首先区分下AppMaster和Driver，任何一个yarn上运行的任务都必须有一个AppMaster，而任何一个Spark任务都会有一个Driver，Driver就是运行SparkContext(它会构建TaskScheduler和DAGScheduler)的进程，当然在Driver上你也可以做很多非Spark的事情，这些事情只会在Driver上面执行，而由SparkContext上牵引出来的代码则会由DAGScheduler分析，并形成Job和Stage交由TaskScheduler，再由TaskScheduler交由各Executor分布式执行。

所以Driver和AppMaster是两个完全不同的东西，Driver是控制Spark计算和任务资源的，而AppMaster是控制yarn app运行和任务资源的，只不过在Spark on Yarn上，这两者就出现了交叉，而在standalone模式下，资源则由Driver管理。在Spark on Yarn上，Driver会和AppMaster通信，资源的申请由AppMaster来完成，而任务的调度和执行则由Driver完成，Driver会通过与AppMaster通信来让Executor的执行具体的任务。

client与cluster的区别

对于yarn-client和yarn-cluster的唯一区别在于，yarn-client的Driver运行在本地，而AppMaster运行在yarn的一个节点上，他们之间进行远程通信，AppMaster只负责资源申请和释放(当然还有DelegationToken的刷新)，然后等待Driver的完成;而yarn-cluster的Driver则运行在AppMaster所在的container里，Driver和AppMaster是同一个进程的两个不同线程，它们之间也会进行通信，AppMaster同样等待Driver的完成，从而释放资源。

Spark里AppMaster的实现：org.apache.spark.deploy.yarn.ApplicationMaster Yarn里MapReduce的AppMaster实现：org.apache.hadoop.mapreduce.v2.app.MRAppMaster

在yarn-client模式里，优先运行的是Driver(我们写的应用代码就是入口)，然后在初始化SparkContext的时候，会作为client端向yarn申请AppMaster资源，当AppMaster运行后，它会向yarn注册自己并申请Executor资源，之后由本地Driver与其通信控制任务运行，而AppMaster则时刻监控Driver的运行情况，如果Driver完成或意外退出，AppMaster会释放资源并注销自己。所以在该模式下，如果运行spark-submit的程序退出了，整个任务也就退出了

在yarn-cluster模式里，本地进程则仅仅只是一个client，它会优先向yarn申请AppMaster资源运行AppMaster，在运行AppMaster的时候通过反射启动Driver(我们的应用代码)，在SparkContext初始化成功后，再向yarn注册自己并申请Executor资源，此时Driver与AppMaster运行在同一个container里，是两个不同的线程，当Driver运行完毕，AppMaster会释放资源并注销自己。所以在该模式下，本地进程仅仅是一个client，如果结束了该进程，整个Spark任务也不会退出，因为Driver是在远程运行的

下面从源码的角度看看SparkSubmit的代码调用(基于Spark2.0.0)：

代码公共部分

SparkSubmit#main =>

1. val appArgs = new SparkSubmitArguments(args)
2. appArgs.action match {
3. // normal spark-submit
4. case SparkSubmitAction.SUBMIT => submit(appArgs)
5. // use --kill specified
6. case SparkSubmitAction.KILL => kill(appArgs)
7. // use --status specified
8. case SparkSubmitAction.REQUEST_STATUS => requestStatus(appArgs)
9. }

SparkSubmit的main方法是在用户使用spark-submit脚本提交Spark app的时候调用的，可以看到正常情况下，它会调用SparkSubmit#submit方法

SparkSubmit#submit =>

1. val (childArgs, childClasspath, sysProps, childMainClass) = prepareSubmitEnvironment(args)
2. // 此处省略掉代理账户，异常处理，提交失败的重提交逻辑，只看主干代码
3. runMain(childArgs, childClasspath, sysProps, childMainClass, args.verbose)

