一、前述

Spark的资源调度是个很重要的模块,只要搞懂原理,才能具体明白Spark是怎么执行的,所以尤其重要。

自愿申请的话,本文分粗粒度和细粒度模式分别介绍。

二、具体

* Spark资源调度流程图:
        

 

 

* Spark资源调度和任务调度的流程:
                 1、启动集群后,Worker节点会向Master节点汇报资源情况,Master掌握了集群资源情况。

             
2、当Spark提交一个Application后,根据RDD之间的依赖关系将Application形成一个DAG有向无环图。任务提交后,Spark会在Driver端创建两个对象:DAGScheduler和TaskScheduler。

             
3、DAGScheduler是任务调度的高层调度器,是一个对象。DAGScheduler的主要作用就是将DAG根据RDD之间的宽窄依赖关系划分为一个个的Stage,然后将这些Stage以TaskSet的形式提交给TaskScheduler(TaskScheduler是任务调度的低层调度器,这里TaskSet其实就是一个集合,里面封装的就是一个个的task任务,也就是stage中的并行度task任务)

            
4、TaskSchedule会遍历TaskSet集合,拿到每个task后会将task发送到计算节点Executor中去执行(其实就是发送到Executor中的线程池ThreadPool
去执行)。

             5、task在Executor线程池中的运行情况会向TaskScheduler反馈,

             6、当task执行失败时,则由TaskScheduler负责重试,将task重新发送给Executor去执行,默认重试3次
。如果重试3次依然失败,那么这个task所在的stage就失败了。

             7、stage失败了则由DAGScheduler来负责重试,重新发送TaskSet到TaskSchdeuler,
Stage默认重试4次。如果重试4次以后依然失败,那么这个job就失败了。job失败了,Application就失败了。

             8、TaskScheduler不仅能重试失败的task,还会重试straggling(落后,缓慢)
task(也就是执行速度比其他task慢太多的task)。如果有运行缓慢的task那么TaskScheduler会启动一个新的task来与这个运行缓慢的task执行相同的处理逻辑。两个task哪个先执行完,就以哪个task的执行结果为准。这就是Spark的
推测执行机制。在Spark中推测执行默认是关闭的。推测执行可以通过spark.speculation属性来配置。

             总结:

                    1、对于ETL类型要入数据库的业务要关闭推测执行机制,这样就不会有重复的数据入库。

                    2、如果遇到数据倾斜的情况,开启推测执行则有可能导致一直会有
task重新启动处理相同的逻辑,任务可能一直处于处理不完的状态。(所以一般关闭推测执行)

                   3、一个job中多个action,
就会有多个job,一般一个action对应一个job,如果一个application中有多个job时,按照顺序一次执行,即使后面的失败了,前面的执行完了就完了,
不会回滚。

                    4、有SparkContext端就是Driver端。

                    5、一般到如下几行时,资源就申请完了,后面的就是处理逻辑了

                             val conf = new SparkConf()
                             conf.setMaster("local").setAppName("pipeline");
                             val sc = new SparkContext(conf)

 

* 粗粒度资源申请和细粒度资源申请
               粗粒度资源申请(Spark)

               在Application执行之前,将所有的资源申请完毕,当资源申请成功后,才会进行任务的调度,当所有的
task执行完成后,才会释放这部分资源。

               优点:在Application执行之前,所有的资源都申请完毕,每一个task运行时直接使用资源就可以了,不需要task运行时
在执行前自己去申请资源,task启动就快了,task执行快了,stage执行就快了,job就快了,application执行就快了。

               缺点:直到最后一个task执行完成才会释放资源,集群的资源无法充分利用。当数据倾斜时更严重。

              细粒度资源申请(MapReduce)

             Application执行之前不需要先去申请资源,而是直接执行
,让job中的每一个task在执行前自己去申请资源,task执行完成就释放资源。

             优点:集群的资源可以充分利用。

 

             缺点:task自己去申请资源,task启动变慢,Application的运行就相应的变慢了。