Spark on yarn的两种模式详解(这个很重要哦)

简介: 当一个Spark应用提交到集群上运行时,应用架构包含了两个部分

• Driver Program（资源申请和调度Job执行）
• Executors（运行Job中Task任务和缓存数据），两个都是JVM Process进程

1: Driver程序运行的位置可以通过–deploy-mode 来指定:

明确: Driver指的是The process running the main() function of the application and creating the SparkContext
运行应用程序的main()函数并创建SparkContext的进程

• client:表示Driver运行在提交应用的Client上(默认)

• cluster:表示Driver运行在集群中(Standalone：Worker，YARN：NodeManager)

• cluster和client模式最最本质的区别是：Driver程序运行在哪里。
  企业实际生产环境中使用cluster

1. Client(客户端)模式

• DeployMode为Client，表示应用Driver Program运行在提交应用Client主机上
  示意图:
  
  Client模式测试圆周率:

SPARK_HOME=/export/server/spark
${SPARK_HOME}/bin/spark-submit \
--master yarn  \
--deploy-mode client \
--driver-memory 512m \
--executor-memory 512m \
--num-executors 1 \
--total-executor-cores 2 \
--class org.apache.spark.examples.SparkPi \
${SPARK_HOME}/examples/jars/spark-examples_2.11-2.4.5.jar \
10

Yarn的webUI查看结果:

2. cluster(集群)模式,生产环境用

• DeployMode为Cluster，表示应用Driver Program运行在集群从节点某台机器上

示意图:

圆周率测试:

SPARK_HOME=/export/server/spark
${SPARK_HOME}/bin/spark-submit \
--master yarn \
--deploy-mode cluster \
--driver-memory 512m \
--executor-memory 512m \
--num-executors 1 \
--total-executor-cores 2 \
--class org.apache.spark.examples.SparkPi \
${SPARK_HOME}/examples/jars/spark-examples_2.11-2.4.5.jar \
10

yarn的webUI:

进入该任务里面查看log


总结:
Client模式和Cluster模式最最本质的区别是：Driver程序运行在哪里。

扫描二维码关注公众号，回复： 12167158 查看本文章

• Client模式：测试时使用，开发不用，了解即可
  1.Driver运行在Client上,和集群的通信成本高
  2.Driver输出结果会在客户端显示
• Cluster模式：生产环境中使用该模式
  1.Driver程序在YARN集群中，和集群的通信成本低
  2.Driver输出结果不能在客户端显示
  3.该模式下Driver运行ApplicattionMaster这个节点上,由Yarn管理，如果出现问题，yarn会重启ApplicattionMaster(Driver)

3. 两种模式的详细流程图

client模式:

cluster模式:

附录: Spark集群中的角色

• 1）Driver：是一个JVM Process 进程，编写的Spark应用程序就运行在Driver上，由Driver进程执行；
• 2）Master(ResourceManager)：是一个JVM Process 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；
• 3）Worker(NodeManager)：是一个JVM Process 进程，一个Worker运行在集群中的一台服务器上，主要负责两个职责，一个是用自己的内存存储RDD的某个或某些partition；另一个是启动其他进程和线程（Executor），对RDD上的partition进行并行的处理和计算。
• 4）Executor：是一个JVM Process 进程，一个Worker(NodeManager)上可以运行多个Executor，Executor通过启动多个线程（task）来执行对RDD的partition进行并行计算，也就是执行我们对RDD定义的例如map、flatMap、reduce等算子操作。