技术

mosn有的没的 负载均衡泛谈 《Mysql实战45讲》笔记 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go细节 codereview mat使用 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes垂直扩缩容 神经网络模型优化 直觉上理解机器学习 knative入门 如何学习机器学习 神经网络系列笔记 TIDB源码分析 《阿里巴巴云原生实践15讲》笔记 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 副本一致性 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全机制 jvm crash分析 Prometheus 学习 容器日志采集 Kubernetes 控制器模型 Kubernetes监控 容器狂占cpu怎么办? Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes objects 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 jib源码分析之细节 线程排队 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用? 串一串一致性协议 当我在说PaaS时,我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言的动态性 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 分布式计算系统的那些套路 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS2——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 硬件对软件设计的影响 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记2 《mysql技术内幕》笔记1 log4j学习 为什么netty比较难懂? 回溯法 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 Scala的一些梗 OpenTSDB 入门 spring事务小结 事务一致性 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker中涉及到的一些linux知识 hystrix学习 Linux网络源代码学习——整体介绍 zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践(二) Thrift基本原理与实践(一) 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 Redis概述 机器学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring(八) 支持AOP 自己动手写spring(七) 类结构设计调整 分析log日志 自己动手写spring(六) 支持FactoryBean 自己动手写spring(九) 总结 自己动手写spring(五) bean的生命周期管理 自己动手写spring(四) 整合xml与注解方式 自己动手写spring(三) 支持注解方式 自己动手写spring(二) 创建一个bean工厂 自己动手写spring(一) 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM内存与执行 git spring rmi和thrift maven/ant/gradle使用 再看tcp 缓存系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 VPN(Virtual Private Network) Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go学习 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

架构

k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 controller 组件介绍 openkruise cloneset学习 kubernetes crd 及kubebuilder学习 pv与pvc实现 csi学习 client-go学习 kubelet 组件分析 调度实践 Pod是如何被创建出来的? 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI 《推荐系统36式》笔记 资源调度泛谈 系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 serverless 泛谈 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 《聊聊架构》 书评的笔记 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念入门 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 用户登陆 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 当我在说模板引擎的时候,我在说什么 用户认证问题 资源的分配与回收——池 消息/任务队列

标签


Spark 泛谈

2016年08月31日

前言

分布式计算

spark 用于对 应用进行调度、分发及监控。 这里的应用由多个计算任务组成,运行在多个机器上。具体的说

  1. 任务调度,启动进程,启动其它主机的进程,来运行任务,并感知它们
  2. 定义进程的任务:接收、汇报(通用的) + 数据处理
  3. 数据处理的中间结果,对于单机则一直在内存中,对于分布式则要在主机之间流转

大数据跟迭代的密切关系,大数据一般是大量重复schema的数据。

mesos 提供了基本接口之后,上层可以运行 各种framework,比如marathon。spark 提供了rdd 等基本接口后,根据业务属性的不同,上层可以运行 各种frame work,比如spark stream等

从操作上直观感受 spark

单机模式

  1. 官网下载spark-2.3.0-bin-hadoop2.7.tgz包,解压
  2. 启动master,spark-2.3.0-bin-hadoop2.7/sbin/start-master.sh
  3. 可以在 http://localhost:8080 下查看 webui
  4. 启动一个slave,spark-2.3.0-bin-hadoop2.7/sbin/start-slave.sh spark://localhost:7077

从启动过程及web ui 上可以看到

  1. 跟mesos 很像,mesos 也是start-master,start-slave,mesos master 在5050 端口提供ui。启动一个slave后,worker 列表新增了一行元素,包括了地址、状态、cpu核数及内存。跟mesos 的agent 列表如出一辙
  2. 与hadoop2.x 类似,spark 也分为资源管理 + 任务调度

      master slave
    yarn ResourceManager NodeManager
    mesos master salve
    spark master slave

交互式查询

传统的 通过提交代码与 spark 或 mapreduce 交互

一个mapreduce 任务执行的流程

  1. 编写代码
  2. 打成jar 包
  3. hadoop master 机器上 hadoop jar wordcount.jar input_arg output_arg

