今天学习了spark运行结构的一些基本知识，同时学习了springboot后端框架的使用

记录今天学到的spark运行结构的知识：

Spark 框架的核心是一个计算引擎，整体来说，它采用了标准 master-slave 的结构。 如下图所示，它展示了一个 Spark 执行时的基本结构。图形中的 Driver 表示 master， 负责管理整个集群中的作业任务调度。图形中的 Executor 则是 slave，负责实际执行任务。

 

 

核心组件：

一.计算层面的两大核心组件：

1.Driver即master：

Spark 驱动器节点，用于执行 Spark 任务中的 main 方法，负责实际代码的执行工作。 Driver 在 Spark 作业执行时主要负责： ➢ 将用户程序转化为作业（job） ➢ 在 Executor 之间调度任务(task) ➢ 跟踪 Executor 的执行情况 ➢ 通过 UI 展示查询运行情况 实际上，我们无法准确地描述 Driver 的定义，因为在整个的编程过程中没有看到任何有关 Driver 的字眼。所以简单理解，所谓的 Driver 就是驱使整个应用运行起来的程序，也称之为 Driver 类。 2.Excutor即slave： Spark Executor 是集群中工作节点（Worker）中的一个 JVM 进程，负责在 Spark 作业 中运行具体任务（Task），任务彼此之间相互独立。Spark 应用启动时，Executor 节点被同 时启动，并且始终伴随着整个 Spark 应用的生命周期而存在。如果有 Executor 节点发生了 故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他 Executor 节点 上继续运行。 Executor 有两个核心功能： ➢ 负责运行组成 Spark 应用的任务，并将结果返回给驱动器进程 ➢ 它们通过自身的块管理器（Block Manager）为用户程序中要求缓存的 RDD 提供内存 式存储。RDD 是直接缓存在 Executor 进程内的，因此任务可以在运行时充分利用缓存 数据加速运算。 二.资源调度层面的两大组件： master和worker： Spark 集群的独立部署环境中，不需要依赖其他的资源调度框架，自身就实现了资源调 度的功能，所以环境中还有其他两个核心组件：Master 和 Worker，这里的 Master 是一个进 程，主要负责资源的调度和分配，并进行集群的监控等职责，类似于 Yarn 环境中的 RM, 而 Worker 呢，也是进程，一个 Worker 运行在集群中的一台服务器上，由 Master 分配资源对 数据进行并行的处理和计算，类似于 Yarn 环境中 NM。 三. ApplicationMaster就像中间商一样，计算层面调度资源通过ApplicationMaster调取 ApplicationMaster： Hadoop 用户向 YARN 集群提交应用程序时,提交程序中应该包含 ApplicationMaster，用 于向资源调度器申请执行任务的资源容器 Container，运行用户自己的程序任务 job，监控整 个任务的执行，跟踪整个任务的状态，处理任务失败等异常情况。 说的简单点就是，ResourceManager（资源）和 Driver（计算）之间的解耦合靠的就是 ApplicationMaster。 记录springboot学习记录，学习springboot，包含着许多内容，最近接触了shiro，以及lombo即注解，以及对mybatis-plus的使用。 可以感觉到使用springboot相对之前使用的框架更加简便，mybatis-plus可以使用模板生成controller、entity、mapper、service层，层次分明，而且使用注解较少了大量重复性工作。 类似@Setter，@Getter这样的注解方便对get，set方法的编写，对于构造方法等，也有注解简便代码。目前也是在了解各类注解，之后会总结各类注解的用处。对于mybatis-plus的使用还不是太熟练，之后会继续深入学习。