執行在worker node上的一個程序

Spark與hadoop:

• Hadoop有兩個核心模組，分散式儲存模組HDFS和分散式計算模組Mapreduce
• spark本身並沒有提供分散式檔案系統，因此spark的分析大多依賴於Hadoop的分散式檔案系統HDFS
• Hadoop的Mapreduce與spark都可以進行資料計算，而相比於Mapreduce，spark的速度更快並且提供的功能更加豐富

關係圖如下：

執行流程及特點：

spark執行流程圖如下：

1. 構建Spark Application的執行環境，啟動SparkContext
2. SparkContext向資源管理器（可以是Standalone，Mesos，Yarn）申請執行Executor資源，並啟動StandaloneExecutorbackend，
3. Executor向SparkContext申請Task
4. SparkContext將應用程式分發給Executor
5. SparkContext構建成DAG圖，將DAG圖分解成Stage、將Taskset傳送給Task Scheduler，最後由Task Scheduler將Task傳送給Executor執行
6. Task在Executor上執行，執行完釋放所有資源

Spark執行特點：

1. 每個Application獲取專屬的executor程序，該程序在Application期間一直駐留，並以多執行緒方式執行Task。這種Application隔離機制是有優勢的，無論是從排程角度看（每個Driver排程他自己的任務），還是從執行角度看（來自不同Application的Task執行在不同JVM中），當然這樣意味著Spark Application不能跨應用程式共享資料，除非將資料寫入外部儲存系統
2. Spark與資源管理器無關，只要能夠獲取executor程序，並能保持相互通訊就可以了
3. 提交SparkContext的Client應該靠近Worker節點（執行Executor的節點），最好是在同一個Rack裡，因為Spark Application執行過程中SparkContext和Executor之間有大量的資訊交換
4. Task採用了資料本地性和推測執行的優化機制

常用術語:

• Application: Appliction都是指使用者編寫的Spark應用程式，其中包括一個Driver功能的程式碼和分佈在叢集中多個節點上執行的Executor程式碼
• Driver:  Spark中的Driver即執行上述Application的main函式並建立SparkContext，建立SparkContext的目的是為了準備Spark應用程式的執行環境，在Spark中有SparkContext負責與ClusterManager通訊，進行資源申請、任務的分配和監控等，當Executor部分執行完畢後，Driver同時負責將SparkContext關閉，通常用SparkContext代表Driver
• Executor:  某個Application執行在worker節點上的一個程序，  該程序負責執行某些Task， 並且負責將資料存到記憶體或磁碟上，每個Application都有各自獨立的一批Executor， 在Spark on Yarn模式下，其程序名稱為CoarseGrainedExecutor Backend。一個CoarseGrainedExecutor Backend有且僅有一個Executor物件， 負責將Task包裝成taskRunner,並從執行緒池中抽取一個空閒執行緒執行Task， 這個每一個oarseGrainedExecutor Backend能並行執行Task的數量取決與分配給它的cpu個數
• Cluter Manager：指的是在叢集上獲取資源的外部服務。目前有三種類型

1.  Standalone : spark原生的資源管理，由Master負責資源的分配
2. Apache Mesos:與hadoop MR相容性良好的一種資源排程框架
3. Hadoop Yarn: 主要是指Yarn中的ResourceManager

• Worker: 叢集中任何可以執行Application程式碼的節點，在Standalone模式中指的是通過slave檔案配置的Worker節點，在Spark on Yarn模式下就是NoteManager節點
• Task: 被送到某個Executor上的工作單元，但hadoopMR中的MapTask和ReduceTask概念一樣，是執行Application的基本單位，多個Task組成一個Stage，而Task的排程和管理等是由TaskScheduler負責
• Job: 包含多個Task組成的平行計算，往往由Spark Action觸發生成， 一個Application中往往會產生多個Job
• Stage: 每個Job會被拆分成多組Task， 作為一個TaskSet， 其名稱為Stage，Stage的劃分和排程是有DAGScheduler來負責的，Stage有非最終的Stage（Shuffle Map Stage）和最終的Stage（Result Stage）兩種，Stage的邊界就是發生shuffle的地方
• DAGScheduler: 根據Job構建基於Stage的DAG（Directed Acyclic Graph有向無環圖)，並提交Stage給TASkScheduler。 其劃分Stage的依據是RDD之間的依賴的關係找出開銷最小的排程方法，如下圖
• TASKSedulter: 將TaskSET提交給worker執行，每個Executor執行什麼Task就是在此處分配的. TaskScheduler維護所有TaskSet，當Executor向Driver發生心跳時，TaskScheduler會根據資源剩餘情況分配相應的Task。另外TaskScheduler還維護著所有Task的執行標籤，重試失敗的Task。下圖展示了TaskScheduler的作用
  

