许鹏:从零开始学习,Apache Spark源码走读(三)
2015-10-02 16:09
711 查看
许鹏:从零开始学习,Apache Spark源码走读(三)
17149次阅读| 来源个人博客| 24 条评论| 作者许鹏
大数据Spark开源技术博客推荐
摘要:自2013年6月进入Apache孵化器,Spark已经有来自25个组织的120多位开发者参与贡献。而在不久前,更成为了Apache软件基金会的顶级项目,当下已是知名Hadoop开发商Cloudera和MapR的新宠。
Standalone部署模式下的容错性分析
概要
本文就standalone部署方式下的容错性问题做比较细致的分析,主要回答standalone部署方式下的包含哪些主要节点,当某一类节点出现问题时,系统是如何处理的。Standalone部署的节点组成
![](http://cms.csdnimg.cn/article/201406/18/53a15f1919ed3.jpg)
介绍Spark的资料中对于RDD这个概念涉及的比较多,但对于RDD如何运行起来,如何对应到进程和线程的,着墨的不是很多。
在实际的生产环境中,Spark总是会以集群的方式进行运行的,其中standalone的部署方式是所有集群方式中最为精简的一种,另外是Mesos和YARN,要理解其内部运行机理,显然要花更多的时间才能了解清楚。
standalone cluster的组成
standalone集群由三个不同级别的节点组成,分别是Master 主控节点,可以类比为董事长或总舵主,在整个集群之中,最多只有一个Master处在Active状态
Worker 工作节点 ,这个是manager,是分舵主, 在整个集群中,可以有多个worker,如果worker为零,什么事也做不了
Executor 干苦力活的,直接受worker掌控,一个worker可以启动多个executor,启动的个数受限于机器中的cpu核数
这三种不同类型的节点各自运行于自己的JVM进程之中。
Driver Application
提交到standalone集群的应用程序称之为Driver Applicaton。Standalone集群启动及任务提交过程详解
![](http://cms.csdnimg.cn/article/201406/18/53a15fc1246fb.jpg)
上图总结了正常情况下Standalone集群的启动以及应用提交时,各节点之间有哪些消息交互。下面分集群启动和应用提交两个过程来作详细说明。
集群启动过程
正常启动过程如下所述step 1: 启动master
[js]
view plaincopyprint?
$SPARK_HOME/sbin/start-master.sh
$SPARK_HOME/sbin/start-master.shstep 2: 启动worker
[js]
view plaincopyprint?
./bin/spark-class org.apache.spark.deploy.worker.Worker spark://localhost:7077
./bin/spark-class org.apache.spark.deploy.worker.Worker spark://localhost:7077worker启动之后,会做两件事情
将自己注册到Master、RegisterWorker
定期发送心跳消息给Master
任务提交过程
step 1: 提交application利用如下指令来启动spark-shell
[js]
view plaincopyprint?
MASTER=spark://127.0.0.1:7077 $SPARK_HOME/bin/spark-shell
MASTER=spark://127.0.0.1:7077 $SPARK_HOME/bin/spark-shell运行spark-shell时,会向Master发送RegisterApplication请求
日志位置: master运行产生的日志在$SPARK_HOME/logs目录下
step 2: Master处理RegisterApplication的请求之后
收到RegisterApplication请求之后,Mastet会做如下处理
如果有worker已经注册上来,发送LaunchExecutor指令给相应worker
如果没有,则什么事也不做
step 3: 启动Executor
Worker在收到LaunchExecutor指令之后,会启动Executor进程
step 4: 注册Executor
启动的Executor进程会根据启动时的入参,将自己注册到Driver中的SchedulerBackend
日志位置:executor的运行日志在$SPARK_HOME/work目录下
step 5: 运行Task
SchedulerBackend收到Executor的注册消息之后,会将提交到的Spark Job分解为多个具体的Task,然后通过LaunchTask指令将这些Task分散到各个Executor上真正的运行
如果在调用runJob的时候,没有任何的Executor注册到SchedulerBackend,相应的处理逻辑是什么呢?
SchedulerBackend会将Task存储在TaskManager中
一旦有Executor注册上来,就将TaskManager管理的尚未运行的task提交到executor中
如果有多个job处于pending状态,默认调度策略是FIFO,即先提交的先运行
测试步骤
启动Master
启动spark-shell
执行 sc.textFile("README.md").count
启动worker
注意worker启动之后,spark-shell中打印出来的日志消息
Job执行结束
任务运行结束时,会将相应的Executor停掉。
可以做如下的试验
停止spark-shell
利用ps -ef|grep -i java查看java进程,可以发现CoarseGrainedExecutorBackend进程已经退出
小结
通过上面的控制消息原语之间的先后顺序可以看出Master和worker进程必须显式启动
executor是被worker隐式的带起
集群的启动顺序
Master必须先于其它节点启动
worker和driver哪个先启动,无所谓
但driver提交的job只有在有相应的worker注册到Master之后才可以被真正的执行
异常场景分析
上面说明的是正常情况下,各节点的消息分发细节。那么如果在运行中,集群中的某些节点出现了问题,整个集群是否还能够正常处理Application中的任务呢?
