spark 1.6.0 core源码分析1 集群启动及任务提交过程

spark版本号：1.6.0

spark源码分析目的是在解读源码的过程中记录一些重要的步骤，加深记忆，方便以后复习。
Standalone集群启动及任务提交过程详解



正常启动及job提交过程如下：

1. 启动master

2. 启动worker

3. 客户端提交application到master

4. master发送LaunchExecutor指令给相应worker

5. worker启动Executor进程

6. Executor将自己注册到driver中

7. 将spark job分解成多个task发散到各个Executor上运行

Spark在YARN中有yarn-cluster和yarn-client两种运行模式:

I. Yarn Cluster

Spark Driver首先作为一个ApplicationMaster在YARN集群中启动，客户端提交给ResourceManager的每一个job都会在集群的worker节点上分配一个唯一的ApplicationMaster，由该ApplicationMaster管理全生命周期的应用。因为Driver程序在YARN中运行，所以事先不用启动Spark Master/Client，应用的运行结果不能在客户端显示（可以在history server中查看），所以最好将结果保存在HDFS而非stdout输出，客户端的终端显示的是作为YARN的job的简单运行状况。





 1. 由client向ResourceManager提交请求，并上传jar到HDFS上 这期间包括四个步骤：

      a). 连接到RM 

      b). 从RM ASM（ApplicationsManager ）中获得metric、queue和resource等信息。

      c). upload app jar and spark-assembly jar 

     d). 设置运行环境和container上下文（launch-container.sh等脚本)

2. ResouceManager向NodeManager申请资源，创建Spark ApplicationMaster（每个 SparkContext都有一个ApplicationMaster） 

3. NodeManager启动Spark App Master，并向ResourceManager AsM注册 

4. Spark ApplicationMaster从HDFS中找到jar文件，启动DAGscheduler和YARN Cluster Scheduler 

5. ResourceManager向ResourceManager AsM注册申请container资源（INFO YarnClientImpl: Submitted application）

6. ResourceManager通知NodeManager分配Container，这时可以收到来自ASM关于 container的报告。（每个container的对应一个executor） 

7. Spark ApplicationMaster直接和container（executor）进行交互，完成这个分布式任务。 

需要注意的是：

      a). Spark中的localdir会被yarn.nodemanager.local-dirs替换 

      b). 允许失败的节点数(spark.yarn.max.worker.failures)为executor数量的两倍数量，最小为3. 

      c). SPARK_YARN_USER_ENV传递给spark进程的环境变量 

      d). 传递给app的参数应该通过–args指定。

II. yarn-client

(YarnClientClusterScheduler)查看对应类的文件 在yarn-client模式下，Driver运行在Client上，通过ApplicationMaster向RM获取资源。本地Driver负责与所有的executor container进行交互，并将最后的结果汇总。结束掉终端，相当于kill掉这个spark应用。一般来说，如果运行的结果仅仅返回到terminal上时需要配置这个。



客户端的Driver将应用提交给Yarn后，Yarn会先后启动ApplicationMaster和executor，另外ApplicationMaster和executor都 是装载在container里运行，container默认的内存是1G，ApplicationMaster分配的内存是driver-memory，executor分配的内存是executor-memory。同时，因为Driver在客户端，所以程序的运行结果可以在客户端显 示，Driver以进程名为SparkSubmit的形式存在。 配置YARN-Client模式同样需要HADOOP_CONF_DIR/YARN_CONF_DIR和SPARK_JAR变量。