在submit方法内部，会先进行提交环境相关的处理，调用的是SparkSubmit#prepareSubmitEnvironment方法，之后利用拿到的mainClass等信息，再调用SparkSubmit#runMain方法来执行对于主函数

SparkSubmit#prepareSubmitEnvironment =>

主干相关的代码如下：

1. // yarn client mode
2. if (deployMode == CLIENT) {
3. // client 模式下，运行的是 --class 后指定的mainClass，也即我们的代码
4. childMainClass = args.mainClass
5. if (isUserJar(args.primaryResource)) {
6. childClasspath += args.primaryResource
7. }
8. if (args.jars != null) { childClasspath ++= args.jars.split(",") }
9. if (args.childArgs != null) { childArgs ++= args.childArgs }
10. }
11. // yarn cluster mode
12. val isYarnCluster = clusterManager == YARN && deployMode == CLUSTER
13. if (isYarnCluster) {
14. // cluster 模式下，运行的是Client类
15. childMainClass = "org.apache.spark.deploy.yarn.Client"
16. if (args.isPython) {
17. childArgs += ("--primary-py-file", args.primaryResource)
18. childArgs += ("--class", "org.apache.spark.deploy.PythonRunner")
19. } else if (args.isR) {
20. val mainFile = new Path(args.primaryResource).getName
21. childArgs += ("--primary-r-file", mainFile)
22. childArgs += ("--class", "org.apache.spark.deploy.RRunner")
23. } else {
24. if (args.primaryResource != SparkLauncher.NO_RESOURCE) {
25. childArgs += ("--jar", args.primaryResource)
26. }
27. // 这里 --class 指定的是AppMaster里启动的Driver，也即我们的代码
28. childArgs += ("--class", args.mainClass)
29. }
30. if (args.childArgs != null) {
31. args.childArgs.foreach { arg => childArgs += ("--arg", arg) }
32. }
33. }

在 prepareSubmitEnvironment 里，主要负责解析用户参数，设置环境变量env，处理python/R等依赖，然后针对不同的部署模式，匹配不同的运行主类，比如： yarn-client>args.mainClass，yarn-cluster>o.a.s.deploy.yarn.Client

SparkSubmit#runMain =>

骨干代码如下

1. try {
2. mainClass = Utils.classForName(childMainClass)
3. } catch {
4. // ...
5. }
6. val mainMethod = mainClass.getMethod("main", new Array[String](0).getClass)
7. try {
8. // childArgs就是用户自己传给Spark应用代码的参数
9. mainMethod.invoke(null, childArgs.toArray)
10. } catch {
11. // ...
12. }

在runMain方法里，会设置ClassLoader，根据用户代码优先的设置(spark.driver.userClassPathFirst)来加载对应的类，然后反射调用prepareSubmitEnvironment方法返回的主类，并调用其main方法

从所反射的不同主类，我们来看看具体调用方式的不同：

对于yarn-cluster

o.a.s.deploy.yarn.Client#main =>

1. val sparkConf = new SparkConf
2. val args = new ClientArguments(argStrings)
3. new Client(args, sparkConf).run()

在Client伴生对象里构建了Client类的对象，然后调用了Client#run方法

o.a.s.deploy.yarn.Client#run =>

1. this.appId = submitApplication()
2. // report application ...