异常分析1: worker异常退出
![](http://cms.csdnimg.cn/article/201406/18/53a1624c4636a_middle.jpg)
在Spark运行过程中,经常碰到的问题就是worker异常退出,当worker退出时,整个集群会有哪些故事发生呢?请看下面的具体描述:
worker异常退出,比如说有意识的通过kill指令将worker杀死
worker在退出之前,会将自己所管控的所有小弟executor全干掉
worker需要定期向master改善心跳消息的,现在worker进程都已经玩完了,哪有心跳消息,所以Master会在超时处理中意识到有一个“分舵”离开了
Master非常伤心,伤心的Master将情况汇报给了相应的Driver
Driver通过两方面确认分配给自己的Executor不幸离开了,一是Master发送过来的通知,二是Driver没有在规定时间内收到Executor的StatusUpdate,于是Driver会将注册的Executor移除
后果分析
worker异常退出会带来哪些影响
executor退出导致提交的task无法正常结束,会被再一次提交运行
如果所有的worker都异常退出,则整个集群不可用
需要有相应的程序来重启worker进程,比如使用supervisord或runit
测试步骤
启动Master
启动worker
启动spark-shell
手工kill掉worker进程
用jps或ps -ef|grep -i java来查看启动着的java进程
异常退出的代码处理
定义于ExecutorRunner.scala的start函数
[js]
view plaincopyprint?
def start() {
workerThread = new Thread("ExecutorRunner for " + fullId) {
override def run() { fetchAndRunExecutor() }
}
workerThread.start()
// Shutdown hook that kills actors on shutdown.
shutdownHook = new Thread() {
override def run() {
killProcess(Some("Worker shutting down"))
}
}
Runtime.getRuntime.addShutdownHook(shutdownHook)
}
def start() { workerThread = new Thread("ExecutorRunner for " + fullId) { override def run() { fetchAndRunExecutor() } } workerThread.start() // Shutdown hook that kills actors on shutdown. shutdownHook = new Thread() { override def run() { killProcess(Some("Worker shutting down")) } } Runtime.getRuntime.addShutdownHook(shutdownHook) }killProcess的过程就是停止相应CoarseGrainedExecutorBackend的过程。
worker停止的时候,一定要先将自己启动的Executor停止掉。这是不是很像水浒中宋江的手段,李逵就是这样不明不白的把命给丢了。
小结
需要特别指出的是,当worker在启动Executor的时候,是通过ExecutorRunner来完成的,ExecutorRunner是一个独立的线程,和Executor是一对一的关系,这很重要。Executor作为一个独立的进程在运行,但会受到ExecutorRunner的严密监控。
异常分析2: executor异常退出
![](http://cms.csdnimg.cn/article/201406/18/53a163bc3a774.jpg)
Executor作为Standalone集群部署方式下的最底层员工,一旦异常退出,其后果会是什么呢?
executor异常退出,ExecutorRunner注意到异常,将情况通过ExecutorStateChanged汇报给Master
Master收到通知之后,非常不高兴,尽然有小弟要跑路,那还了得,要求Executor所属的worker再次启动
Worker收到LaunchExecutor指令,再次启动executor
作为一名底层员工,想轻易摞挑子不干是不成的。"人在江湖,身不由己“啊。
测试步骤
启动Master
启动Worker
启动spark-shell
手工kill掉CoarseGrainedExecutorBackend
fetchAndRunExecutor
fetchAndRunExecutor负责启动具体的Executor,并监控其运行状态,具体代码逻辑如下所示
[js]
view plaincopyprint?
def fetchAndRunExecutor() {
try {
// Create the executor's working directory
val executorDir = new File(workDir, appId + "/" + execId)
if (!executorDir.mkdirs()) {
throw new IOException("Failed to create directory " + executorDir)
}
// Launch the process
val command = getCommandSeq
logInfo("Launch command: " + command.mkString("\"", "\" \"", "\""))
val builder = new ProcessBuilder(command: _*).directory(executorDir)
val env = builder.environment()
for ((key, value) {
logInfo("Runner thread for executor " + fullId + " interrupted")
state = ExecutorState.KILLED
killProcess(None)
}
case e: Exception => {
logError("Error running executor", e)
state = ExecutorState.FAILED
killProcess(Some(e.toString))
}
}
}
def fetchAndRunExecutor() { try { // Create the executor's working directory val executorDir = new File(workDir, appId + "/" + execId) if (!executorDir.mkdirs()) { throw new IOException("Failed to create directory " + executorDir) } // Launch the process val command = getCommandSeq logInfo("Launch command: " + command.mkString("\"", "\" \"", "\"")) val builder = new ProcessBuilder(command: _*).directory(executorDir) val env = builder.environment() for ((key, value) { logInfo("Runner thread for executor " + fullId + " interrupted") state = ExecutorState.KILLED killProcess(None) } case e: Exception => { logError("Error running executor", e) state = ExecutorState.FAILED killProcess(Some(e.toString)) } } }异常分析3: master 异常退出
![](http://cms.csdnimg.cn/article/201406/18/53a1643a43be8.jpg)
worker和executor异常退出的场景都讲到了,我们剩下最后一种情况了,master挂掉了怎么办?
