Spark 2.1.0支持的运行模式
Spark支持多种运行模式，可以在集群环境中运行，也可以单机本地运行，或者在单机上部署伪分布集群来运行Spark。
Spark 2.1.0原生支持三种集群：Spark原生提供的Standalone集群，以及外部资源调度框架Apache Mesos和Hadoop Yarn。
目前随着Kubernetes的火热，Spark on K8S的呼声也越来越高。预计不久将来Kube应该也会成为Spark原生支持的外部集群框架。
Spark应用程序通过设置SparkContext中的Master URL来指定运行模式，各种运行模式以及传递的Master URL总结如下：
| 运行模式 | Master URL | 说明 |
|---|---|---|
| 本地 | local | 本地单线程运行Spark(无任何并行) |
| 本地 | local[K] | 本地K条线程运行Spark(K的理想值为当前节点CPU核心数) |
| 本地 | local[*] | 使用与本地CPU核心数一致的工作线程来运行Spark |
| 集群 | spark://HOST:PORT | Standalone模式。HOST:PORT指定了集群Master的地址与端口（缺省端口7077） |
| 集群 | mesos://HOST:PORT | Mesos模式，依赖Mesos来调度Spark使用的资源。HOST:PORT指定了Mesos集群MesosClusterDispatcher的地址与端口（缺省端口5050）。 如果Mesos集群使用了ZooKeeper ZooKeeper，则URL需要写成：“mesos://zk://…” |
| 集群 | yarn | Yarn模式，依赖Apache Yarn来调度Spark使用的资源。 Yarn集群配置信息要存放到$HADOOP_CONF_DIR或者$YARN_CONF_DIR目录下 |
Spark的运行流程以及相关概念
Spark的运行流程简述
Spark应用在独立的集群中的一组进程上执行，Spark应用的Driver program生成SparkContext，SparkContext负责整个Spark应用运行时的协调，包括运行资源的申请、任务的分配和监控等。
Spark应用运行的逻辑流程图如下：
- Driver启动后生成SparkContext，SparkContext连接至Cluster Manager，这里的Cluster Manager可以是Standalone cluster manager、Mesos或YARN；
- Cluster Manager为Spark应用分配运行资源，即Worker节点上的Executor；
- Spark发送Spark应用(Jar文件或Python文件)至Executor；
- Spark分配Task给Executor，Executor执行Spark应用计算，存取Spark应用数据；
- SparkContext监控Task执行结果；
Spark相关概念
| 概念 | 说明 |
|---|---|
| Application | 用户编写的Spark应用程序，包含一个Driver程序和一组分布在集群中多个节点上运行的Executor程序 |
| Application jar | 包含了用户Spark Application可执行程序的Jar文件。用户也可以创建一个包含Spark Application可执行程序以及全部依赖包的所谓”uber jar”。用户的Jar文件中不应包含Hadoop或者是Spark的类库 |
| Driver program | 运行Spark Application的main()函数并且创建SparkContext的一段程序 |
| SparkContext | 包含了Spark Application的运行环境和配置，负责与ClusterManager通信，进行资源的申请、任务的分配和监控等；当Executor部分运行完毕后，Driver负责将SparkContext关闭 |
| Cluster manager | Spark外部的服务，负责为Spark Application分配运行资源 (比如Standalone、Mesos、YARN) |
| Deploy mode | 用来指定Driver程序在哪里运行。”cluster”模式下Driver程序运行在集群内部；”client”模式下Driver程序在提交Spark应用的进程中，而不是在集群内部被执行 |
| Worker node | Spark集群中任何用于运行Spark Application的节点。在Standalone模式中即通过start-slave.sh启动的工作节点；在Yarn模式中即NodeManager节点 |
| Executor | Spark Application运行在Worker节点上的一个进程，该进程负责运行Task，并且负责将数据存在内存或者磁盘上，每个Application都有各自独立的一组Executor。 |
| Task | 被分配到某Executor上执行的任务单位 |
| Job | 包含若干Task的并行计算，由Spark Action(比如save、collect等)产生；在Driver的Log中可以查看Job的执行 |
| Stage | 每个Job会被拆分成多组Task集合，称之为Stage。与MapReduce中的map和reduce stage类似 |
Spark各运行模式的内部实现
本章内容引自：天戈朱 Spark(一): 基本架构及原理
Standalone独立集群运行模式
Standalone模式使用Spark自带的资源调度框架，采用Master/Slaves的典型架构，选用ZooKeeper来实现Master的HA框架结构图如下:
该模式主要的节点有Client节点、Master节点和Worker节点。其中Driver既可以运行在Master节点上中，也可以运行在本地Client端。当用spark-shell交互式工具提交Spark的Job时，Driver在Master节点上运行；当使用spark-submit工具提交Job或者在Eclips、IDEA等开发平台上使用”new SparkConf.setManager(“spark://master:7077”)”方式运行Spark任务时，Driver是运行在本地Client端上的。
运行过程如下图：
- SparkContext连接到Master，向Master注册并申请资源（CPU Core 和Memory）
- Master根据SparkContext的资源申请要求和Worker心跳周期内报告的信息决定在哪个Worker上分配资源，然后在该Worker上获取资源，然后启动StandaloneExecutorBackend；
- StandaloneExecutorBackend向SparkContext注册；
- SparkContext将Applicaiton代码发送给StandaloneExecutorBackend；并且SparkContext解析Applicaiton代码，构建DAG图，并提交给DAG Scheduler分解成Stage（当碰到Action操作时，就会催生Job；每个Job中含有1个或多个Stage，Stage一般在获取外部数据和shuffle之前产生），然后以Stage（或者称为TaskSet）提交给Task Scheduler，Task Scheduler负责将Task分配到相应的Worker，最后提交给StandaloneExecutorBackend执行；