run方法核心的就是提交任务到yarn，其调用了Client#submitApplication方法，拿到提交完的appID后，监控app的状态

o.a.s.deploy.yarn.Client#submitApplication =>

1. try {
2. // 获取提交用户的Credentials，用于后面获取delegationToken
3. setupCredentials()
4. yarnClient.init(yarnConf)
5. yarnClient.start()
6. // Get a new application from our RM
7. val newApp = yarnClient.createApplication()
8. val newAppResponse = newApp.getNewApplicationResponse()
9. // 拿到appID
10. appId = newAppResponse.getApplicationId()
11. // 报告状态
12. reportLauncherState(SparkAppHandle.State.SUBMITTED)
13. launcherBackend.setAppId(appId.toString)
14. // Verify whether the cluster has enough resources for our AM
15. verifyClusterResources(newAppResponse)
16. // 创建AppMaster运行的context，为其准备运行环境，java options，以及需要运行的java命令，AppMaster通过该命令在yarn节点上启动
17. val containerContext = createContainerLaunchContext(newAppResponse)
18. val appContext = createApplicationSubmissionContext(newApp, containerContext)
19. // Finally, submit and monitor the application
20. logInfo(s"Submitting application $appId to ResourceManager")
21. yarnClient.submitApplication(appContext)
22. appId
23. } catch {
24. case e: Throwable =>
25. if (appId != null) {
26. cleanupStagingDir(appId)
27. }
28. throw e
29. }

在 submitApplication 里完成了app的申请，AppMaster context的创建，最后完成了任务的提交，对于cluster模式而言，任务提交后本地进程就只是一个client而已，Driver就运行在与AppMaster同一container里，对于client模式而言，执行 submitApplication 方法时，Driver已经在本地运行，这一步就只是提交任务到yarn而已

o.a.s.deploy.yarn.Client#createContainerLaunchContext

1. val appStagingDirPath = new Path(appStagingBaseDir, getAppStagingDir(appId))
2. // 非pySpark时，pySparkArchives为Nil
3. val launchEnv = setupLaunchEnv(appStagingDirPath, pySparkArchives)
4. // 这一步会进行delegationtoken的获取，存于Credentials，在AppMasterContainer构建完的最后将其存入到context里
5. val localResources = prepareLocalResources(appStagingDirPath, pySparkArchives)
6. val amContainer = Records.newRecord(classOf[ContainerLaunchContext])
7. // 设置AppMaster container运行的资源和环境
8. amContainer.setLocalResources(localResources.asJava)
9. amContainer.setEnvironment(launchEnv.asJava)
10. // 设置JVM参数
11. val javaOpts = ListBuffer[String]()
12. javaOpts += "-Djava.io.tmpdir=" + tmpDir
13. // other java opts setting...
14. // 对于cluster模式，通过 --class 指定AppMaster运行我们的Driver端，对于client模式则纯作为资源申请和分配的工具
15. val userClass =
16. if (isClusterMode) {
17. Seq("--class", YarnSparkHadoopUtil.escapeForShell(args.userClass))
18. } else {
19. Nil
20. }
21. // 设置AppMaster运行的主类
22. val amClass =
23. if (isClusterMode) {
24. Utils.classForName("org.apache.spark.deploy.yarn.ApplicationMaster").getName
25. } else {
26. // ExecutorLauncher只是ApplicationMaster的一个warpper
27. Utils.classForName("org.apache.spark.deploy.yarn.ExecutorLauncher").getName
28. }
29. val amArgs =
30. Seq(amClass) ++ userClass ++ userJar ++ primaryPyFile ++ primaryRFile ++
31. userArgs ++ Seq(
32. "--properties-file", buildPath(YarnSparkHadoopUtil.expandEnvironment(Environment.PWD),
33. LOCALIZED_CONF_DIR, SPARK_CONF_FILE))
34. // Command for the ApplicationMaster
35. val commands = prefixEnv ++ Seq(
36. YarnSparkHadoopUtil.expandEnvironment(Environment.JAVA_HOME) + "/bin/java", "-server"
37. ) ++
38. javaOpts ++ amArgs ++
39. Seq(
40. "1>", ApplicationConstants.LOG_DIR_EXPANSION_VAR + "/stdout",
41. "2>", ApplicationConstants.LOG_DIR_EXPANSION_VAR + "/stderr")
42. val printableCommands = commands.map(s => if (s == null) "null" else s).toList
43. // 设置需运行的命令
44. amContainer.setCommands(printableCommands.asJava)
45. val securityManager = new SecurityManager(sparkConf)
46. // 设置应用权限
47. amContainer.setApplicationACLs(
48. YarnSparkHadoopUtil.getApplicationAclsForYarn(securityManager).asJava)
49. // 设置delegationToken
50. setupSecurityToken(amContainer)

