从物理执行的角度透视Spark Job(DT大数据梦工厂)

Posted 2020-06-14

内容：

1、再次思考pipeline；

2、窄依赖物理执行内幕；

3、宽依赖物理执行内幕；

4、Job提交流程；

物理执行是更深层次的角度。

==========再次思考pipeline ============

即使采用pipeline的方式，函数f对依赖的RDD中的数据集合的操作也会有两种方式：

1、f(record)，f作用于集合的每一条记录，每次只作用于一条记录；

2、f(records)， f一次性作用于集合的全部数据；

Spark运行的时候用的是第一种方式，为什么呢？

1、无需等待，可以最大化的使用集群的计算资源；

2、减少OOM的发生；

3、最大化的有利于并发；

4、可以精准的控制每一个partition本身(Dependency)极其内部的计算(compute)；

5、基于lineage的算子流动式函数式编程，节省了中间结果的产生，并且可以最快的恢复；

疑问：会不会增加网络通信？

当然不会！因为在pipeline！把很多算子合并成一个算子，在一个stage。

==========思考Spark Job的物理执行============

Spark Application里面可以产生一个或者多个Job，例如Spark Shell默认启动的时候内部就没有Job，只是作为资源的分配程序，可以在Spark Shell里面写代码产生若干个Job。普通程序中一般而言可以有不同的Action，每一个Action一般也会触发一个Job。

Spark是MapReduce思想的一种更加精致和高效的实现。MapReduce有很多具体不同的实现。

例如：Hadoop的MapReduce基本的计算流程如下：首先是以JVM为对象的并发执行的Mapper，Mapper中的map的执行会产生输出数据，输出的数据会经由partitioner指定的规则放到LocalFile System中，然后再经由Shuffle、Sort、Aggregate变成reducer中的reduce的输入，执行reduce产生最终的执行结果。Hadoop MapReduce执行的流程虽然简单，但是过于死板，尤其是在构造复杂（迭代）算法的时候，非常不利于算法的实现，且执行效率极为低下。

Spark算法构造和物理执行时最最基本的核心：最大化pipeline。pipeline 越多，复用越好。基于pipeline的思想是数据被使用的时候才开始计算。从数据流动流动角度来说，是数据流动到计算的位置！！！实质上从逻辑的角度来看，是算子在数据上流动。

从算法构建角度而言，肯定是算子作用于数据，所以是算子在数据上流动，有利于构建算法。从物理执行的角度而言，是数据流动到计算的位置，有利于系统最高效的计算。

数据要流动到计算的位置，那这个位置在哪个地方？

对于pipeline而言，数据计算的位置就是每个stage位置中最后的RDD。就算一个stage有5000个步骤，真正的计算，也还是在第5000步计算(比如第5000个函数！！！)，发给executor之前，所有的算子已经合并成1个了。如果第5步需要cache一下，是系统自己的设计，和前面一段话无关。

一个震撼人心的内幕真相就是：每个stage，除了最后一个RDD算子是真实的之外，前面的算子都是假的。

由于计算的lazy特性，导致计算从后往前回溯，形成Computing Chain，导致的结果就是：需要首先计算出具体一个stage内部最左侧的RDD中本次计算依赖的partition

如果stage没有parent stage的话，则stage从最左边的RDD立即执行，每次计算出的record都流入下一个函数。

计算步骤从后往前回溯，计算执行是从前往后。

==========窄依赖物理执行内幕 ============

一个Stage内部的RDD都是窄依赖，窄依赖从逻辑上看是从内幕最左侧的RDD开始立即计算的。

根据计算链条，数据从一个计算步骤流动到下一个计算步骤，以此类推，直到计算到Stage内部的最后一个RDD来产生计算结果。

Computing Chain构建是从后往前回溯而成的，而实际的物理计算则是让数据从前往后在算子上流动，直到流动到不能再流动为止才开始计算下一个record。

所有RDD里面的compute都是iterator来一步步执行。

后面的RDD对前面的RDD的依赖虽然是partition级别的依赖，但是并不需要父RDD把partition中所有的records计算完毕才整体往后流动数据进行计算，这就极大的提高了计算速率。

/**
 * An RDD that applies the provided function to every partition of the parent RDD.
 */
private[spark] class MapPartitionsRDD[U: ClassTag, T: ClassTag](
    prev: RDD[T],
    f: (TaskContext, Int, Iterator[T]) => Iterator[U],  // (TaskContext, partition index, iterator)
    preservesPartitioning: Boolean = false)
  extends RDD[U](prev) {

  override val partitioner = if (preservesPartitioning) firstParent[T].partitioner else None

  override def getPartitions: Array[Partition] = firstParent[T].partitions

  override def compute(split: Partition, context: TaskContext): Iterator[U] =
    f(context, split.index, firstParent[T].iterator(split, context))
}

