1.启动spark集群，就是执行sbin/start-all.sh,启动master和多个worker节点，master主要作为集群的管理和监控，worker节点主要担任运行各个application的任务。master节点需要让worker节点汇报自身状况，比如cpu,内存多大，这个过程都是通过心跳机制来完成的
2.master收到worker的汇报信息之后，会给予worker信息
3.driver提交任务给spark集群[driver和master之间的通信是通过akkaactor来做的，也就是说master是akkaactor异步通信模型中的一个actor模型，driver也是一样，driver异步向mater发送注册信息（registerapplication）异步注册信息]
4.master节点对application预估，7个g的内存完成任务，对任务进行分配，每一个worker节点上都分配3.5g的内存去执行任务,在master就对各个worker上的任务进行整体的监控调度
5.worker节点领到任务，开始执行，在worker节点上启动相应的executor进程来执行，每个executor中都有一个线程池的概念，里面存有多个task线程
6.executor会从线程池中取出task去计算rddpatition中的数据，transformation操作，action操作
7.worker节点向driver节点汇报计算状态
通过本地并行化集合创建rdd
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
public class javalocalsumapp{ public static void main(string[] args){ sparkconf conf = new sparkconf().setappname("javalocalsumapp"); javasparkcontext sc = new javasparkcontext(conf); list<integer> list = arrays.aslist(1,3,4,5,6,7,8); //通过本地并行化集合创建rdd javardd <integer> listrdd = sc.parallelize(list); //求和 integer sum = listrdd.reduce(new function2<integer,integer,integer,integer>(){ @override public integer call(integer v1,integer v2) throws exception{ return v1+v2; } } ); system.out.println(sum) }}//java 中的函数式编程,需要将编译器设置成1.8listrdd.reduce((v1,v2)=> v1+v2) |
sparktransformation和action操作
rdd:弹性分布式数据集，是一种集合，支持多种来源，有容错机制，可以被缓存，支持并行操作，一个rdd代表一个分区里的数据集
rdd有两种操作算子：
transformation(转化):transformation属于延迟计算，当一个rdd转换成另一个rdd时并没有立即进行转换，紧紧是记住了数据集的逻辑操作
action(执行)：触发spark作业的运行，真正触发转换算子的计算
spark算子的作用
该图描述的是spark在运行转换中通过算子对rdd进行转换，算子是rdd中定义的函数，可以对rdd中的数据进行转换和操作。
输入:在spark程序运行中，数据从外部数据空间（如分布式存储：textfile读取hdfs等，parallelize方法输入scala集合或数据）输入spark ,数据进入spark运行时数据空间，转化为spark中的数据块，通过blockmanager进行管理
运行：在spark数据输入形成rdd后便可以通过变换算子，如filter等。对数据进行操作并将rdd转换为新的rdd，通过action算子，触发spark提交作业，如果数据需要复用，可以通过cache算子，将数据缓存到内存
输出：程序运行结束数据会输出spark运行时空间，存储到分布式存储中（如saveastextfile输出到hdfs）,或scala数据或集合中(collect输出到scala集合,count返回scala int 型数据)
transformation 和 actions操作概况
transformation
map(func):返回一个新的分布式数据集，由每个原元素经过func函数转换后组成
filter(func) :返回一个新的数据集，由经过func函数
flatmap(func):类似于map，但是每一个输入元素，会被映射为0到多个输出元素（因此，func函数的返回值是一个seq，而不是单一元素）
sample(withreplacement, frac, seed): 根据给定的随机种子seed，随机抽样出数量为frac的数据
union(otherdataset): 返回一个新的数据集，由原数据集和参数联合而成
roupbykey([numtasks]): 在一个由（k,v）对组成的数据集上调用，返回一个（k，seq[v])对的数据集。注意：默认情况下，使用8个并行任务进行分组，你可以传入numtask可选参数，根据数据量设置不同数目的task
reducebykey(func, [numtasks]): 在一个（k，v)对的数据集上使用，返回一个（k，v）对的数据集，key相同的值，都被使用指定的reduce函数聚合到一起。和groupbykey类似，任务的个数是可以通过第二个可选参数来配置的。
join(otherdataset, [numtasks]): 在类型为（k,v)和（k,w)类型的数据集上调用，返回一个（k,(v,w))对，每个key中的所有元素都在一起的数据集
groupwith(otherdataset, [numtasks]): 在类型为（k,v)和(k,w)类型的数据集上调用，返回一个数据集，组成元素为（k, seq[v], seq[w]) tuples。这个操作在其它框架，称为cogroup
cartesian(otherdataset): 笛卡尔积。但在数据集t和u上调用时，返回一个(t，u）对的数据集，所有元素交互进行笛卡尔积。
actions操作
reduce(func): 通过函数func聚集数据集中的所有元素。func函数接受2个参数，返回一个值。这个函数必须是关联性的，确保可以被正确的并发执行
collect(): 在driver的程序中，以数组的形式，返回数据集的所有元素。这通常会在使用filter或者其它操作后，返回一个足够小的数据子集再使用，直接将整个rdd集collect返回，很可能会让driver程序oom
count(): 返回数据集的元素个数
take(n): 返回一个数组，由数据集的前n个元素组成。注意，这个操作目前并非在多个节点上，并行执行，而是driver程序所在机器，单机计算所有的元素(gateway的内存压力会增大，需要谨慎使用）
first(): 返回数据集的第一个元素（类似于take(1)）
saveastextfile(path): 将数据集的元素，以textfile的形式，保存到本地文件系统，hdfs或者任何其它hadoop支持的文件系统。spark将会调用每个元素的tostring方法，并将它转换为文件中的一行文本
saveassequencefile(path): 将数据集的元素，以sequencefile的格式，保存到指定的目录下，本地系统，hdfs或者任何其它hadoop支持的文件系统。rdd的元素必须由key-value对组成，并都实现了hadoop的writable接口，或隐式可以转换为writable（spark包括了基本类型的转换，例如int，double，string等等）
foreach(func): 在数据集的每一个元素上，运行函数func。这通常用于更新一个累加器变量，或者和外部存储系统做交互
wordcount执行过程
总结
以上就是本文关于spark 调度架构原理详解的全部内容，希望对大家有所帮助。感兴趣的朋友可以继续参阅本站其他相关专题，如有不足之处，欢迎留言指出。感谢朋友们对本站的支持！
原文链接：http://blog.csdn.net/qq_16103331/article/details/53363858
