Apache Spark是当前最流行的数据处理技术，下面我们就来回顾一下Spark的基本知识。
Spark 是什么?
Spark是大数据处理的一种通用框架，主要应用在批处理和流式数据。下面我们来看一下Spark的执行模型以及Spark架构的组成部分。
1.Spark Manager和Master Manager主要运行在以下模式中：
Standalone: 单一的cluster manager，管理方便。
Mesos: 公司常用模式，使用方便灵活。
Yarn:是目前最有前景的部署模式，默认配置为Hadoop 2.0。
2.Spark Worker: 运行在standalone模式下，是Spark的工作节点，用于执行提交的作业。
3.Spark Executor: 真正执行作业的地方，一个集群一般包含多个Executor，每个Executor接收Driver的命令Launch Task，一个Executor可以执行一到多个Task。
4.Spark Driver: 一个Spark作业运行时包括一个Driver进程，也是作业的主进程，负责作业的解析、生成Stage并调度Task到Executor上。包括DAGScheduler，TaskScheduler。
Spark Driver会创建一个Spark Context，并与Manager、Master通信，在worker节点上获取资源。Worker在本地为每个应用创建executor。完成之后，Driver和Executor就可以直接进行通信了。工作过程中，worker会一直监视Executor的情况。Driver中的DAGScheduler会根据用户程序，生成执行计划，并调度执行，Driver等程序全部结束之后才会结束。
Spark应用程序的执行是由很多组件共同协作来完成的。所以，如果要在生产环境中部署Spark，那么就要时刻监控不同组件，了解组件性能参数，当发生错误时，要能够及时报警，合理处置。
Monitoring Spark Streaming 面临的挑战
Spark UI提供了仪表板功能，但是如果你想要投入实际生产，仅仅安装这个是远远不够的。必须要能够时刻监控Spark的内部运作和其组件的情况。
我们要分三个层面来监控Spark：
1.Spark的基础组成部分：Master、Standalone、Mesos、Yarn、Workers
2.Applications ：Driver、Executors
3.Underlying hosts：Disks、CPU、网络
这三个层面是相互依存、密不可分的。如果主机或者磁盘发生故障，那么Spark的基础设施就会发生问题进而影响到应用程序。所以，在这三层之间建立相关的洞察是至关重要的。这时，你就需要有一套监控系统来监控错误发生在哪一层。如果没有这个系统，那么势必得花费几倍的时间去查找问题出在哪里。
OpsClarity成功解决了这个问题，它可以自动发现数据管道和应用中的全部服务的拓扑结构，并用红，绿，橙三种颜色来标记接口，能够更加快速的对问题做出响应。
▲OpsClarity 的界面展示
如何配置Monitoring
Spark通过不同的端点为每个组件提供metric。例如，你想查看Spark Driver的详细信息，你只需知道它的URL，Spark就可以自动访问该URL。在Driver中有一个典型的问题，就是如何判断哪些worker在工作并识别出它的UI端口。其实，我们可以把客户端的Driver当做固定的URL端点。该软件能够自动找出应用程序中运行的Driver，然后收集每个端口的metric。
类似于Spark这样的框架，集群是可以动态调整大小的。所以，必须确保新增的组件也可以自动配置监控。另外，在一个executor发生故障时，启用另一个executor的情况下不应该出现警报。
检查Spark应用程序。在Driver发生故障时，应用程序需要连接到别的application context和worker节点上仍然可以使用。在这种情况下，metric collection、port checks 和 monitor接口都需要移植到新的Driver上 。
拓扑监测和自动配置功能能够实时监测Spark基础设施发生的变化，无需人为干预。
作者：田晓旭
来源：IT168
原文链接:Monitoring Apache Spark 面临新挑战
