Driver Program是用户编写的提交给Spark集群执行的application,它包含两部分
- 作为驱动: Driver与Master、Worker协作完成application进程的启动、DAG划分、计算任务封装、计算任务分发到各个计算节点(Worker)、计算资源的分配等。
- 计算逻辑本身,当计算任务在Worker执行时,执行计算逻辑完成application的计算任务
接下来的问题是,给定一个driver programming,哪些作为"驱动代码"在Driver进程中执行,哪些"任务逻辑代码”被包装到任务中,然后分发到计算节点进行计算?
1. 基本Spark driver application
package spark.examples.databricks.reference.apps.loganalysis import org.apache.spark.{SparkContext, SparkConf} import org.apache.spark.SparkContext._ object LogAnalyzer { def main(args: Array[String]) { val sparkConf = new SparkConf().setAppName("Log Analyzer in Scala").setMaster("local[3]") val sc = new SparkContext(sparkConf) //logFile path is provided by the program args val logFile = if (args != null && args.length == 1) args(0) else "E:\\softwareInstalled\\Apache2.2\\logs\\access.log" //transform each line of the logFile into ApacheAccessLog object, //RDD[T],T is of type ApacheAccessLog //Because it will be used more than more, so cache it. ////从数据源中读取文本文件内容,每一行转换为ApacheAccessLog,然后进行cache val accessLogs = sc.textFile(logFile).map(ApacheAccessLog.parseLogLine).cache() // Calculate statistics based on the content size. //Retrieve the contentSize column and cache it val contentSizes = accessLogs.map(log => log.contentSize).cache() ///reduce是个action,count是个action println("Content Size Avg: %s, Min: %s, Max: %s".format( contentSizes.reduce(_ + _) / contentSizes.count, contentSizes.min, contentSizes.max)) // Compute Response Code to Count. //Take first 100 responseCode, no sort here //take操作是个action val responseCodeToCount = accessLogs .map(log => (log.responseCode, 1)) .reduceByKey(_ + _) .take(100) println( s"""Response code counts: ${responseCodeToCount.mkString("[", ",", "]")}""") // Any IPAddress that has accessed the server more than 10 times. //take操作是个action val ipAddresses = accessLogs .map(log => (log.ipAddress, 1)) .reduceByKey(_ + _) .filter(_._2 > 10) //Get the ipAddress that accessed the server 10+ times .map(_._1) //Map to the IP Address column .take(100) println( s"""IPAddresses > 10 times: ${ipAddresses.mkString("[", ",", "]")}""") // Top Endpoints. //top操作是个action val topEndpoints = accessLogs .map(log => (log.endpoint, 1)) .reduceByKey(_ + _) .top(10)(OrderingUtils.SecondValueOrdering) println( s"""Top Endpoints: ${topEndpoints.mkString("[", ",", "]")}""") sc.stop() } }
Spark application首先在Driver上开始运行main函数,执行过程中。 计算逻辑的开始是从读取数据源(比如HDFS中的文件)创建RDD开始,RDD分为transform和action两种操作,transform使用的是懒执行,而action操作将会触发Job的提交。
Job的提交以为着DAG划分、计算任务封装、计算任务分发到各个计算节点(Worker)、计算资源的分配等,这是真正的将任务分发的开始。因此,从代码中首先要识别出哪些action。
另外一个问题, 任务执行过程中执行的逻辑代码如何识别?
