Spark源码分析之四：Stage提交

Posted 2020-06-22 吉日木图

 各位看官，上一篇《Spark源码分析之Stage划分》详细讲述了Spark中Stage的划分，下面，我们进入第三个阶段--Stage提交。

        Stage提交阶段的主要目的就一个，就是将每个Stage生成一组Task，即TaskSet，其处理流程如下图所示：

        与Stage划分阶段一样，我们还是从handleJobSubmitted()方法入手，在Stage划分阶段，包括最好的ResultStage和前面的若干ShuffleMapStage均已生成，那么顺理成章的下一步便是Stage的提交。在handleJobSubmitted()方法的最后两行代码，便是Stage提交的处理。代码如下：

 

[java] view plain copy

 

 

1. // 提交最后一个stage  
2.     submitStage(finalStage)  
3.   
4.     // 提交其他正在等待的stage  
5.     submitWaitingStages()  

        从代码我们可以看出，Stage提交的逻辑顺序，是由后往前，即先提交最后一个finalStage，即ResultStage，然后再提交其parent stages，但是实际物理顺序是否如此呢？我们首先看下finalStage的提交，方法submitStage()代码如下：

 

 

[java] view plain copy

 

 

1. /** Submits stage, but first recursively submits any missing parents. */  
2.   // 提交stage，但是首先要递归的提交所有的missing父stage  
3.   private def submitStage(stage: Stage) {  
4.       
5.     // 根据stage获取jobId  
6.     val jobId = activeJobForStage(stage)  
7.       
8.     if (jobId.isDefined) {// 如果jobId已定义  
9.         
10.       // 记录Debug日志信息：submitStage(stage)  
11.       logDebug("submitStage(" + stage + ")")  
12.         
13.       // 如果在waitingStages、runningStages或  
14.       // failedStages任意一个中，不予处理  
15.         
16.       // 既不在waitingStages中，也不在runningStages中，还不在failedStages中  
17.       // 说明未处理过  
18.       if (!waitingStages(stage) && !runningStages(stage) && !failedStages(stage)) {  
19.           
20.         // 调用getMissingParentStages()方法，获取stage还没有提交的parent  
21.         val missing = getMissingParentStages(stage).sortBy(_.id)  
22.           
23.         logDebug("missing: " + missing)  
24.         if (missing.isEmpty) {  
25.           // 如果missing为空，说明是没有parent的stage或者其parent stages已提交，  
26.           // 则调用submitMissingTasks()方法，提交tasks  
27.           logInfo("Submitting " + stage + " (" + stage.rdd + "), which has no missing parents")  
28.           submitMissingTasks(stage, jobId.get)  
29.         } else {  
30.           // 否则，说明其parent还没有提交，递归，循环missing，提交每个stage  
31.           for (parent <- missing) {  
32.             submitStage(parent)  
33.           }  
34.             
35.           // 将该stage加入到waitingStages中  
36.           waitingStages += stage  
37.         }  
38.       }  
39.     } else {  
40.       // 放弃该Stage  
41.       abortStage(stage, "No active job for stage " + stage.id, None)  
42.     }  
43.   }  

        代码逻辑比较简单。根据stage获取到jobId，如果jobId未定义，说明该stage不属于明确的Job，则调用abortStage()方法放弃该stage。如果jobId已定义的话，则需要判断该stage属于waitingStages、runningStages、failedStages中任意一个，则该stage忽略，不被处理。顾名思义，waitingStages为等待处理的stages，spark采取由后往前的顺序处理stage提交，即先处理child stage，然后再处理parent stage，所以位于waitingStages中的stage，由于其child stage尚未处理，所以必须等待，runningStages为正在运行的stages，正在运行意味着已经提交了，所以无需再提交，而最后的failedStages就是失败的stages，既然已经失败了，再提交也还是会失败，徒劳无益啊~

 

        此时，如果stage不位于上述三个数据结构中，则可以继续执行提交流程。接下来该怎么做呢？

        首先调用getMissingParentStages()方法，获取stage还没有提交的parent，即missing；如果missing为空，说明该stage要么没有parent stage，要么其parent stages都已被提交，此时该stage就可以被提交，用于提交的方法submitMissingTasks()我们稍后分析。

