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~