spark资源管理 spark资源调度_任务调度


1.Spark资源调度和任务调度流程

  1. 启动集群后，Worker节点会向Master节点汇报资源情况，Master节点掌握了集群资源情况。
  2. 当Spark提交一个Application后，根据RDD之间的依赖关系将Application形成一个DAG 有向无环图。任务提交后，Spark会在Driver端创建两个对象：DAGScheduler和TaskScheduler，DAGScheduler是任务调度的高层调度器，是一个对象。
  3. DAGScheduler的主要作用就是将DAG根据RDD之间的宽窄依赖关系划分为一个个的Stage, 然后将这些Stage以TaskSet的形式提交给TaskScheduler(TaskScheduler是任务调度的低层调度器，这里TaskSet其实就是一个集合，里面封装的就是一个个的task伤务，也就是stage中的并行度task任务)
  4. TaskScheduler会遍历TaskSet集合，拿到每个task后会将task发送到计算节点Executor中去执行(其实就是发送到Executor中的线程池ThreadPool去执行)。task在Executor线程池中的运行情况会向TaskScheduler反馈
  5. 当task执行失败时，则由TaskScheduler负责重试，将task重新发送给Executor去执行，默认重试3次。如果重试3次依然失败，那么这个Task所在的stage就失败了。
  6. stage失败了则由DAGScheduler来负责重试，重新发送TaskSet到TaskScheduler, Stage默认重试4次。如果重试4次后依然失败，那么这个job就失败了。job失败了，Application就失败了。
  7. TaskScheduler不仅能重试失败的task, 还会重试straggling(落后，缓慢)task(也就是执行速度比其它task慢太多的task)。如果有运行缓慢的task那么TaskScheduler会启动一个新的task来与这个运行缓慢的task执行相同的处理逻辑。两个task哪个先执行完，就以哪个task的执行结果为准。这就是Spark的推测执行机制。在Spark中推测执行默认是关闭的。推测执行可以通这spark.speculation属性来设置。

【注】

对于ETL类型要插入数据库的业务要关闭推测执行机制，这样就不会有重复的数据入库。如果遇到数据倾斜的情况，开启推测执行则有可能导致一直会有task重新启动处理相同的逻辑，任务可能一直处于处理不完的状态。

2.Spark资源调度和任务调度图解


spark资源管理 spark资源调度_任务调度_02