        如果missing不为空，则说明该stage还存在尚未被提交的parent stages，那么，我们就需要遍历missing，循环提交每个stage，并将该stage添加到waitingStages中，等待其parent stages都被提交后再被提交。

        我们先看下这个missing是如何获取的。进入getMissingParentStages()方法，代码如下：

 

[java] view plain copy

 

 

1. private def getMissingParentStages(stage: Stage): List[Stage] = {  
2.       
3.     // 存储尚未提交的parent stages，用于最后结果的返回  
4.     val missing = new HashSet[Stage]  
5.       
6.     // 已被处理的RDD集合  
7.     val visited = new HashSet[RDD[_]]  
8.       
9.     // We are manually maintaining a stack here to prevent StackOverflowError  
10.     // caused by recursively visiting  
11.     // 待处理RDD栈，后入先出  
12.     val waitingForVisit = new Stack[RDD[_]]  
13.       
14.     // 定义函数visit  
15.     def visit(rdd: RDD[_]) {  
16.         
17.       // 通过visited判断rdd是否已处理  
18.       if (!visited(rdd)) {  
19.         // 添加到visited，下次不会再处理  
20.         visited += rdd  
21.           
22.         val rddHasUncachedPartitions = getCacheLocs(rdd).contains(Nil)  
23.         if (rddHasUncachedPartitions) {  
24.           // 循环rdd的dependencies  
25.           for (dep <- rdd.dependencies) {  
26.             dep match {  
27.               // 宽依赖  
28.               case shufDep: ShuffleDependency[_, _, _] =>  
29.                 // 调用getShuffleMapStage，获取ShuffleMapStage  
30.                 val mapStage = getShuffleMapStage(shufDep, stage.firstJobId)  
31.                 if (!mapStage.isAvailable) {  
32.                   missing += mapStage  
33.                 }  
34.               // 窄依赖，直接将RDD压入waitingForVisit栈  
35.               case narrowDep: NarrowDependency[_] =>  
36.                 waitingForVisit.push(narrowDep.rdd)  
37.             }  
38.           }  
39.         }  
40.       }  
41.     }  
42.       
43.     // 将stage的rdd压入到waitingForVisit顶部  
44.     waitingForVisit.push(stage.rdd)  
45.     // 循环处理waitingForVisit，对弹出的每个rdd调用函数visit  
46.     while (waitingForVisit.nonEmpty) {  
47.       visit(waitingForVisit.pop())  
48.     }  
49.       
50.     // 返回stage列表  
51.     missing.toList  
52.   }  

        有没有些似曾相识的感觉呢？对了，和《Spark源码分析之Stage划分》一文中getParentStages()方法、getAncestorShuffleDependencies()方法结构类似，也是定义了三个数据结构和一个visit()方法。三个数据结构分别是：

 

        1、missing：HashSet[Stage]类型，存储尚未提交的parent stages，用于最后结果的返回；

        2、visited：HashSet[RDD[_]]类型，已被处理的RDD集合，位于其中的RDD不会被重复处理；

        3、waitingForVisit：Stack[RDD[_]]类型，等待被处理的RDD栈，后入先出。

        visit()方法的处理逻辑也比较简单，大致如下：

        通过RDD是否在visited中判断RDD是否已处理，若未被处理，添加到visited中，然后循环rdd的dependencies，如果是宽依赖ShuffleDependency，调用getShuffleMapStage()，获取ShuffleMapStage（此次调用则是直接取出已生成的stage，因为划分阶段已将stage全部生成，拿来主义即可），判断该stage的isAvailable标志位，若为false，则说明该stage未被提交过，加入到missing集合，如果是窄依赖NarrowDependency，直接将RDD压入waitingForVisit栈，等待后续处理，因为窄依赖的RDD同属于同一个stage，加入waitingForVisit只是为了后续继续沿着DAG图继续往上处理。

        那么，整个missing的获取就一目了然，将final stage即ResultStage的RDD压入到waitingForVisit顶部，循环处理即可得到missing。

        至此，各位可能有个疑问，这个ShuffleMapStage的isAvailable为什么能决定该stage是否已被提交呢？卖个关子，后续再分析。

        submitStage()方法已分析完毕，go on，我们再回归到handleJobSubmitted()方法，在调用submitStage()方法提交finalStage之后，实际上只是将最原始的parent stage提交，其它child stage均存储在了waitingStages中，那么，接下来，我们就要调用submitWaitingStages()方法提交其中的stage。代码如下：