对应到 spark 则是

  1. 编写代码
  2. bin/spark-submit --class xx.xx.wordcount target_jar input_arg out_arg

《Spark快速大数据分析》讲到spark shell时提到:使用其它shell工具,你只能用单机的硬盘和内存来操作数据,而Spark Shell可用来与分布式存储在许多机器的内存或者硬盘上的数据进行交互,并且处理过程的分发由spark自动控制完成(spark 速度快,速度快就意味着我们可以进行 交互式的数据操作)。

scala> val input = sc.textFile("/tmp/inputFile")
spark info...
scala> val words = input.flatMap(line => line.split(" "))
spark info...
scala> val counts = words.map(word => (word,1)).reduceByKey{case (x,y) => x+y}
spark info...
scala> counts.saveAsTextFile("/tmp/output")
spark info...

此处,运行完毕后,/tmp/output 是一个目录,其结构 跟 hdfs 是一样一样的,这跟选用saveAsTextFile方法有关系。

rdd——spark和MR的最大不同

而RDD无需文件来存储中间结果,所以hadoop操作和RDD有所不同,RDD的形式可以更丰富。

  1. rdd 支持两种操作:转化操作和行动操作
  2. 惰性求值,在 行动操作开始之前,spark 不会开始 转换操作。
  3. 转化操作 会返回一个新的rdd,老的rdd 数据不会被改变
  4. rdd 根据转换操作 形成lineage graph,每当调用一个行动操作,lineage graph 都会从头开始计算
  存储 提供操作
mapreduce hdfs map/reduce
sparck RDD transform,actiion
  1. spark 更像是用户事先定义好:rdd从哪里来,到哪里去,数据如何变化。spark会对lineage graph进行类似sql语义的解析,然后融合数据的读取、转换和处理流程
  2. 具体的说,数据库对外提供的抽象(或使用方式)是sql,在从物件文件读取数据前,先对sql进行完整的解析,先读哪,再读哪,是否有缓存,是否查索引,最终制定一个执行计划。
  3. spark对外的抽象是rdd代码,最终转化为rdd lineage graph,读取数据的时候,就可以决定哪一步可以过滤掉。
  4. 而hadoop因为是过程式的,数据的处理和数据的读写、中转是不相关的。仅从提供的 map和reduce 接口无法控制 数据的读取,哪怕后面的逻辑表明一半数据是废掉的,读取时依然要先全部读到内存。

代码的运行

资源管理器

此处指的是mesos master/salve, spark master/slave

基于mesos 写一个framework时,有明确的Scheduler、Executor sjarvie/mesos_example

class MesosScheduler implements Scheduler {
	public static void main(){
		 FrameworkInfo framework = FrameworkInfo.newBuilder()
        .setName("ZillabyteMesosExecutorExample")
        .setUser("")
        .setRole("*")
        .build();

	    String mesosAddress = args[0];
	    // 指定Executor 的执行脚本`java -jar xx MesosExecutor.class`
	    String executorScriptPath = args[1];
	    System.setProperty("executor_script_path",executorScriptPath);
	    MesosScheduler scheduler = new MesosScheduler(1);
	    MesosSchedulerDriver driver = new MesosSchedulerDriver(scheduler, framework, mesosAddress);
	    driver.run();
	}
}

class MesosExecutor implements Executor 
  	public static void main(String[] args) {
    	MesosExecutor exec = new MesosExecutor();
    	new MesosExecutorDriver(exec).run();
	}
  	}

Scheduler 作为给独立的进程,通过mesos 地址与 mesos 交互。Scheduler 知道 MesosExecutor 的启动命令,在合适的时机通过mesos 启动 Executor 执行。所以

  1. spark “Scheduler”,spark “Executor”,mesos master,mesos slave 都是独立的进程
  2. spark Scheduler 与 mesos master 交互,spark Executor 与mesos slave 交互,spark Scheduler 与 spark Executor 通过mesos 间接交互。

Spark 程序是如何跑起来的?资源管理器完成的任务是:

  1. 维护每台机器上的剩余资源量,并提供给应用,让应用能运行 Task
  2. 帮应用启动并运行 Executor 和 Scheduler
  3. 帮应用可靠地在 Scheduler 和 Executor 之间传递 Task 运行需要的信息,以及 Task 运行过程中的状态更新信息。