对于yarn-client

args.mainClass =>

在我们的Spark代码里，需要创建一个SparkContext来执行Spark任务，而在其构造器里创建TaskScheduler的时候，对于client模式就会向yarn申请资源提交任务，如下

1. // 调用createTaskScheduler方法，对于yarn模式，master=="yarn"
2. val (sched, ts) = SparkContext.createTaskScheduler(this, master, deployMode)
3. _schedulerBackend = sched
4. _taskScheduler = ts
5. // 创建DAGScheduler
6. _dagScheduler = new DAGScheduler(this)

SparkContext#createTaskScheduler =>

这里会根据master匹配不同模式，比如local/standalone/yarn，在yarn模式下会利用ServiceLoader装载YarnClusterManager，然后由它创建TaskScheduler和SchedulerBackend，如下：

1. // 当为yarn模式的时候
2. case masterUrl =>
3. // 利用当前loader装载YarnClusterManager，masterUrl为"yarn"
4. val cm = getClusterManager(masterUrl) match {
5. case Some(clusterMgr) => clusterMgr
6. case None => throw new SparkException("Could not parse Master URL: '" + master + "'")
7. }
8. try {
9. // 创建TaskScheduler，这里masterUrl并没有用到
10. val scheduler = cm.createTaskScheduler(sc, masterUrl)
11. // 创建SchedulerBackend，对于client模式，这一步会向yarn申请AppMaster，提交任务
12. val backend = cm.createSchedulerBackend(sc, masterUrl, scheduler)
13. cm.initialize(scheduler, backend)
14. (backend, scheduler)
15. } catch {
16. case se: SparkException => throw se
17. case NonFatal(e) =>
18. throw new SparkException("External scheduler cannot be instantiated", e)
19. }

YarnClusterManager#createSchedulerBackend

1. sc.deployMode match {
2. case "cluster" =>
3. new YarnClusterSchedulerBackend(scheduler.asInstanceOf[TaskSchedulerImpl], sc)
4. case "client" =>
5. new YarnClientSchedulerBackend(scheduler.asInstanceOf[TaskSchedulerImpl], sc)
6. case  _ =>
7. throw new SparkException(s"Unknown deploy mode '${sc.deployMode}' for Yarn")
8. }

可以看到yarn下的SchedulerBackend实现对于client和cluster模式是不同的，yarn-client模式为YarnClientSchedulerBackend，yarn-cluster模式为 YarnClusterSchedulerBackend，之所以不同，是因为在client模式下，YarnClientSchedulerBackend 相当于 yarn application 的client，它会调用o.a.s.deploy.yarn.Client#submitApplication 来准备环境，申请资源并提交yarn任务，如下：

1. val driverHost = conf.get("spark.driver.host")
2. val driverPort = conf.get("spark.driver.port")
3. val hostport = driverHost + ":" + driverPort
4. sc.ui.foreach { ui => conf.set("spark.driver.appUIAddress", ui.appUIAddress) }
5. val argsArrayBuf = new ArrayBuffer[String]()
6. argsArrayBuf += ("--arg", hostport)
7. val args = new ClientArguments(argsArrayBuf.toArray)
8. totalExpectedExecutors = YarnSparkHadoopUtil.getInitialTargetExecutorNumber(conf)
9. // 创建o.a.s.deploy.yarn.Client对象
10. client = new Client(args, conf)
11. // 调用submitApplication准备环境，申请资源，提交任务，并把appID保存下来
12. // 对于submitApplication，前文有详细的分析，这里与前面是一致的
13. bindToYarn(client.submitApplication(), None)

而在 YarnClusterSchedulerBackend 里，由于 AppMaster 已经运行起来了，所以它并不需要再做申请资源等等工作，只需要保存appID和attemptID并启动SchedulerBackend即可.

本文作者：佚名

来源：51CTO