Apache Spark最近将版本更新为0.8.1,其中 yarn-client
模式可用 . 我的问题是,纱线客户端模式究竟意味着什么?在文档中它说:
使用yarn-client模式,应用程序将在本地启动 . 就像在Local / Mesos / Standalone模式下运行应用程序或spark-shell一样 . 启动方法也与它们类似,只需确保在需要指定主URL时,使用“yarn-client”代替
这是什么意思"launched locally"?在哪里?在Spark集群上?
与纱线独立模式有什么区别?
6 回答
Spark应用程序由一个驱动程序和一个或多个执行程序组成 . 驱动程序是主程序(实例化
SparkContext
),它协调执行程序以运行Spark应用程序 . 执行程序运行驱动程序分配的任务 .YARN应用程序具有以下角色:yarn客户端,yarn应用程序主服务器和在节点管理器上运行的容器列表 .
当Spark应用程序在YARN上运行时,它有自己的yarn client和yarn application master实现 .
在这些背景下,主要区别在于驱动程序运行的位置 .
纱线独立模式:您的驱动程序作为纱线应用程序主机的线程运行,纱线应用程序主机本身在群集中的一个节点管理器上运行 . Yarn客户端只从应用程序主机中提取状态 . 此模式与mapreduce作业相同,MR应用程序主机协调容器以运行map / reduce任务 .
纱线客户端模式:您的驱动程序正在纱线客户端上运行,您可以在其中键入提交火花应用程序的命令(可能不是纱线群集中的机器) . 在此模式下,尽管驱动程序在客户端计算机上运行,但任务仍在YARN群集的节点管理器中的执行程序上执行 .
参考:http://spark.incubator.apache.org/docs/latest/cluster-overview.html
所以在火花中你有两个不同的组件 . 有司机和 Worker . 在纱线群集模式下,驱动程序在数据节点上远程运行,并且工作程序在不同的数据节点上运行 . 在纱线客户端模式下,驱动程序位于启动作业的计算机上,而工作程序位于数据节点上 . 在本地模式下,驱动程序和工作人员在启动作业的计算机上 .
运行.collect()时,来自工作节点的数据将被拉入驱动程序 . 它基本上是最后一点处理发生的地方 .
对于我自己,我发现当我在家中使用vpn时,纱线群集模式会更好,但是当我在数据中心内运行代码时,纱线客户端模式会更好 .
Yarn-client模式还意味着您为驱动程序少占用一个工作节点 .
运行的Spark应用程序
纱线客户端模式:
驱动程序在已启动应用程序的客户端计算机或本地计算机上运行 .
资源分配由YARN资源管理器根据数据节点上的数据位置完成,本地机器的驱动程序将控制spark集群(节点管理器)上的执行程序 .
有关详细信息,请参阅此cloudera article .
独立模式和纱线部署模式之间的区别,
资源优化在独立模式下效率不高 .
在独立模式下,驱动程序在集群的每个节点中启动执行程序,而不管数据位置如何 .
standalone适用于用例,其中只有您的spark应用程序正在执行,并且集群不需要以有效的方式为其他作业分配资源 .
火花和纱线都是分布式框架,但它们的作用是不同的:
Yarn是一个资源管理框架,对于每个应用程序,它具有以下角色:
ApplicationMaster:单个应用程序的资源管理,包括从应用程序和监视器的Yarn请求/释放资源 .
尝试:尝试只是一个正常的过程,它完成了应用程序整个工作的一部分 . 例如,mapreduce作业由多个映射器和缩减器组成,每个映射器和reducer都是一个尝试 .
将应用程序应用于纱线的常见过程是:
客户向纱线提交申请请求 . 在请求中,Yarn应该知道ApplicationMaster类;对于SparkApplication,它是
org.apache.spark.deploy.yarn.ApplicationMaster
,对于MapReduce作业,它是org.apache.hadoop.mapreduce.v2.app.MRAppMaster
.Yarn为ApplicationMaster进程分配一些资源并启动ApplicationMaster进程在其中一个集群节点中;
在ApplicationMaster启动后,ApplicationMaster将从Yarn为此应用程序请求资源并启动worker;
对于Spark,分布式计算框架,计算任务分为许多小任务,每个Executor将负责每个任务,Driver将收集所有Executor任务的结果并获得全局结果 . spark应用程序只有一个带有多个执行程序的驱动程序 .
那么,当Spark使用Yarn作为集群中的资源管理工具时,问题就出现了:
在纱线群集模式下,Spark客户端将向纱线提交火花应用,Spark Driver和Spark Executor都在纱线的监督下 . 从纱线的角度来看,Spark Driver和Spark Executor没有区别,但是普通的java进程,即应用程序工作进程 . 因此,当客户端进程消失时,例如客户端进程终止或终止,纱线上的Spark应用程序仍在运行 .
在纱线客户端模式下,只有Spark Executor位于
纱线监督 . Yarn ApplicationMaster将仅为spark Actuator 请求资源 . 驱动程序在客户端进程中运行,与纱线无关,只是将应用程序提交给yarn的过程 . 因此,当客户端离开时,例如,客户端
进程退出,驱动程序关闭,计算终止 .
使用yarn-client模式,您的spark应用程序在本地计算机上运行 . 使用纱线独立模式,您的火花应用程序将作为纱线ApplicationMaster提交给YARN的ResourceManager,并且您的应用程序正在运行ApplicationMaster的纱线节点中运行 . 在这两种情况下,纱线都是火花的集群经理 . 您的应用程序(SparkContext)将任务发送到yarn .
首先,让我们弄清楚在独立模式下运行Spark和在集群管理器(Mesos或YARN)上运行Spark之间的区别 .
在独立模式下运行Spark时,您有:
一个Spark主节点
一些Spark Slaves节点,它们与Spark master一起"registered"
所以:
主节点将执行Spark驱动程序向执行程序发送任务,并且还将执行任何资源协商,这是非常基本的 . 例如,默认情况下,每个作业都将使用所有现有资源 .
从属节点将运行Spark执行程序,运行从驱动程序提交给它们的任务 .
使用集群管理器时(我将为YARN描述这是最常见的情况),您有:
YARN资源管理器(不断运行),它接受对新应用程序和新资源(YARN容器)的请求
多个YARN节点管理器(不断运行),由工作池组成,资源管理器将在其中分配容器 .
应用程序主服务器(在YARN应用程序的持续时间内运行),负责从资源管理器请求容器并将命令发送到分配的容器 .
请注意,在这种情况下有两种模式:
cluster-mode
和client-mode
. 在客户端模式中,您提到的是:Spark驱动程序将在执行命令的机器中运行 .
Application Master将在集群中的已分配Container中运行 .
Spark执行程序将在已分配的容器中运行 .
Spark驱动程序将负责指示Application Master请求资源并向分配的容器发送命令,接收结果并提供结果 .
那么,回到你的问题:
本地意味着在您执行命令的服务器中(可以是
spark-submit
或spark-shell
) . 这意味着您可以在群集的主节点中运行它,或者您也可以在群集外的服务器(例如您的笔记本电脑)中运行它,只要适当的配置到位,这样该服务器就可以与群集通信,反之亦然 .如上所述,不同之处在于在独立模式下,根本没有集群管理器 . 有关每种模式的具体差异的详细分析和分类,请参见article .