带头大哥如果不在了,会是什么后果呢?
worker没有汇报的对象了,也就是如果executor再次跑飞,worker是不会将executor启动起来的,大哥没给指令
无法向集群提交新的任务
老的任务即便结束了,占用的资源也无法清除,因为资源清除的指令是Master发出的
怎么样,知道后果很严重了吧?别看老大平时不干活,要真的不在,仅凭小弟们是不行的。
Master单点失效问题的解决
那么怎么解决Master单点失效的问题呢?你说再加一个Master就是了,两个老大。两个老大如果同时具有指挥权,结果也将是灾难性的。设立一个副职人员,当目前的正职挂掉之后,副职接管。也就是同一时刻,有且只有一个active master。
注意不错,如何实现呢?使用zookeeper的ElectLeader功能,效果图如下
![](http://cms.csdnimg.cn/article/201406/18/53a164edf3591_middle.jpg)
配置细节
如何搭建zookeeper集群,这里不再废话,哪天有空的话再整一整,或者可以参考写的storm系列中谈到的zookeeper的集群安装步骤。假设zookeeper集群已经设置成功,那么如何启动standalone集群中的节点呢?有哪些特别的地方?
conf/spark-env.sh
在conf/spark-env.sh中,为SPARK_DAEMON_JAVA_OPTS添加如下选项
System property | Meaning |
spark.deploy.recoveryMode | Set to ZOOKEEPER to enable standby Master recovery mode (default: NONE). |
spark.deploy.zookeeper.url | The ZooKeeper cluster url (e.g., 192.168.1.100:2181,192.168.1.101:2181). |
spark.deploy.zookeeper.dir | The directory in ZooKeeper to store recovery state (default: /spark). |
[js]
view plaincopyprint?
SPARK_DAEMON_JAVA_OPTS="$SPARK_DAEMON_JAVA_OPTS -Dspark.deploy.recoveryMode=ZOOKEEPER"
SPARK_DAEMON_JAVA_OPTS="$SPARK_DAEMON_JAVA_OPTS -Dspark.deploy.recoveryMode=ZOOKEEPER"应用程序启动
应用程序运行的时候,指定多个master地址,用逗号分开,如下所示
[js]
view plaincopyprint?
MASTER=spark://192.168.100.101:7077,spark://192.168.100.102:7077 bin/spark-shell
MASTER=spark://192.168.100.101:7077,spark://192.168.100.102:7077 bin/spark-shell
小结
Standalone集群部署方式下的容错性分析让我们对于Spark的任务分发过程又有了进一处的认识。前面的篇章从整体上匆匆过了一遍Spark所涉及的知识点,分析的不够深,不够细。此篇尝试着就某一具体问题做深入的分析。套用书画中的说法,在框架分析的时候,我们可以”大开大合,疏可走马,计白当黑“,在细节分析的时候,又要做到“密不透风,条分缕析,层层递进”。
相关链接
Apache Spark源码走读之14 -- Graphx实现剖析
Apache Spark源码走读之15 -- Standalone部署模式下的容错性分析(责编/仲浩)
相关文章推荐
- Apache容器扩展Transformer类
- ubuntu apache2 svn 搭建
- Linux、Apache、Mysql、PHP(LAMP) -- 部署文档
- Python CGI与Apache的配置
- Ubuntu 14.10下部署Django到Apache服务器
- org.apache.commons扩展容器中的Predicate类
- Web学习之——03Apache服务器的高级配置(虚拟主机、status)
- Web学习之——02Apache的基本配置(全局配置、主服务器配置)
- Windows下配置Apache虚拟机
- (IIS8/8.5/Apache)301域名重定向
- Apache SVN配置
- linux(apache)
- 【手把手教你全文检索】Apache Lucene初探
- 使用Apache Camel处理web service请求的三种方法
- Spark java.lang.UnsatisfiedLinkError: org.apache.hadoop.util.NativeCrc32
- apache vhost配置
- BUILD问题“Class not found : Lorg/apache/commons/logging/Log”
- 写得很详细的apache的入门文档
- 安装潮流组合--LAMP+NFS(编译php-fpm模块与apache2.4结合)
- ubuntu14.0(linux) 安装 apache2.4+ 报 apr not found