- StandaloneExecutorBackend会建立Executor线程池，开始执行Task，并向SparkContext报告，直至Task完成
- 所有Task完成后，SparkContext向Master注销，释放资源
YARN-Client运行模式
Spark on YARN模式根据Driver在集群中的位置分为两种模式：一种是YARN-Client模式，另一种是YARN-Cluster（或称为YARN-Standalone模式）。
Yarn-Client模式中，Driver在客户端本地运行，这种模式可以使得Spark Application和客户端进行交互，因为Driver在客户端，所以可以通过webUI访问Driver的状态，默认是http://hadoop1:4040访问，而YARN通过http:// hadoop1:8088访问
YARN-client的工作流程步骤为： 
- Spark Yarn Client向YARN的ResourceManager申请启动Application Master。同时在SparkContent初始化中将创建DAGScheduler和TASKScheduler等，由于我们选择的是Yarn-Client模式，程序会选择YarnClientClusterScheduler和YarnClientSchedulerBackend
- ResourceManager收到请求后，在集群中选择一个NodeManager，为该应用程序分配第一个Container，要求它在这个Container中启动应用程序的ApplicationMaster，与YARN-Cluster区别的是在该ApplicationMaster不运行SparkContext，只与SparkContext进行联系进行资源的分派
- Client中的SparkContext初始化完毕后，与ApplicationMaster建立通讯，向ResourceManager注册，根据任务信息向ResourceManager申请资源（Container）
- 一旦ApplicationMaster申请到资源（也就是Container）后，便与对应的NodeManager通信，要求它在获得的Container中启动CoarseGrainedExecutorBackend，CoarseGrainedExecutorBackend启动后会向Client中的SparkContext注册并申请Task
- client中的SparkContext分配Task给CoarseGrainedExecutorBackend执行，CoarseGrainedExecutorBackend运行Task并向Driver汇报运行的状态和进度，以让Client随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务
- 应用程序运行完成后，Client的SparkContext向ResourceManager申请注销并关闭自己
YARN-Cluster运行模式
在YARN-Cluster模式中，当用户向YARN中提交一个应用程序后，YARN将分两个阶段运行该应用程序：
1. 第一个阶段是把Spark的Driver作为一个ApplicationMaster在YARN集群中先启动；
2. 第二个阶段是由ApplicationMaster创建应用程序，然后为它向ResourceManager申请资源，并启动Executor来运行Task，同时监控它的整个运行过程，直到运行完成
YARN-cluster的工作流程分为以下几个步骤 
- Spark Yarn Client向YARN中提交应用程序，包括ApplicationMaster程序、启动ApplicationMaster的命令、需要在Executor中运行的程序等
- ResourceManager收到请求后，在集群中选择一个NodeManager，为该应用程序分配第一个Container，要求它在这个Container中启动应用程序的ApplicationMaster，其中ApplicationMaster进行SparkContext等的初始化
- ApplicationMaster向ResourceManager注册，这样用户可以直接通过ResourceManage查看应用程序的运行状态，然后它将采用轮询的方式通过RPC协议为各个任务申请资源，并监控它们的运行状态直到运行结束
- 一旦ApplicationMaster申请到资源（也就是Container）后，便与对应的NodeManager通信，要求它在获得的Container中启动CoarseGrainedExecutorBackend，CoarseGrainedExecutorBackend启动后会向ApplicationMaster中的SparkContext注册并申请Task。这一点和Standalone模式一样，只不过SparkContext在Spark Application中初始化时，使用CoarseGrainedSchedulerBackend配合YarnClusterScheduler进行任务的调度，其中YarnClusterScheduler只是对TaskSchedulerImpl的一个简单包装，增加了对Executor的等待逻辑等
- ApplicationMaster中的SparkContext分配Task给CoarseGrainedExecutorBackend执行，CoarseGrainedExecutorBackend运行Task并向ApplicationMaster汇报运行的状态和进度，以让ApplicationMaster随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务
- 应用程序运行完成后，ApplicationMaster向ResourceManager申请注销并关闭自己
Spark Client模式和Cluster模式的区别:
- 理解YARN-Client和YARN-Cluster深层次的区别之前先清楚一个概念：Application Master。在YARN中，每个Application实例都有一个ApplicationMaster进程，它是Application启动的第一个容器。它负责和ResourceManager打交道并请求资源，获取资源之后告诉NodeManager为其启动Container。从深层次的含义讲YARN-Cluster和YARN-Client模式的区别其实就是ApplicationMaster进程的区别
- YARN-Cluster模式下，Driver运行在AM(Application Master)中，它负责向YARN申请资源，并监督作业的运行状况。当用户提交了作业之后，就可以关掉Client，作业会继续在YARN上运行，因而YARN-Cluster模式不适合运行交互类型的作业
- YARN-Client模式下，Application Master仅仅向YARN请求Executor，Client会和请求的Container通信来调度他们工作，也就是说Client不能离开