从源码角度看Spark on yarn client & cluster模式的本质区别

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 =>

val appArgs = new SparkSubmitArguments(args) 
appArgs.action match { 
  // normal spark-submit 
  case SparkSubmitAction.SUBMIT => submit(appArgs) 
  // use --kill specified 
  case SparkSubmitAction.KILL => kill(appArgs) 
  // use --status specified 
  case SparkSubmitAction.REQUEST_STATUS => requestStatus(appArgs) 
} 

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 =>

val (childArgs, childClasspath, sysProps, childMainClass) = prepareSubmitEnvironment(args) 
// 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 
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：

// yarn client mode 
if (deployMode == CLIENT) { 
  // client 模式下，运行的是 --class 后指定的mainClass，也即我们的代码 
  childMainClass = args.mainClass 
  if (isUserJar(args.primaryResource)) { 
    childClasspath += args.primaryResource 
  } 
  if (args.jars != null) { childClasspath ++= args.jars.split(",") } 
  if (args.childArgs != null) { childArgs ++= args.childArgs } 
} 
 
// yarn cluster mode 
val isYarnCluster = clusterManager == YARN && deployMode == CLUSTER 
if (isYarnCluster) { 
  // cluster 模式下，运行的是Client类 
  childMainClass = "org.apache.spark.deploy.yarn.Client" 
  if (args.isPython) { 
    childArgs += ("--primary-py-file", args.primaryResource) 
    childArgs += ("--class", "org.apache.spark.deploy.PythonRunner") 
  } else if (args.isR) { 
    val mainFile = new Path(args.primaryResource).getName 
    childArgs += ("--primary-r-file", mainFile) 
    childArgs += ("--class", "org.apache.spark.deploy.RRunner") 
  } else { 
    if (args.primaryResource != SparkLauncher.NO_RESOURCE) { 
      childArgs += ("--jar", args.primaryResource) 
    } 
    // 这里 --class 指定的是AppMaster里启动的Driver，也即我们的代码 
    childArgs += ("--class", args.mainClass) 
  } 
  if (args.childArgs != null) { 
    args.childArgs.foreach { arg => childArgs += ("--arg", arg) } 
  } 
} 

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

try { 
  mainClass = Utils.classForName(childMainClass) 
} catch { 
  // ... 
} 
val mainMethod = mainClass.getMethod("main", new Array[String](0).getClass) 
try { 
  // childArgs就是用户自己传给Spark应用代码的参数 
  mainMethod.invoke(null, childArgs.toArray) 
} catch { 
  // ... 
} 

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 =>

val sparkConf = new SparkConf  
val args = new ClientArguments(argStrings) 
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 =>

this.appId = submitApplication() 
// 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 =>

try { 
  // 获取提交用户的Credentials，用于后面获取delegationToken 
  setupCredentials() 
  yarnClient.init(yarnConf) 
  yarnClient.start() 
 
  // Get a new application from our RM 
  val newApp = yarnClient.createApplication() 
  val newAppResponse = newApp.getNewApplicationResponse() 
  // 拿到appID 
  appId = newAppResponse.getApplicationId() 
  // 报告状态 
  reportLauncherState(SparkAppHandle.State.SUBMITTED) 
  launcherBackend.setAppId(appId.toString) 
 
  // Verify whether the cluster has enough resources for our AM 
  verifyClusterResources(newAppResponse) 
 
  // 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 
  val containerContext = createContainerLaunchContext(newAppResponse) 
  val appContext = createApplicationSubmissionContext(newApp, containerContext) 
 
  // Finally, submit and monitor the application 
  logInfo(s"Submitting application $appId to ResourceManager") 
  yarnClient.submitApplication(appContext) 
  appId 
} catch { 
  case e: Throwable => 
    if (appId != null) { 
      cleanupStagingDir(appId) 
    } 
    throw e 
} 

