Apache Spark最近将版本更新为0.8.1,在该yarn-client
模式下可用.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,该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
"本地推出"是什么意思?在哪里?在Spark集群上?
与纱线独立模式有什么区别?
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(实例化的地方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
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.
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,
org.apache.spark.deploy.yarn.ApplicationMaster
对于MapReduce作业来说,它是org.apache.hadoop.mapreduce.v2.app.MRAppMaster
.
Yarn为ApplicationMaster进程分配一些资源,并在其中一个集群节点中启动ApplicationMaster进程;
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:
在纱线群集模式中,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,例如客户端进程被终止或终止,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处于
纱线监督之下.Yarn ApplicationMaster将仅为spark执行器请求资源.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.
运行的Spark应用程序
驱动程序在启动了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 文章.
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,其中只执行spark应用程序,并且集群不需要以有效的方式为其他作业分配资源.
所以在火花中你有两个不同的组件.有司机和工人.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.