spark(3)

0.spark

--------------------------------------------

　　transformation

　　map

　　filter

　　repartition

spark核心API

----------------------------------------------------

　 [SparkContext]

　　　　连接到spark集群上的入口点

　[HadoopRDD]

　　　　读取hadoop上的数据

　[MapPartitionsRDD]

　　　　针对父RDD的每个分区提供了函数，构成的新类型的RDD

　[PairRDDFunctions]

　　　　对偶RDD函数类

　　　　可用于KV类型RDD的附加函数。可以通过隐式转化

　[ShuffleRDD]

　　　　从shuffle中计算结果的RDD

　[RDD]　　

　　　　弹性分布式数据集

　　　　不可变的数据分区集合

　　　　基本操作：map filter

　　　　分区列表　　　　　　　　　//数据

　　　　应用给每个切片的计算函数　　//行为

　　　　到其他RDD的依赖列表　　　　//依赖关系

　　　　（可选）针对kv类型的RDD分区类

　　　　（可选）首选位置列表

　　[DAGScheduler]

　　　　高级调度器层面，实现按照阶段(stage)，shuffle按照。

　　　　对每个JOB的各阶段计算有向无环图(DAG)，并且跟踪RDD和每个阶段的输出

　　　　找出最小的调度运行作业，将Stage对象以TaskSet的方式提交给底层的调度器

　　　　底层调度器要实现TaskScheduler接口，进而在cluster上运行job　　

　　　　TaskSet已经包含了全部的单独的task,这些Task都能够基于cluster的数据进行相应的正确的运行　　

　　Stage通过在需要shuffle的边界处将RDD打碎,来创建stage对象。

　　具有"窄依赖"的RDD操作(比如map/filter)被管道化至另一个taskset中。而具有shuffle依赖的操作则包含多个Stage(一个进行输入，另一个进行输出)

　　最后，每个stage都有一个针对其他stage的shuffle依赖，可以计算多个操作。

　　DAG调度器检测首选位置运行task，通过基于当前缓存状态，并穿肚给底层的task调度器来进行实现，根据shuffle的输出是否丢失处理故障问题

　　不是由stage内因为丢失文件而引发的故障有task调度处理，在取消整个stage之前，task会进行少量次数的重试操作

　　【术语介绍】

　　　　[job]提交给调度器的顶层工作项目，由ActiveJob表示，是Stage集合。

　　　　[Stage]是task的集合，计算job的中间结果，同一个RDD的每个分区都会应用相同的计算函数。

　　　　　　　　在shuffle的边界进行隔离(因此才引入了隔断，需要上一个stage完成之后，才能得到输出结果)

　　　　　　　　有两种类型的stage:ResultStage;ShuffleMapStage:对shuffle输出文件的写操作，stage通常可以在job之间进行共享，可以跨越多个job实现共享

　　　　　　　　如果job重用了同一个rdd的话，stage通常可以跨越多个job实现共享。

　　　　　　　　并行任务的集合，都会计算同一函数，所有task有着同样的shuffle依赖

　　　　[Task]单独的工作单元，发送给每一台主机

　　　　[Cache tracking]DAG调度器可以找出那些RDD被缓存，避免不必要的计算，同时也会记住哪些shufflemap已经输出了结果，可以避免map端shuffle结果重复处理

　　　　[Preferred localtions]

　　　　　　dag调度器根据rdd的首选位置属性计算task在哪里运行

　　　　[cleanup]运行的作业如果完成就会清除数据结构避免内存泄漏，主要针对耗时应用

　　　　为了容错，同一阶段可能会运行多次，称之为"attemp"，如果task调度器报告了一个故障，该故障是由于上一个stage丢失输出文件而导致的，DAG调度就会重新提交丢失的stage;DAG调度器会等待一段时间，看其他节点的任务是否失败，然后对丢失的stage重新提交ticketStage

　　　　[ActiveJob]:在Dag调度器中运行job，作业分为两种类型:(1)result job,计算ResultStage来执行action;(2)map-stage job,为shuffleMapStage计算输出结果共下游stage使用，主要使用finalStage字段进行类型的划分；job只跟踪客户端提交的leaf stage，通过调用DAG调度器的submit job或者submitMapStage()方法来实现

Action发生之后，spark流程

------------------------------------

巴特西

spark(3)

最新文章

热门文章