==========宽依赖物理执行内幕 ============

必须等到依赖的父Stage中的最后一个RDD把全部数据彻底计算完毕才能够经过shuffle来计算当前的Stage。

这样写代码的时候尽量避免宽依赖！！！

/**
 * Implemented by subclasses to return how this RDD depends on parent RDDs. This method will only
 * be called once, so it is safe to implement a time-consuming computation in it.
 */
protected def getDependencies: Seq[Dependency[_]] = deps

compute负责接受父Stage的数据流，计算出record

==========Job提交流程 ============

作业提交，触发Action

/**
 * Run a function on a given set of partitions in an RDD and pass the results to the given
 * handler function. This is the main entry point for all actions in Spark.
 */
def runJob[T, U: ClassTag](
    rdd: RDD[T],
    func: (TaskContext, Iterator[T]) => U,
    partitions: Seq[Int],
    resultHandler: (Int, U) => Unit): Unit = {
  if (stopped.get()) {
    throw new IllegalStateException("SparkContext has been shutdown")
  }
  val callSite = getCallSite
  val cleanedFunc = clean(func)
  logInfo("Starting job: " + callSite.shortForm)
  if (conf.getBoolean("spark.logLineage", false)) {
    logInfo("RDD‘s recursive dependencies:\n" + rdd.toDebugString)
  }
  dagScheduler.runJob(rdd, cleanedFunc, partitions, callSite, resultHandler, localProperties.get)
  progressBar.foreach(_.finishAll())
  rdd.doCheckpoint()
}

/**
 * Run an action job on the given RDD and pass all the results to the resultHandler function as
 * they arrive.
 *
 * @param rdd target RDD to run tasks on
 * @param func a function to run on each partition of the RDD
 * @param partitions set of partitions to run on; some jobs may not want to compute on all
 *   partitions of the target RDD, e.g. for operations like first()
 * @param callSite where in the user program this job was called
 * @param resultHandler callback to pass each result to
 * @param properties scheduler properties to attach to this job, e.g. fair scheduler pool name
 *
 * @throws Exception when the job fails
 */
def runJob[T, U](
    rdd: RDD[T],
    func: (TaskContext, Iterator[T]) => U,
    partitions: Seq[Int],
    callSite: CallSite,
    resultHandler: (Int, U) => Unit,
    properties: Properties): Unit = {
  val start = System.nanoTime
  val waiter = submitJob(rdd, func, partitions, callSite, resultHandler, properties)
  waiter.awaitResult() match {
    case JobSucceeded =>
      logInfo("Job %d finished: %s, took %f s".format
        (waiter.jobId, callSite.shortForm, (System.nanoTime - start) / 1e9))
    case JobFailed(exception: Exception) =>
      logInfo("Job %d failed: %s, took %f s".format
        (waiter.jobId, callSite.shortForm, (System.nanoTime - start) / 1e9))
      // SPARK-8644: Include user stack trace in exceptions coming from DAGScheduler.
      val callerStackTrace = Thread.currentThread().getStackTrace.tail
      exception.setStackTrace(exception.getStackTrace ++ callerStackTrace)
      throw exception
  }
}

/**
 * Submit an action job to the scheduler.
 *
 * @param rdd target RDD to run tasks on
 * @param func a function to run on each partition of the RDD
 * @param partitions set of partitions to run on; some jobs may not want to compute on all
 *   partitions of the target RDD, e.g. for operations like first()
 * @param callSite where in the user program this job was called
 * @param resultHandler callback to pass each result to
 * @param properties scheduler properties to attach to this job, e.g. fair scheduler pool name
 *
 * @return a JobWaiter object that can be used to block until the job finishes executing
 *         or can be used to cancel the job.
 *
 * @throws IllegalArgumentException when partitions ids are illegal
 */
def submitJob[T, U](
    rdd: RDD[T],
    func: (TaskContext, Iterator[T]) => U,
    partitions: Seq[Int],
    callSite: CallSite,
    resultHandler: (Int, U) => Unit,
    properties: Properties): JobWaiter[U] = {
  // Check to make sure we are not launching a task on a partition that does not exist.
  val maxPartitions = rdd.partitions.length
  partitions.find(p => p >= maxPartitions || p < 0).foreach { p =>
    throw new IllegalArgumentException(
      "Attempting to access a non-existent partition: " + p + ". " +
        "Total number of partitions: " + maxPartitions)
  }

  val jobId = nextJobId.getAndIncrement()
  if (partitions.size == 0) {
    // Return immediately if the job is running 0 tasks
    return new JobWaiter[U](this, jobId, 0, resultHandler)
  }

  assert(partitions.size > 0)
  val func2 = func.asInstanceOf[(TaskContext, Iterator[_]) => _]
  val waiter = new JobWaiter(this, jobId, partitions.size, resultHandler)
  eventProcessLoop.post(JobSubmitted(
    jobId, rdd, func2, partitions.toArray, callSite, waiter,
    SerializationUtils.clone(properties)))
  waiter
}

作业：

写一下我理解中的spark job物理执行。

本文出自 “一枝花傲寒” 博客，谢绝转载！