Application在Driver上执行,遇到RDD的action动作后,开始提交作业,当作业执行完成后,后面的作业陆续提交,也就是说,虽然一个Spark Application可以有多个Job(每个action对应一个Job),这些Job是顺序执行的,Job(X)执行完成才会执行Job(X+1)。
遇到Job执行,比如上面的contentSize.reduce(_+_),那么所谓的计算逻辑就是函数 _+_,这是个求和操作。具体的任务逻辑执行时,还是从action回溯RDD,中间经过转换得到最终的这个Task所属的Partition的数据,然后执行reduce(_+_)
2. Spark Stream程序
package spark.examples.streaming import java.sql.{PreparedStatement, Connection, DriverManager} import java.util.concurrent.atomic.AtomicInteger import org.apache.spark.SparkConf import org.apache.spark.streaming.{Seconds, StreamingContext} import org.apache.spark.streaming._ import org.apache.spark.streaming.StreamingContext._ //No need to call Class.forName("com.mysql.jdbc.Driver") to register Driver? object SparkStreamingForPartition { def main(args: Array[String]) { val conf = new SparkConf().setAppName("NetCatWordCount") conf.setMaster("local[3]") val ssc = new StreamingContext(conf, Seconds(5)) val dstream = ssc.socketTextStream("192.168.26.140", 9999) //foreachRDD是DStream的动作函数,会触发Job执行,然后对一个时间间隔内创建的RDD进行处理。如果RDD执行RDD的动作函数,是否继续触发Job执行? dstream.foreachRDD(rdd => { //embedded function def func(records: Iterator[String]) { var conn: Connection = null var stmt: PreparedStatement = null try { val url = "jdbc:mysql://192.168.26.140:3306/person"; val user = "root"; val password = "" conn = DriverManager.getConnection(url, user, password) records.flatMap(_.split(" ")).foreach(word => { val sql = "insert into TBL_WORDS(word) values (?)"; stmt = conn.prepareStatement(sql); stmt.setString(1, word) stmt.executeUpdate(); }) } catch { case e: Exception => e.printStackTrace() } finally { if (stmt != null) { stmt.close() } if (conn != null) { conn.close() } } } ///对RDD进行重新分区,以改变处理的并行度 val repartitionedRDD = rdd.repartition(3) ///对每个分区调用func函数,func函数的参数就是一个分区对应的数据的遍历器(Iterator) repartitionedRDD.foreachPartition(func) }) ssc.start() ssc.awaitTermination() } }
DStream的foreachRDD是个Output Operation,类似于RDD的action,因此,高阶函数foreachRDD的函数参数,将在worker上执行。这里的func是定义为foreachRDD参数函数的内部函数,因此会发送到Worker上执行,如果func定义在最外层,比如作为main函数的直接内部函数,是否可以顺利的从Driver序列化到Worker上呢?我认为是可以的。函数在Scala中只是一个普通的对象,没有状态,序列化反序列化时需要创建MySQL的Connection。
3. foreachRDD中的rdd继续执行action算子
package spark.examples.streaming import java.sql.{PreparedStatement, Connection, DriverManager} import java.util.concurrent.atomic.AtomicInteger import org.apache.spark.SparkConf import org.apache.spark.streaming.{Seconds, StreamingContext} import org.apache.spark.streaming._ import org.apache.spark.streaming.StreamingContext._ object SparkStreamingForPartition2 { def main(args: Array[String]) { val conf = new SparkConf().setAppName("NetCatWordCount") conf.setMaster("local[3]") val ssc = new StreamingContext(conf, Seconds(5)) val dstream = ssc.socketTextStream("192.168.26.140", 9999) dstream.foreachRDD(rdd => { //对于空RDD调用flatMap报错,这里进行判断 if (!rdd.isEmpty()) { ///RDD的Record个数 val recordCount = rdd.count() ///RDD中的单词数 val wordCount = rdd.flatMap(_.split(" ")).map(word => 1).reduce(_ + _) println("recordCount: =" + recordCount + "," + "wordCount:=" + wordCount) } else { println("Empty RDD, No Data") } }) ssc.start() ssc.awaitTermination() } }
需要注意的是,对于没有任何元素的RDD(RDD.isEmpty为true),那么不能执行转换算子如flatMap等,这在Spark Streaming中读取空的RDD是很常见的情况?但是这个空检查是在RDD的reduce函数中执行的
def reduce(f: (T, T) => T): T = { val cleanF = sc.clean(f) val reducePartition: Iterator[T] => Option[T] = iter => { if (iter.hasNext) { Some(iter.reduceLeft(cleanF)) } else { None } } var jobResult: Option[T] = None val mergeResult = (index: Int, taskResult: Option[T]) => { if (taskResult.isDefined) { jobResult = jobResult match { case Some(value) => Some(f(value, taskResult.get)) case None => taskResult } } } sc.runJob(this, reducePartition, mergeResult) // Get the final result out of our Option, or throw an exception if the RDD was empty jobResult.getOrElse(throw new UnsupportedOperationException("empty collection")) }
如下操作对于空RDD是可以的,返回0
rdd.flatMap(_.split(" ")).map(_ => 1).count()
相关推荐
在SparkShell中,用户提交的代码会首先被解析为Driver Program,然后利用SparkContext实例来创建和执行各个任务。 Spark作业的提交与运行过程大致可以分为以下几个步骤: 1. 创建SparkContext实例:用户在Spark...
1. 在Client模式下,SparkSubmit直接启动Driver线程执行用户代码,而不需要通过AM。 2. Driver创建ScheduleBackend与YarnClientSchedulerBackend交互,向RM申请ExecutorLauncher。 3. ExecutorLauncher启动...