 

[java] view plain copy

 

 

1. /** 
2.    * Check for waiting or failed stages which are now eligible for resubmission. 
3.    * Ordinarily run on every iteration of the event loop. 
4.    */  
5.   private def submitWaitingStages() {  
6.     // TODO: We might want to run this less often, when we are sure that something has become  
7.     // runnable that wasn‘t before.  
8.     logTrace("Checking for newly runnable parent stages")  
9.     logTrace("running: " + runningStages)  
10.     logTrace("waiting: " + waitingStages)  
11.     logTrace("failed: " + failedStages)  
12.       
13.     // 将waitingStages转换为数组  
14.     val waitingStagesCopy = waitingStages.toArray  
15.       
16.     // 清空waitingStages  
17.     waitingStages.clear()  
18.       
19.     // 循环waitingStagesCopy，挨个调用submitStage()方法进行提交  
20.     for (stage <- waitingStagesCopy.sortBy(_.firstJobId)) {  
21.       submitStage(stage)  
22.     }  
23.   }  

        很简单，既然stages的顺序已经梳理正确，将waitingStages转换为数组waitingStagesCopy，针对每个stage挨个调用submitStage()方法进行提交即可。

        还记得我卖的那个关子吗？ShuffleMapStage的isAvailable为什么能决定该stage是否已被提交呢？现在来解开这个谜团。首先，看下ShuffleMapStage的isAvailable是如何定义的，在ShuffleMapStage中，代码如下：

 

[java] view plain copy

 

 

1. /** 
2.    * Returns true if the map stage is ready, i.e. all partitions have shuffle outputs. 
3.    * This should be the same as `outputLocs.contains(Nil)`. 
4.    * 如果map stage已就绪的话返回true，即所有分区均有shuffle输出。这个将会和outputLocs.contains保持一致。 
5.    */  
6.   def isAvailable: Boolean = _numAvailableOutputs == numPartitions  

        它是通过判断_numAvailableOutputs和numPartitions是否相等来确定stage是否已被提交（或者说准备就绪可以提交is ready）的，而numPartitions很好理解，就是stage中的全部分区数目，那么_numAvailableOutputs是什么呢？

 

 

[java] view plain copy

 

 

1. private[this] var _numAvailableOutputs: Int = 0  
2.   
3. /** 
4.    * Number of partitions that have shuffle outputs. 
5.    * When this reaches [[numPartitions]], this map stage is ready. 
6.    * This should be kept consistent as `outputLocs.filter(!_.isEmpty).size`. 
7.    *  
8.    * 拥有shuffle的分区数量。 
9.    * 当这个numAvailableOutputs达到numPartitions时，这个map stage也就准备好了。 
10.    * 这个应与outputLocs.filter(!_.isEmpty).size保持一致 
11.    */  
12.   def numAvailableOutputs: Int = _numAvailableOutputs  

        可以看出，_numAvailableOutputs就是拥有shuffle outputs的分区数量，当这个numAvailableOutputs达到numPartitions时，这个map stage也就准备好了。

 

        那么这个_numAvailableOutputs开始时默认为0，它是在何时被赋值的呢？通篇看完ShuffleMapStage的源码，只有两个方法对_numAvailableOutputs的值做修改，代码如下：

 

[java] view plain copy

 

 

1. def addOutputLoc(partition: Int, status: MapStatus): Unit = {  
2.     val prevList = outputLocs(partition)  
3.     outputLocs(partition) = status :: prevList  
4.     if (prevList == Nil) {  
5.       _numAvailableOutputs += 1  
6.     }  
7.   }  
8.   
9.   def removeOutputLoc(partition: Int, bmAddress: BlockManagerId): Unit = {  
10.     val prevList = outputLocs(partition)  
11.     val newList = prevList.filterNot(_.location == bmAddress)  
12.     outputLocs(partition) = newList  
13.     if (prevList != Nil && newList == Nil) {  
14.       _numAvailableOutputs -= 1  
15.     }  
16.   }  

        什么时候调用的这个addOutputLoc()方法呢？答案就在DAGScheduler的newOrUsedShuffleStage()方法中。方法主要逻辑如下：

 

 

[java] view plain copy

 

 