      在不同執行模式中任務排程器具體為：

1. Spark on Standalone模式為TaskScheduler
2. YARN-Client模式為YarnClientClusterScheduler
3. YARN-Cluster模式為YarnClusterScheduler
   
   
   將這些術語串起來的執行層次圖如下：

• Job=多個stage，Stage=多個同種task, Task分為ShuffleMapTask和ResultTask，Dependency分為ShuffleDependency和NarrowDependency
  
  
   

Spark執行模式：

• Spark的執行模式多種多樣，靈活多變，部署在單機上時，既可以用本地模式執行，也可以用偽分佈模式執行，而當以分散式叢集的方式部署時，也有眾多的執行模式可供選擇，這取決於叢集的實際情況，底層的資源排程即可以依賴外部資源排程框架，也可以使用Spark內建的Standalone模式。
• 對於外部資源排程框架的支援，目前的實現包括相對穩定的Mesos模式，以及hadoop YARN模式
• 本地模式：常用於本地開發測試，本地還分別 local 和 local cluster

standalone: 獨立叢集執行模式

框架結構圖如下:

• Standalone模式使用Spark自帶的資源排程框架
• 採用Master/Slaves的典型架構，選用ZooKeeper來實現Master的HA
• 該模式主要的節點有Client節點、Master節點和Worker節點。其中Driver既可以執行在Master節點上中，也可以執行在本地Client端。當用spark-shell互動式工具提交Spark的Job時，Driver在Master節點上執行；當使用spark-submit工具提交Job或者在Eclips、IDEA等開發平臺上使用”new SparkConf.setManager(“spark://master:7077”)”方式執行Spark任務時，Driver是執行在本地Client端上的
• 執行過程如下圖：（參考至：http://blog.csdn.net/gamer_gyt/article/details/51833681）
   
• SparkContext連線到Master，向Master註冊並申請資源（CPU Core 和Memory）
• Master根據SparkContext的資源申請要求和Worker心跳週期內報告的資訊決定在哪個Worker上分配資源，然後在該Worker上獲取資源，然後啟動StandaloneExecutorBackend；
• StandaloneExecutorBackend向SparkContext註冊；
• SparkContext將Applicaiton程式碼傳送給StandaloneExecutorBackend；並且SparkContext解析Applicaiton程式碼，構建DAG圖，並提交給DAG Scheduler分解成Stage（當碰到Action操作時，就會催生Job；每個Job中含有1個或多個Stage，Stage一般在獲取外部資料和shuffle之前產生），然後以Stage（或者稱為TaskSet）提交給Task Scheduler，Task Scheduler負責將Task分配到相應的Worker，最後提交給StandaloneExecutorBackend執行；
• StandaloneExecutorBackend會建立Executor執行緒池，開始執行Task，並向SparkContext報告，直至Task完成
• 所有Task完成後，SparkContext向Master登出，釋放資源

yarn:  （參考：http://blog.csdn.net/gamer_gyt/article/details/51833681）

• Spark on YARN模式根據Driver在叢集中的位置分為兩種模式：一種是YARN-Client模式，另一種是YARN-Cluster（或稱為YARN-Standalone模式）
• Yarn-Client模式中，Driver在客戶端本地執行，這種模式可以使得Spark Application和客戶端進行互動，因為Driver在客戶端，所以可以通過webUI訪問Driver的狀態，預設是http://hadoop1:4040訪問，而YARN通過http:// hadoop1:8088訪問
• YARN-client的工作流程步驟為：
• Spark Yarn Client向YARN的ResourceManager申請啟動Application Master。同時在SparkContent初始化中將建立DAGScheduler和TASKScheduler等，由於我們選擇的是Yarn-Client模式，程式會選擇YarnClientClusterScheduler和YarnClientSchedulerBackend
• ResourceManager收到請求後，在叢集中選擇一個NodeManager，為該應用程式分配第一個Container，要求它在這個Container中啟動應用程式的ApplicationMaster，與YARN-Cluster區別的是在該ApplicationMaster不執行SparkContext，只與SparkContext進行聯絡進行資源的分派
• Client中的SparkContext初始化完畢後，與ApplicationMaster建立通訊，向ResourceManager註冊，根據任務資訊向ResourceManager申請資源（Container）
• 一旦ApplicationMaster申請到資源（也就是Container）後，便與對應的NodeManager通訊，要求它在獲得的Container中啟動CoarseGrainedExecutorBackend，CoarseGrainedExecutorBackend啟動後會向Client中的SparkContext註冊並申請Task
• client中的SparkContext分配Task給CoarseGrainedExecutorBackend執行，CoarseGrainedExecutorBackend執行Task並向Driver彙報執行的狀態和進度，以讓Client隨時掌握各個任務的執行狀態，從而可以在任務失敗時重新啟動任務
• 應用程式執行完成後，Client的SparkContext向ResourceManager申請登出並關閉自己

