Spark技术内幕：Storage 模块整体架构

问题导读：

1、如何理解Spark模块整体架构？
2、理解Spark中各个类的功能作用都有什么？






Storage模块负责了Spark计算过程中所有的存储，包括基于Disk的和基于Memory的。用户在实际编程中，面对的是RDD，可以将RDD的数据通过调用org.apache.spark.rdd.RDD#cache将数据持久化；持久化的动作都是由Storage模块完成的。包括Shuffle过程中的数据，也都是由Storage模块管理的。可以说，RDD实现了用户的逻辑，而Storage则管理了用户的数据。本章将讲解Storage模块的实现。

1.1     模块整体架构

       org.apache.spark.storage.BlockManager是Storage模块与其他模块交互最主要的类，它提供了读和写Block的接口。 这里的Block，实际上就对应了RDD中提到的partition，每一个partition都会对应一个Block。每个Block由唯一的Block ID（org.apache.spark.storage.RDDBlockId） 标识，格式是"rdd_" + rddId + "_" + partitionId。

       BlockManager会运行在Driver和每个Executor上。而运行在Driver上的BlockManger负责整个Job的Block的管理工作；运行在Executor上的BlockManger负责管理该Executor上的Block，并且向Driver的BlockManager汇报Block的信息和接收来自它的命令。

各个主要类的功能说明：
      1)       org.apache.spark.storage.BlockManager： 提供了Storage模块与其他模块的交互接口，管理Storage模块。

      2)       org.apache.spark.storage.BlockManagerMaster： Block管理的接口类，主要通过调用org.apache.spark.storage.BlockManagerMasterActor来完成。

      3)       org.apache.spark.storage.BlockManagerMasterActor： 在Driver节点上的Actor，负责track所有Slave节点的Block的信息

      4)       org.apache.spark.storage.BlockManagerSlaveActor：运行在所有的节点上，接收来自org.apache.spark.storage.BlockManagerMasterActor的命令，比如删除某个RDD的数据，删除某个Block，删除某个Shuffle数据，返回某些Block的状态等。

      5)       org.apache.spark.storage.BlockManagerSource：负责搜集Storage模块的Metric信息，包括最大的内存数，剩余的内存数，使用的内存数和使用的Disk大小。这些是通过调用org.apache.spark.storage.BlockManagerMaster的getStorageStatus接口实现的。

      6)       org.apache.spark.storage.BlockObjectWriter：一个抽象类，可以将任何的JVM object写入外部存储系统。注意，它不支持并发的写操作。

      7)       org.apache.spark.storage.DiskBlockObjectWriter：支持直接写入一个文件到Disk，并且还支持文件的append。实际上它是org.apache.spark.storage.BlockObjectWriter的一个实现。现在下面的类在需要Spill数据到Disk时，就是通过它来完成的：

          a)        org.apache.spark.util.collection.ExternalSorter
          b)       org.apache.spark.shuffle.FileShuffleBlockManager

      8)       org.apache.spark.storage.DiskBlockManager：管理和维护了逻辑上的Block和存储在Disk上的物理的Block的映射。一般来说，一个逻辑的Block会根据它的BlockId生成的名字映射到一个物理上的文件。这些物理文件会被hash到由spark.local.dir（或者通过SPARK_LOCAL_DIRS来设置）上的不同目录中。

     9)       org.apache.spark.storage.BlockStore：存储Block的抽象类。现在它的实现有：

         a)        org.apache.spark.storage.DiskStore
         b)       org.apache.spark.storage.MemoryStore
         c)        org.apache.spark.storage.TachyonStore

     10)     org.apache.spark.storage.DiskStore：实现了存储Block到Disk上。其中写Disk是通过org.apache.spark.storage.DiskBlockObjectWriter实现的。
     11)     org.apache.spark.storage.MemoryStore：实现了存储Block到内存中。

     12)     org.apache.spark.storage.TachyonStore：实现了存储Block到Tachyon上。

     13)     org.apache.spark.storage.TachyonBlockManager：管理和维护逻辑上的Block和Tachyon文件系统上的文件之间的映射。这点和org.apache.spark.storage.DiskBlockManager功能类似。

     14)     org.apache.spark.storage.ShuffleBlockFetcherIterator：实现了取Shuffle的Blocks的逻辑，包括读取本地的和发起网络请求读取其他节点上的。具体实现可以参照《Shuffle模块详解》。



来自群组: about云小组群