spark on yarn的技术挑战

目前spark是一个非常流行的内存计算（或者迭代式计算，DAG计算）框架，在MapReduce因效率低下而被广为诟病的今天，spark的出现不禁让大家眼前一亮。

从架构和应用角度上看，spark是一个仅包含计算逻辑的开发库（尽管它提供个独立运行的master/slave服务，但考虑到稳定后以及与其他类型作业的继承性，通常不会被采用），而不包含任何资源管理和调度相关的实现，这使得spark可以灵活运行在目前比较主流的资源管理系统上，典型的代表是mesos和yarn，我们称之为“spark on mesos”和“spark on yarn”。将spark运行在资源管理系统上将带来非常多的收益，包括：与其他计算框架共享集群资源；资源按需分配，进而提高集群资源利用率等。这篇文章主要介绍spark on yarn的技术挑战。

Spark on yarn在spark 1.0版本中已经变得比较成熟，但如果运行在线上环境中，仍面临很多挑战。

挑战1： 应用程序日志如何获取？

Spark on yarn提供了应用程序运行的web界面，可以通过这个界面查看spark作业的stage，task等详细信息，但无法获取应用程序的运行日志。这些日志通常保存在YARN的NodeManager节点上，一旦运行完成后可能会被聚集后保存到HDFS上。对于运行完成的作业，可以通过命令“bin/yarn logs -applicationId application_2323_xxxx”将日志打印出来，但是当日志量非常大时，显然不会很好地方法。因此，对于想把spark运行在yarn上的公司，第一个需要做的工作可能是为用户提供一个好的日志查看工具，可以查看正在运行的，或者运行完成（成功和失败）的spark作业的，在yarn-client和yarn-cluster模式下地日志。

挑战2：如何为spark作业设置资源需求？

YARN允许spark作业为driver和executor设置需要的cpu和内存资源量，但是到底设置多少最为合适，这显然不好确定。因此，最好能够提供一个资源获取工具，可以查看spark作业实际占用的内存和cpu资源量，以便修正用户的资源参数。

挑战3：yarn资源调度器对spark这类作业的水土不服

对于yarn而言，spark仍然是一种比较特殊的作业，这使得spark难以与其他类型的应用程序（比如mapreduce）友好地运行在一个集群中，主要体现在以下几个方面：

（1）YARN中的资源调度器采用的是基于资源预留的调度机制，这种机制会使得大资源需求的作业获取资源非常慢，而spark正是这类大资源需求的作业。正如我的文章“Apache Spark探秘：多进程模型还是多线程模型？”所述，Spark采用的是多线程方案，这使得一个executor可能会占用很大资源，这对于yarn而言，可能是资源利用率的灾难。

（2）YARN的这种资源预留机制在运行spark streaming作业时，可能产生饿死现象。如果你在yarn集群中运行了spark streaming作业，可能会产生资源无限预留但是永远得不到满足的情况，导致spark streaming作业用于得不到运行。这个在spark streaming与其他短类型的作业，比如spark和mapreduce作业共享集群时很容易发生。

为了解决资源调度问题，yarn已经在优化和改进中了，一个改进是每类作业增加一个作业标识(https://issues.apache.org/jira/browse/YARN-563)，比如是长作业还是短作业，这样调度器更加智能的对不同类型作业进行调度；另外一个是改进现有的yarn的资源预留算法，其中一项工作见https://issues.apache.org/jira/browse/YARN-1769。

限于篇幅原因，这篇文章只介绍这三个问题，除此之外，还有很多其他问题，留在以后详细介绍。

总之，spark on yarn运行在生产环境中，仍有很多工作需要做，这个过程还是一个需求驱动的开发过程，即在使用过程中遇到问题，解决问题。