Spark程序运行需要资源调度的框架，比较常见的有Yarn、Standalone、Mesos等，Yarn是基于Hadoop的资源管理器，Standalone是Spark自带的资源调度框架，Mesos是Apache下的开源分布式资源管理框架，使用较多的是Yarn和Standalone，本篇浅谈Spark在这两种框架下的运行方式。

1 Standalone

Standalone分为两种任务提交方式：client，cluster

Standalone-client

任务提交命令：【默认是standalone-client模式】

spark-submit --master spark://master:7077 --class org.apache.saprk.examples.SparkPi  /xx/xx/examples/jar/spark-examples.jar

等价于

spark-submit --master spark://master:7077  --deploy-mode client --class org.apache.saprk.examples.SparkPi  /xx/xx/examples/jar/spark-examples.jar

--master 指定Spark的主节点

--deploy-mode 指定运行方式【客户端模式/集群模式】

--class 指定运行主类，后面跟 空格+Jar包路径

任务提交流程：

Spark集群，主从结构（必然存在单点故障问题，相对应的也有HA，主Master，从Worker）

Spark集群启动，Worker节点向Master节点汇报各节点资源情况由客户端提交任务（application），并在本节点启动driver进程由Driver进程向Master申请运行application所需要的资源，master返回一批符合资源要求的worker节点，由worker启动本节点上的executor进程，driver分发任务到executor进程进行处理worker节点将执行完毕后的结果数据，返回给Driver，至此任务运行结束

此模式弊端：client提交一个任务就会开启一个driver进程【sparksubmit】，任务是由driver分发的，当一个节点上提交大量的任务时，会对当前节点网卡流量的激增，影响任务的发送，及其他进程的运行。【因此一般适用在测试环境】

Standalone-cluster

任务提交命令：

spark-submit --master spark://master:7077 --deploy-mode cluster --class org.apache.saprk.examples.SparkPi  /xx/xx/examples/jar/spark-examples.jar

任务提交流程：

Spark集群启动，Worker节点向Master节点汇报各节点资源情况由客户端提交任务（application），并向Master申请启动driver进程master会根据集群worker节点资源情况，随机挑选一台节点启动driverdriver启动后为application申请资源master返回一批符合资源要求的worker节点，dirver远程启动节点上的executor进程，driver将任务分发到这批worker节点，由executor进程处理任务运行期间worker会将本节点上任务运行情况反馈给driver，任务运行结束后，会将任务处理结果返回给driver，至此任务运行结束

cluster模式，在任务提交后，会在集群上任意选取符合要求的节点启动driver，这样就会将client模式下，单个节点提交大量任务，导致网卡流量激增的问题分摊到整个集群，避免了单节点负载过重。

2 Yarn

Yarn也分为两种任务提交方式：client，cluster

Yarn-client

任务提交命令：【默认是yarn-client模式】

spark-submit --master yarn --class org.apache.saprk.examples.SparkPi  /xx/xx/examples/jar/spark-examples.jar

提交命令基本一致，只是在指定运行模式时，将spark://master:7077改为yarn。

任务提交流程：

yarn启动，nodemanager节点向resourcemanager节点汇报本节点资源情况由客户端提交任务（application），并向resourcemanager请求启动ApplicationMasterresourcemanager接收请求，根据nodemanager节点资源情况，随机选择一台满足资源要求的节点启动ApplicationMasterApplicationMaster向Resourcemanager申请任务执行所需要的资源，Resourcemanager接收请求，并返回一批包含container的节点，由ApplicationMaster发送远程命令启动节点上的executor进程【ExecutorLaunch进程】executor启动，并反向注册给driverdriver将任务分发到这些executor节点上，并且回收任务执行完毕后的数据结果

*** 在此模式下，ApplicationMaster只做资源的申请，任务的分配及调度依然由driver执行

Yarn的client模式依然会存在，单节点提交大量任务，启动大量的driver进程，造成网卡流量激增问题，也会影响其他进程的运行。【适用测试环境】

Yarn-cluster

任务提交命令：

spark-submit --master yarn --deploy-mode cluster --class org.apache.saprk.examples.SparkPi  /xx/xx/examples/jar/spark-examples.jar

提交命令基本一致，只是在指定运行模式时，添加deploy-mode参数，指定运行模式。

任务提交流程：

yarn启动，nodemanager节点向resourcemanager节点汇报本节点资源情况由客户端提交任务（application），并向resourcemanager请求启动ApplicationMasterresourcemanager接收请求，根据nodemanager节点资源情况，随机选择一台满足资源要求的节点启动ApplicationMasterApplicationMaster向Resourcemanager申请任务执行所需要的资源，Resourcemanager接收请求，并返回一批包含container的节点，由ApplicationMaster发送远程命令启动节点上的executor进程executor启动，并反向注册给ApplicationMasterApplicationMaster将任务分发到这些executor节点上

*** 与Yarn-Client模式相比，此模式中ApplicationMaster不仅需要向resourcemanager申请资源，也需要进行任务的分发调度，即将driver进程与ApplicationMaster进行的融合。