手绘流程图讲解 spark 是如何实现集群的高可用

本文分享自华为云社区《图解spark是如何实现集群的高可用》，作者：breakDawn。

我们看下 spark 是怎么针对 master、worker、executor 的异常情况做处理的。

容错机制-exeuctor 退出

首先可以假设 worker 中的 executor 执行任务时，发送了莫名其妙的异常或者错误，然后对应线程消失了。我们看这个时候会做什么事情

上图总结下来就是：executor 由 backend 进程包着，如果抛异常，他会感知到，并调用 executorRunner.exitStatus()， 通知 worker

看下通知 worker 之后发生了什么：

• worker 会通知 master，master 会将 exectorInfo 清除，然后调度 worker 让他重新创建

• 这里可以看到 worker 创建 executor 的指令仍然是让 master 来调度和管理的，不是自己想创建就创建。

• 接下来就是重建 executor，然后重新开始执行这个地方的任务了（因此数据也会重新拉，之前发送端缓存的数据就能够派上用场了）

完整流程图如下：

worker 异常退出

假设此时是 worker 挂掉了， 那么正在执行任务的 exeuctor 和 master 会怎么做呢？如下：

可以看到 worker 有一个 shutdownHook，会帮忙关闭正在执行的 executor。但是此时 worker 挂了，因此没法往 master 发送消息了，怎么办？上一节有讲到 master 和 worker 之间存在心跳，因此就会有如下处理：

可以看到当 master 发现 worker 的心跳丢失时，会进行：

• 删除执行列表里的 worker 信息

• 重新下发创建 worker 的操作给对应 spark 节点

• 通知 driver 这个 worker 里面的 exector 都已经 lost 了

看下此时 worker 重建和 driver 分别做了什么：

这里还可以看到 1 个很重要的概念：

• master 关心 worker 状态

• driver 会关心 executor 进展

• exeuctor 重建后需要注册到 driver 上

完整流程图如下：

master 异常

由于 master 不参与任务的计算，只是对 worker 做管理，因此对于 master 的异常，分两种情况：

1：任务正常运行时 master 异常退出

则流程如下：

从这里可以看到当任务正常运行时，只会在结束时，由 driver 去触发 master 的清理资源操作，但是 master 进程已经挂掉了，所以也没关系。

2:当任务执行过程中，master 挂掉后，worker 和 executor 也异常了

可以看到这时候时没办法重启 exeuctor 的，此时 driver 那边就会看起来任务一直没进展了。

为了避免这种情况，master 可以做成无状态化，然后做主备容灾。当然 master 节点做的时候比较少，一般不容易崩溃，除非认为 kill 或者部署节点故障。

点击关注，第一时间了解华为云新鲜技术~​