1. if (mapOutputTracker.containsShuffle(shuffleDep.shuffleId)) {  
2.       // 如果mapOutputTracker中存在  
3.       
4.       // 根据shuffleId从mapOutputTracker中获取序列化的多个MapOutputStatus对象  
5.       val serLocs = mapOutputTracker.getSerializedMapOutputStatuses(shuffleDep.shuffleId)  
6.         
7.       // 反序列化  
8.       val locs = MapOutputTracker.deserializeMapStatuses(serLocs)  
9.         
10.       // 循环  
11.       (0 until locs.length).foreach { i =>  
12.         if (locs(i) ne null) {  
13.           // locs(i) will be null if missing  
14.           // 将  
15.           stage.addOutputLoc(i, locs(i))  
16.         }  
17.       }  
18.     } else {  
19.       // 如果mapOutputTracker中不存在，注册一个  
20.       
21.       // Kind of ugly: need to register RDDs with the cache and map output tracker here  
22.       // since we can‘t do it in the RDD constructor because # of partitions is unknown  
23.       logInfo("Registering RDD " + rdd.id + " (" + rdd.getCreationSite + ")")  
24.       // 注册的内容为  
25.       // 1、根据shuffleDep获取的shuffleId；  
26.       // 2、rdd中分区的个数  
27.       mapOutputTracker.registerShuffle(shuffleDep.shuffleId, rdd.partitions.length)  
28.     }  

 

        这个方法在stage划分过程中，第一轮被调用，此时mapOutputTracker中并没有注册shuffle相关信息，所以走的是else分支，调用mapOutputTracker的registerShuffle()方法注册shuffle，而在stage提交过程中，第二轮被调用，此时shuffle已在mapOutputTracker中注册，则会根据shuffleId从mapOutputTracker中获取序列化的多个MapOutputStatus对象，反序列化并循环调用stage的addOutputLoc()方法，更新stage的outputLocs，并累加_numAvailableOutputs，至此，关子卖完，再有疑问，后续再慢慢分析吧。

        到了这里，就不得不分析下真正提交stage的方法submitMissingTasks()了。莫慌，慢慢看，代码如下：

 

[java] view plain copy

 

 

