Apache Spark 工作节点可以是不同于 HDFS 数据节点的机器吗？

Question

我有一个 HDFS 集群（比如它有 5 个数据节点），如果我想设置一个 Spark 集群（比如它有 3 个工作节点）读/写数据到 HDFS 集群，我需要确保 Spark工作节点与 HDFS 数据节点在同一台机器上吗？ IMO 他们可以是不同的机器。但是如果 Spark Worker 节点和 HDFS 数据节点是不同的机器，当从 HDFS 读取数据时，Spark Worker 节点需要从不同的机器下载数据，这会导致更高的延迟。如果它们在同一台机器上，则可以减少延迟。我的理解正确吗？

Answer 1

在裸机设置中，正如 MR 最初假设的那样，数据局部性原则适用于您所说的，并且 Spark 将安装在所有数据节点上，这意味着它们也是工作节点。因此，Spark Worker 驻留在数据节点上，以实现 HDFS 的机架感知和数据本地化。也就是说，现在还有其他存储管理器，例如 KUDU 和其他不使用 HDFS 的 NOSQL 变体。

使用 Hadoop 的云方法，您会看到存储和计算必然分离，例如AWS EMR 和 EC2 等。就计算的弹性而言，这是不可能的。没有那么糟糕，因为一旦获得相关键的数据，Spark 就会随机分配给相同的 Worker。

因此，对于 Cloud，这个问题实际上不再相关。对于裸机，Spark 可以安装在不同的机器上，但没有意义。在这种情况下，我会在所有 HDFS 节点上安装 5 个而不是 3 个。