Apache Spark源码走读之15

sdtf08

　　欢迎转载，转载请注明出处，徽沪一郎。

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

　　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

　　
　　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

$SPARK_HOME/sbin/start-master.sh

step 2: 启动worker

./bin/spark-class org.apache.spark.deploy.worker.Worker spark://localhost:7077

　　worker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

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

　　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

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

　　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

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

　　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


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).

　　设置SPARK_DAEMON_JAVA_OPTS的实际例子

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

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”。