这个“在Web Worker中运行一个模块”的主题,主要是关于如何利用JavaScript的特性将模块化代码适配到Web Worker的上下文中。 首先,我们要理解JavaScript的模块系统。在ES6中,引入了`import`和`export`关键字,...
单机模式下,Spark 只使用单台机器的资源,而伪分布式模式下,Spark 可以模拟分布式环境,但所有的计算都是在单台机器上完成的。 Starting a Cluster 在 standalone 模式下,需要手动启动 master 和 slave 节点。...
在本文中,我们将深入探讨如何在Golang环境中利用v8worker2库构建一个ReasonML运行时。ReasonML是一种静态类型的函数式编程语言,它在JavaScript语法的基础上进行了优化,旨在提供更好的类型安全性和编译时检查。Go...
- **Driver Program**:Driver Program 是 Spark 应用程序的控制中心,负责调度任务、处理数据等操作。 - **Stages**:Stages 是 Spark 执行计划的基本单元,由一系列连续的 Tasks 组成。 #### 六、总结 Spark ...
如果在集群模式下运行,Driver程序可以运行在Master节点上,或者根据集群管理器的调度,运行在任何Worker节点上,比如在YARN集群中的 WorkerNode2。 在本地模式下,用户可以使用本地的IDE(例如Eclipse)运行Driver...
1. Application:Spark应用程序,指的是用户编写的Spark应用程序,包含了Driver功能代码和分布在集群中多个节点上的Executor代码。 2. Driver:驱动程序,Spark中的Driver即运行上述Application的Main()函数,并且...
综上所述,Spark的运行架构设计精妙,通过高效的调度机制和灵活的Task类型,能够在不同的集群环境中实现高性能的数据处理。理解这些核心概念和技术细节对于有效利用Spark进行大规模数据处理至关重要。
在术语定义中,Application指的是用户编写的Spark应用程序,它由运行main()函数的Driver和分布在集群中多个节点上运行的Executor组成。Driver创建SparkContext以准备运行环境,SparkContext负责与ClusterManager通信...
总结来说,在Spark中,Driver端主要负责协调工作、管理资源和处理高级逻辑,而Worker端则专注于执行具体的计算任务。 #### 二、Spark的部署方式详解 Apache Spark支持多种部署方式,包括local模式、standalone模式...
Driver Program负责创建SparkContext,SparkContext与集群管理器交互,启动Executor,Executor在Worker Nodes上运行任务。 3. **Spark编程模型** Spark提供了Scala、Java、Python和R等多种语言API,其中Scala API...
在 Spark 中,Application 指的是用户编写的 Spark 应用程序/代码,包含了 Driver 功能代码和分布在集群中多个节点上运行的 Executor 代码。一个 Spark 应用程序由一个或多个作业 JOB 组成,Driver 负责和 Cluster...
- **Driver Program**:驱动程序是Spark应用的主要部分,它负责创建`SparkContext`(或`SparkSession`),定义转换和操作,以及触发执行。 - **Executor Processes**:执行器进程是由Worker Node启动的,用于执行...
在核心组件方面,Spark应用程序包括驱动程序(Driver program)和执行器(Executors)。驱动程序是一个Java程序,它通过创建SparkContext来启动应用。而执行器则是执行任务和存储数据的工作进程。在集群管理器...
3. Driver:执行Spark应用的main方法,实际执行代码。Driver的工作包括申请资源、注册Executor、解析作业、生成Stage并调度Task,监控Task执行,最后释放资源并注销应用程序。 4. Executor:是JVM进程,执行具体的...
- **兼容性**:Spark能够与多种数据源集成,如HDFS、Cassandra、HBase等,并且可以运行在多个集群管理器之上,如YARN、Mesos和Kubernetes。 3. **Spark集群安装** - **安装**: - **机器部署**:为了搭建Spark...
Spark 学习之路,包含 Spark Core,Spark SQL,Spark Streaming,Spark mllib 学习笔记 * [spark core学习笔记及代码 * [spark sql学习笔记及代码 * [spark streaming学习笔记及代码 Spark 消息通信 ### Spark ...
Driver Program是用户代码运行的地方,它创建SparkContext来启动应用,而Executor是在集群中运行任务的进程,它们负责缓存数据和执行任务。 5. **DAGScheduler和TaskScheduler** DAGScheduler将用户提交的作业...
Spark可以在Hadoop的YARN集群管理器上运行,或者独立运行在支持HDFS的集群上。这样的互操作性让Spark可以利用Hadoop的分布式存储以及集群资源管理能力,同时通过Spark的高效执行引擎提升了整体性能。 在版本迭代的...