Spark 程序的本地模式和集群模式

1. 定义与核心区别

  • 本地模式(Local Mode)

    • Spark 程序在单台机器的单个 JVM 进程中运行(可配置多线程)。

    • 没有分布式集群,所有计算任务和资源管理均在本机完成。

    • 主要用于开发、调试和小规模测试。

  • 集群模式(Cluster Mode)

    • Spark 程序在多台机器组成的集群中运行(如 Hadoop YARN、Apache Mesos、Kubernetes 或 Spark Standalone)。

    • 任务由集群管理器分配到不同节点的 Executor 上执行,资源分布式管理。

    • 适用于生产环境和大规模数据处理。

2. 资源分配

维度 本地模式 集群模式
CPU/内存 受限于单台机器的资源(如 local[*] 使用所有核心)。 可跨多台机器动态分配资源,支持横向扩展。
并行度 通过线程模拟并行(如 local[4] 使用 4 线程)。 由集群的 Executor 数量和资源配额决定真正的并行度。
资源隔离 无隔离,资源可能被其他进程占用。 集群管理器(如 YARN)提供资源隔离和优先级调度。

3. 执行方式

  • 本地模式

    • DriverExecutor 和任务均在同一个 JVM 中运行。

    • 无网络通信开销,但无法模拟真实的分布式环境。

  • 集群模式

    • Driver 可能运行在集群中(Cluster 模式)或提交任务的客户端(Client 模式)。

    • Executor 分布在不同的节点上,通过网络与 Driver 通信。

    • 任务由集群管理器调度到多个节点的 Executor 上执行。

4. 启动方式

本地模式

  • 通过设置 master("local[*]")local[N] 启动。

  • 无需依赖集群管理器,直接运行 Spark 程序。

spark = SparkSession.builder \

.appName("LocalExample") \

.master("local[4]) \ # 使用4个线程

.getOrCreate()

集群模式

  • 提交任务到集群管理器(如 YARN、Kubernetes)。

  • 使用 spark-submit 指定集群模式:

spark-submit --master yarn --deploy-mode cluster app.py

5. 网络与通信

维度 本地模式 集群模式
数据传输 无网络传输,数据通过内存或本地磁盘交换。 数据需跨节点传输(Shuffle 操作可能产生较大开销)。
延迟 极低(本地进程内通信)。 受网络带宽和延迟影响。

6. 容错性

  • 本地模式

    • 单点故障:机器或进程崩溃会导致任务完全失败。

    • 无自动恢复机制(需手动重启任务)。

  • 集群模式

    • 支持容错:失败的 Task 会被重新调度到其他节点执行。

    • 集群管理器可监控节点健康状态,自动替换故障节点。

7. 适用场景

场景 本地模式 集群模式
开发调试 快速验证代码逻辑,小数据集测试。 不适用(日志调试复杂)。
生产环境 不适用。 处理 TB/PB 级数据,高并发任务。
资源成本 零额外开销(仅需本地机器)。 需要集群硬件和运维成本。

8. 性能对比

  • 本地模式

    • 适合小数据(GB 级以下):无网络开销,快速响应。

    • 大数据时可能因资源不足导致 OOM 或性能瓶颈。

  • 集群模式

    • 适合大数据:通过分布式计算和内存迭代优化处理速度。

    • 但 Shuffle、数据倾斜或网络延迟可能影响性能。

  • 本地模式是学习和测试的"沙盒",简单但资源受限。

  • 集群模式是生产环境的"引擎",复杂但能处理海量数据。

根据任务规模和需求选择模式:开发阶段用本地模式快速迭代,生产环境通过集群模式实现分布式计算。

相关推荐
工程师小星星1 小时前
消息队列Apache Kafka教程
分布式·kafka·apache
递归尽头是星辰1 小时前
Spark核心技术解析:从RDD到Dataset的演进与实践
大数据·rdd·dataset·spark核心·spark编程模型
风跟我说过她3 小时前
Hadoop HA (高可用) 配置与操作指南
大数据·hadoop·分布式·zookeeper·centos
沧澜sincerely3 小时前
WSL2搭建Hadoop伪分布式环境
大数据·hadoop·搜索引擎
还是大剑师兰特4 小时前
Kafka 面试题及详细答案100道(66-80)-- 运维与部署
分布式·kafka·大剑师·kafka面试题
计算机编程小央姐10 小时前
【Spark+Hive+hadoop】基于spark+hadoop基于大数据的人口普查收入数据分析与可视化系统
大数据·hadoop·数据挖掘·数据分析·spark·课程设计
鲲志说10 小时前
数据洪流时代,如何挑选一款面向未来的时序数据库?IoTDB 的答案
大数据·数据库·apache·时序数据库·iotdb
没有bug.的程序员11 小时前
MVCC(多版本并发控制):InnoDB 高并发的核心技术
java·大数据·数据库·mysql·mvcc
nju_spy13 小时前
南京大学 - 复杂结构数据挖掘(一)
大数据·人工智能·机器学习·数据挖掘·数据清洗·南京大学·相似性分析
哈哈很哈哈13 小时前
Flink SlotSharingGroup 机制详解
java·大数据·flink