Spark实战_SparkContext原理剖析与源码分析

Posted 数据分析

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Spark实战_SparkContext原理剖析与源码分析相关的知识,希望对你有一定的参考价值。

TaskScheduler的初始化机制

TaskScheduler,如何注册Application,executor如何反向注册?

TaskScheduler的初始化机制
  1. createTaskScheduler(),内部会创建三个东西。

  2. 一是TaskSchedulerImpl,它其实就是我们所说的TaskScheduler。

  3. 二是SparkDeploySchedulerBackend,它在底层会负责接收TaskSchedulerImpl的控制,实际上负责与Master的注册,Ececutor的反注册,task发送到executor等操作。

  4. 调用TaskSchedulerImpl的init()方法,创建SchedulerPool,当DAGScheduler要让TaskScheduler去调度一些任务的时候,就会把这些任务放到调度池里面,它有不同的优先策略,比如FIFO。

  5. 调用TaskSchedulerImpl的start()方法,方法内部调用SparkDeploySchedulerBackend的start()方法。

  6. SparkDeploySchedulerBackend的start()方法,创建一个东西,AppClient。

  7. AppClient,启动一个线程,创建一个ClientActor。

  8. ClientActor线程,调用两个方法,registerWithMaster()——>tryRegisterAllMasters()。

  9. registerWithMaster()——>tryRegisterAllMasters(),向MasterActor发送RegisterApplication(case class,里面封装了Application的信息)。

  10. RegisterApplication发送数据到Spark集群的Master——>Worker——>Executor。

  11. Executor反向注册到SparkDeploySchedulerBackend上面去。

TaskSchedulerImpl底层实际主要基于SparkDeploySchedulerBackend来工作。

DAGScheduler

DAGSchedulerEventProcessActor,DAGScheduler底层基于该组件进行通信。(线程)

SprkUI

SprkUI,显示Application运行的状态,启动一个jetty服务器,来提供web服务,从而显示网页。

源码分析

package org.apache.spark,SparkContext.scala

// Create and start the scheduler
 private[spark] var (schedulerBackend, taskScheduler) =
   SparkContext.createTaskScheduler(this, master)
// 这是我们常用的Sparkt提交模式中的standalone方式
     case SPARK_REGEX(sparkUrl) =>
       val scheduler = new TaskSchedulerImpl(sc)
       val masterUrls = sparkUrl.split(",").map("spark://" + _)
       val backend = new SparkDeploySchedulerBackend(scheduler, sc, masterUrls)
       scheduler.initialize(backend)
       (backend, scheduler)

package org.apache.spark.scheduler,TaskSchedulerImpl.scala

/**
 * 1、底层通过操作一个SchedulerBackend,针对不同种类的cluster(standlalone、yarn、mesos),调度task
 * 2、它也可以通过使用一个LacalBackend,并且将isLocal参数设置为true,来在本地模式下工作
 * 3、它负责处理一些通用的逻辑,比如说决定多个job的调度顺序,启动推测任务执行
 * 4、客户端首先应该调用它的initialize()方法和start()方法,然后通过runTasks()方法提交task sets
 */

def initialize(backend: SchedulerBackend) {
   this.backend = backend
   // temporarily set rootPool name to empty
   rootPool = new Pool("", schedulingMode, 0, 0)
   schedulableBuilder = {
     schedulingMode match {
       case SchedulingMode.FIFO =>
         new FIFOSchedulableBuilder(rootPool)
       case SchedulingMode.FAIR =>
         new FairSchedulableBuilder(rootPool, conf)
     }
   }
   schedulableBuilder.buildPools()
 }

start()方法,

// start()方法,sparkContext.scala
// start TaskScheduler after taskScheduler sets DAGScheduler reference in DAGScheduler's
 // constructor
 taskScheduler.start()
// TaskSchedulerImpl.scala
override def start() {
   backend.start()
// SparkDeploySchedulerBackend.scala    
override def start() {
   super.start()
// 这个ApplicationDescription,非常重要
   // 它就代表了当前执行的这个application的一些情况
   // 包括application最大需要多少cpu core,每个slave上需要多少内存
   val appDesc = new ApplicationDescription(sc.appName, maxCores, sc.executorMemory, command,
     appUIAddress, sc.eventLogDir, sc.eventLogCodec)
   // 创建了AppClient
   client = new AppClient(sc.env.actorSystem, masters, appDesc, this, conf)
   client.start()

package org.apache.spark.deploy.client,AppClient.scala,

/**
 * 这是一个接口
 * 它负责为application与Spark集群进行通信
 * 它会接收一个spark master的url,以及一个ApplicationDescripition,和一个集群事件的监听器,以及各种事件发生时,
 * 监听器的回调函数
 */

def start() {
   // Just launch an actor; it will call back into the listener.
   actor = actorSystem.actorOf(Props(new ClientActor))
 }

package org.apache.spark.scheduler,DAGScheduler

@volatile private[spark] var dagScheduler: DAGScheduler = _
 try {
   dagScheduler = new DAGScheduler(this)
 } catch {
   case e: Exception => {
     try {
       stop()
     } finally {
       throw new SparkException("Error while constructing DAGScheduler", e)
     }
   }
 }
/**
 * 实现了面向stage的调度机制的高层次的调度层。它会为每个job计算一个stage的DAG(有向无环图),
 * 追踪RDD和stage的输出是否被物化了(物化就是写入了磁盘或内存等地方),并且寻找一个最少消耗(最优、最小)调度机制来运行job。
 * 它会将stage作为tasksets提交到底层的TaskSchedulerImpl上,来在集群上运行它们(task)。
 *
 * 除了stage的DAG,它还负责决定运行每个task的最佳位置,基于当前的缓存状态,将这些最佳位置提交给底层的TaskSchedulerImpl。
 * 此外,它还会处理由于shuffle输出文件丢失导致的失败,在这种情况下,旧的stage可能会被重新提交。
 * 一个stage内部的失败,如果不是由于shuffle文件丢失所导致的,会被TaskScheduler处,它会多次重试每一个task,直到最后,实在不行了,
 * 才会去取消整个stage。
 */

the Spark UI,

// Initialize the Spark UI
 private[spark] val ui: Option[SparkUI] =
   if (conf.getBoolean("spark.ui.enabled", true)) {
     Some(SparkUI.createLiveUI(this, conf, listenerBus, jobProgressListener,
       env.securityManager,appName))
   } else {
     // For tests, do not enable the UI
     None
   }

本文首发于steem,感谢阅读,转载请注明。

https://steemit.com/@padluo


数据分析

读者交流电报群

https://t.me/sspadluo


知识星球交流群

知识星球读者交流群


以上是关于Spark实战_SparkContext原理剖析与源码分析的主要内容,如果未能解决你的问题,请参考以下文章

Spark源码剖析——SparkContext的初始化_TaskScheduler的启动

Spark源码剖析——SparkContext的初始化_创建和启动DAGScheduler

Spark源码剖析——SparkContext

Spark源码剖析——SparkContext

Spark源码剖析——SparkContext

Spark源码剖析——SparkContext的初始化_Hadoop相关配置及Executor环境变量