Spark Cluster模式:
 

在YARN-Cluster模式中，當用戶向YARN中提交一個應用程式後，YARN將分兩個階段執行該應用程式：
 

1. 第一個階段是把Spark的Driver作為一個ApplicationMaster在YARN叢集中先啟動；
2. 第二個階段是由ApplicationMaster建立應用程式，然後為它向ResourceManager申請資源，並啟動Executor來執行Task，同時監控它的整個執行過程，直到執行完成

• YARN-cluster的工作流程分為以下幾個步驟

• Spark Yarn Client向YARN中提交應用程式，包括ApplicationMaster程式、啟動ApplicationMaster的命令、需要在Executor中執行的程式等
• ResourceManager收到請求後，在叢集中選擇一個NodeManager，為該應用程式分配第一個Container，要求它在這個Container中啟動應用程式的ApplicationMaster，其中ApplicationMaster進行SparkContext等的初始化
• ApplicationMaster向ResourceManager註冊，這樣使用者可以直接通過ResourceManage檢視應用程式的執行狀態，然後它將採用輪詢的方式通過RPC協議為各個任務申請資源，並監控它們的執行狀態直到執行結束
• 一旦ApplicationMaster申請到資源（也就是Container）後，便與對應的NodeManager通訊，要求它在獲得的Container中啟動CoarseGrainedExecutorBackend，CoarseGrainedExecutorBackend啟動後會向ApplicationMaster中的SparkContext註冊並申請Task。這一點和Standalone模式一樣，只不過SparkContext在Spark Application中初始化時，使用CoarseGrainedSchedulerBackend配合YarnClusterScheduler進行任務的排程，其中YarnClusterScheduler只是對TaskSchedulerImpl的一個簡單包裝，增加了對Executor的等待邏輯等
• ApplicationMaster中的SparkContext分配Task給CoarseGrainedExecutorBackend執行，CoarseGrainedExecutorBackend執行Task並向ApplicationMaster彙報執行的狀態和進度，以讓ApplicationMaster隨時掌握各個任務的執行狀態，從而可以在任務失敗時重新啟動任務
• 應用程式執行完成後，ApplicationMaster向ResourceManager申請登出並關閉自己

Spark Client 和 Spark Cluster的區別:

• 理解YARN-Client和YARN-Cluster深層次的區別之前先清楚一個概念：Application Master。在YARN中，每個Application例項都有一個ApplicationMaster程序，它是Application啟動的第一個容器。它負責和ResourceManager打交道並請求資源，獲取資源之後告訴NodeManager為其啟動Container。從深層次的含義講YARN-Cluster和YARN-Client模式的區別其實就是ApplicationMaster程序的區別
• YARN-Cluster模式下，Driver執行在AM(Application Master)中，它負責向YARN申請資源，並監督作業的執行狀況。當用戶提交了作業之後，就可以關掉Client，作業會繼續在YARN上執行，因而YARN-Cluster模式不適合執行互動型別的作業
• YARN-Client模式下，Application Master僅僅向YARN請求Executor，Client會和請求的Container通訊來排程他們工作，也就是說Client不能離開
  
   

RDD執行流程：

RDD在Spark中執行大概分為以下三步：

1. 建立RDD物件
2. DAGScheduler模組介入運算，計算RDD之間的依賴關係，RDD之間的依賴關係就形成了DAG
3. 每一個Job被分為多個Stage。劃分Stage的一個主要依據是當前計算因子的輸入是否是確定的，如果是則將其分在同一個Stage，避免多個Stage之間的訊息傳遞開銷

示例圖如下：



 

以下面一個按 A-Z 首字母分類，查詢相同首字母下不同姓名總個數的例子來看一下 RDD 是如何執行起來的



 

• 建立 RDD  上面的例子除去最後一個 collect 是個動作，不會建立 RDD 之外，前面四個轉換都會創建出新的 RDD 。因此第一步就是建立好所有 RDD( 內部的五項資訊 )？
• 建立執行計劃 Spark 會盡可能地管道化，並基於是否要重新組織資料來劃分 階段 (stage) ，例如本例中的 groupBy() 轉換就會將整個執行計劃劃分成兩階段執行。最終會產生一個 DAG(directed acyclic graph ，有向無環圖 ) 作為邏輯執行計劃
   
• 排程任務  將各階段劃分成不同的 任務 (task) ，每個任務都是資料和計算的合體。在進行下一階段前，當前階段的所有任務都要執行完成。因為下一階段的第一個轉換一定是重新組織資料的，所以必須等當前階段所有結果資料都計算出來了才能繼續
•