这里面含混了几个词:应用和 task。应用是 Scheduler、Executor和task 的总和。向mesos master 提交应用,mesos master 启动Scheduler,Scheduler 通过 mesos master 在node 上启动Executor,Executor 根据指令 运行task。

上层应用

spark 可以使用自己的 master/slave,也可以使用mesos 或 hadoop yarn

spark/mapreduce 作为 yarn/mesos 的上层,有自己的spark “Scheduler”和 spark “Executor”,对于一段spark 代码

object WordCount {
    def main(args: Array[String]): Unit = {
        val conf = new SparkConf().setAppName("wordCount");
        val sc = new SparkContext(conf)
        val input = sc.textFile("/Users/nali/tmp/hello")
        val words = input.flatMap(line => line.split(" "))
        val counts = words.map(word => (word,1)).reduceByKey{case (x,y) => x+y}
        counts.saveAsTextFile("/Users/nali/tmp/output")
    }
}

它实际 是一个 独立运行的进程么?它和spark master如何交互呢?

Spark 学习: spark 原理简述与 shuffle 过程介绍

要点如下:

  1. wordcount 会对应一个driver 进程,executor 由 spark 框架提供。driver 和 Executor 就是 wordcount 应用的 “scheduler” 和 “executor”
  2. Driver进程会将我们编写的Spark作业代码分拆为多个stage,每个stage执行一部分代码片段,并为每个stage创建一批Task,然后将这些Task分配到各个Executor进程中执行。
  3. Task是最小的计算单元(以线程方式执行)。前文提到资源管理器 就是帮你启动Scheduler、Executor,并提供通信服务,Executor 就是启动和监控task。于是,上层是抽象的rdd接口,下层是一个个task, 中间这种抽象层次的弥合 便通过driver (也就是Scheduler )实现。

Job/Stage/Task

Spark 程序是如何跑起来的?

上文提到,Executor 只是运行和监控task,spark driver 对业务层 提供了rdd 抽象,这个承上启下如何做到?

  1. rdd 有三个重要属性:partitions 列表、compute(Partition):Iterator 函数成员、对其它rdd 的依赖列表
  2. 以 RDD 为节点,依赖关系为边,最后会形成一个 DAG。理想情况下,一个DAG 的一条路径就是 对输入数据依次 执行transform1 ==> transform2 ==> action(一系列transform 加一个action 的结尾),这就是一个task 线程 run 方法的逻辑。比如 rdd.map(f1).filter(f2).count(),此时有几个分区,整个app 便有几个task。
  3. 一些情况下,transform 需要对数据 Shuffle(洗牌),比如 rdd.map(f1).filter(f2).reduceByKey(f3).count,因此就有了 Stage 的概念。接着上面 reduceByKey 的例子,分为两个 Stage,第一个 Stage 运行 N 个 Task,执行 rdd.map(f1).filter(f2),第二个 Stage 执行 reduceByKey(f3).count,运行 M(reduceByKey 之后的分区数) 个 Task
  4. 一个stage的所有Task都执行完毕之后(所以叫stage),会在各个节点本地的磁盘文件中写入计算中间结果,然后Driver就会调度运行下一个stage。下一个stage的Task的输入数据就是上一个stage输出的中间结果。
  5. 一个action(或者说transform1 ==> transform2 ==> action) 是一个job,一个应用会有多个job(比如既计数又求和rdd.count(); rdd.reduce((x,y) => x + y))。

讲到这里,笔者觉得十分有必要研究下java8 Stream 的实现,因为实在有太多的相似之处,Stream 隐藏了 forkjoin,rdd隐藏了Scheduler、Executor、Task等组件以及job、stage、shuffle等概念,只是一个单机一个分布式罢了。

话说回来,java8 Stream 和 rdd 本质都是 Builder 模式。在build 模式中,调用setxxx 都是铺垫,最后build()(类似于spark rdd的行动操作)才是来真的。但Builder 模式 + 更高维度的抽象,加上函数式编程(setxxx 时可传入方法)的助力,便真让人眼前一亮了。