在 submitApplication 里完成了app的申请，AppMaster context的创建，***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

val appStagingDirPath = new Path(appStagingBaseDir, getAppStagingDir(appId)) 
// 非pySpark时，pySparkArchives为Nil 
val launchEnv = setupLaunchEnv(appStagingDirPath, pySparkArchives) 
// 这一步会进行delegationtoken的获取，存于Credentials，在AppMasterContainer构建完的***将其存入到context里 
val localResources = prepareLocalResources(appStagingDirPath, pySparkArchives) 
 
val amContainer = Records.newRecord(classOf[ContainerLaunchContext]) 
// 设置AppMaster container运行的资源和环境 
amContainer.setLocalResources(localResources.asJava) 
amContainer.setEnvironment(launchEnv.asJava) 
// 设置JVM参数 
val javaOpts = ListBuffer[String]() 
javaOpts += "-Djava.io.tmpdir=" + tmpDir 
// other java opts setting... 
 
// 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 
val userClass = 
  if (isClusterMode) { 
    Seq("--class", YarnSparkHadoopUtil.escapeForShell(args.userClass)) 
  } else { 
    Nil 
  } 
// 设置AppMaster运行的主类 
val amClass = 
  if (isClusterMode) { 
    Utils.classForName("org.apache.spark.deploy.yarn.ApplicationMaster").getName 
  } else { 
    // ExecutorLauncher只是ApplicationMaster的一个warpper 
    Utils.classForName("org.apache.spark.deploy.yarn.ExecutorLauncher").getName 
  } 
 
val amArgs = 
  Seq(amClass) ++ userClass ++ userJar ++ primaryPyFile ++ primaryRFile ++ 
    userArgs ++ Seq( 
      "--properties-file", buildPath(YarnSparkHadoopUtil.expandEnvironment(Environment.PWD), 
        LOCALIZED_CONF_DIR, SPARK_CONF_FILE)) 
 
// Command for the ApplicationMaster 
val commands = prefixEnv ++ Seq( 
    YarnSparkHadoopUtil.expandEnvironment(Environment.JAVA_HOME) + "/bin/java", "-server" 
  ) ++ 
  javaOpts ++ amArgs ++ 
  Seq( 
    "1>", ApplicationConstants.LOG_DIR_EXPANSION_VAR + "/stdout", 
    "2>", ApplicationConstants.LOG_DIR_EXPANSION_VAR + "/stderr") 
 
val printableCommands = commands.map(s => if (s == null) "null" else s).toList 
// 设置需运行的命令 
amContainer.setCommands(printableCommands.asJava) 
 
val securityManager = new SecurityManager(sparkConf) 
// 设置应用权限 
amContainer.setApplicationACLs( 
      YarnSparkHadoopUtil.getApplicationAclsForYarn(securityManager).asJava) 
// 设置delegationToken 
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

// 调用createTaskScheduler方法，对于yarn模式，master=="yarn" 
val (sched, ts) = SparkContext.createTaskScheduler(this, master, deployMode) 
_schedulerBackend = sched 
_taskScheduler = ts 
// 创建DAGScheduler 
_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：

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

YarnClusterManager#createSchedulerBackend

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

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：

val driverHost = conf.get("spark.driver.host") 
val driverPort = conf.get("spark.driver.port") 
val hostport = driverHost + ":" + driverPort 
sc.ui.foreach { ui => conf.set("spark.driver.appUIAddress", ui.appUIAddress) } 
 
val argsArrayBuf = new ArrayBuffer[String]() 
argsArrayBuf += ("--arg", hostport) 
 
val args = new ClientArguments(argsArrayBuf.toArray) 
totalExpectedExecutors = YarnSparkHadoopUtil.getInitialTargetExecutorNumber(conf) 
// 创建o.a.s.deploy.yarn.Client对象 
client = new Client(args, conf) 
// 调用submitApplication准备环境，申请资源，提交任务，并把appID保存下来 
// 对于submitApplication，前文有详细的分析，这里与前面是一致的 
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.