1. /** Called when stage‘s parents are available and we can now do its task. */  
2.   private def submitMissingTasks(stage: Stage, jobId: Int) {  
3.     logDebug("submitMissingTasks(" + stage + ")")  
4.       
5.     // Get our pending tasks and remember them in our pendingTasks entry  
6.     // 清空stage的pendingPartitions  
7.     stage.pendingPartitions.clear()  
8.   
9.     // First figure out the indexes of partition ids to compute.  
10.     // 首先确定该stage需要计算的分区ID索引  
11.     val partitionsToCompute: Seq[Int] = stage.findMissingPartitions()  
12.   
13.     // Create internal accumulators if the stage has no accumulators initialized.  
14.     // Reset internal accumulators only if this stage is not partially submitted  
15.     // Otherwise, we may override existing accumulator values from some tasks  
16.     if (stage.internalAccumulators.isEmpty || stage.numPartitions == partitionsToCompute.size) {  
17.       stage.resetInternalAccumulators()  
18.     }  
19.   
20.     // Use the scheduling pool, job group, description, etc. from an ActiveJob associated  
21.     // with this Stage  
22.     val properties = jobIdToActiveJob(jobId).properties  
23.   
24.     // 将stage加入到runningStages中  
25.     runningStages += stage  
26.       
27.     // SparkListenerStageSubmitted should be posted before testing whether tasks are  
28.     // serializable. If tasks are not serializable, a SparkListenerStageCompleted event  
29.     // will be posted, which should always come after a corresponding SparkListenerStageSubmitted  
30.     // event.  
31.     // 开启一个stage时，需要调用outputCommitCoordinator的stageStart()方法，  
32.     stage match {  
33.       // 如果为ShuffleMapStage  
34.       case s: ShuffleMapStage =>  
35.         outputCommitCoordinator.stageStart(stage = s.id, maxPartitionId = s.numPartitions - 1)  
36.       // 如果为ResultStage  
37.       case s: ResultStage =>  
38.         outputCommitCoordinator.stageStart(  
39.           stage = s.id, maxPartitionId = s.rdd.partitions.length - 1)  
40.     }  
41.       
42.     // 创建一个Map：taskIdToLocations，存储的是id->Seq[TaskLocation]的映射关系  
43.     // 对stage中指定RDD的每个分区获取位置信息，映射成id->Seq[TaskLocation]的关系  
44.     val taskIdToLocations: Map[Int, Seq[TaskLocation]] = try {  
45.       stage match {  
46.         // 如果是ShuffleMapStage  
47.         case s: ShuffleMapStage =>  
48.           partitionsToCompute.map { id => (id, getPreferredLocs(stage.rdd, id))}.toMap  
49.         // 如果是ResultStage  
50.         case s: ResultStage =>  
51.           val job = s.activeJob.get  
52.           partitionsToCompute.map { id =>  
53.             val p = s.partitions(id)  
54.             (id, getPreferredLocs(stage.rdd, p))  
55.           }.toMap  
56.       }  
57.     } catch {  
58.       case NonFatal(e) =>  
59.         stage.makeNewStageAttempt(partitionsToCompute.size)  
60.         listenerBus.post(SparkListenerStageSubmitted(stage.latestInfo, properties))  
61.         abortStage(stage, s"Task creation failed: $e\n${e.getStackTraceString}", Some(e))  
62.         runningStages -= stage  
63.         return  
64.     }  
65.   
66.     // 标记新的stage attempt  
67.     stage.makeNewStageAttempt(partitionsToCompute.size, taskIdToLocations.values.toSeq)  
68.     // 发送一个SparkListenerStageSubmitted事件  
69.     listenerBus.post(SparkListenerStageSubmitted(stage.latestInfo, properties))  
70.   
71.     // TODO: Maybe we can keep the taskBinary in Stage to avoid serializing it multiple times.  
72.     // Broadcasted binary for the task, used to dispatch tasks to executors. Note that we broadcast  
73.     // the serialized copy of the RDD and for each task we will deserialize it, which means each  
74.     // task gets a different copy of the RDD. This provides stronger isolation between tasks that  
75.     // might modify state of objects referenced in their closures. This is necessary in Hadoop  
76.     // where the JobConf/Configuration object is not thread-safe.  
77.     // 对stage进行序列化，如果是ShuffleMapStage，序列化rdd和shuffleDep，如果是ResultStage，序列化rdd和func  
78.     var taskBinary: Broadcast[Array[Byte]] = null  
79.     try {  
80.       // For ShuffleMapTask, serialize and broadcast (rdd, shuffleDep).  
81.       // 对于ShuffleMapTask，序列化并广播，广播的是rdd和shuffleDep  
82.       // For ResultTask, serialize and broadcast (rdd, func).  
83.       // 对于ResultTask，序列化并广播，广播的是rdd和func  
84.       val taskBinaryBytes: Array[Byte] = stage match {  
85.         case stage: ShuffleMapStage =>  
86.           // 序列化ShuffleMapStage  
87.           closureSerializer.serialize((stage.rdd, stage.shuffleDep): AnyRef).array()  
88.         case stage: ResultStage =>  
89.           // 序列化ResultStage  
90.           closureSerializer.serialize((stage.rdd, stage.func): AnyRef).array()  
91.       }  
92.   
93.       // 通过sc广播序列化的task  
94.       taskBinary = sc.broadcast(taskBinaryBytes)  
95.         
96.     } catch {  
97.       // In the case of a failure during serialization, abort the stage.  
98.       case e: NotSerializableException =>  
99.         abortStage(stage, "Task not serializable: " + e.toString, Some(e))  
100.         runningStages -= stage  
101.   
102.         // Abort execution  
103.         return  
104.       case NonFatal(e) =>  
105.         abortStage(stage, s"Task serialization failed: $e\n${e.getStackTraceString}", Some(e))  
106.         runningStages -= stage  
107.         return  
108.     }  
109.   
110.     // 针对stage的每个分区构造task，形成tasks:ShuffleMapStage生成ShuffleMapTasks，ResultStage生成ResultTasks  
111.     val tasks: Seq[Task[_]] = try {  
112.       stage match {  
113.         // 如果是ShuffleMapStage  
114.         case stage: ShuffleMapStage =>  
115.           partitionsToCompute.map { id =>  
116.             // 位置信息  
117.             val locs = taskIdToLocations(id)  
118.             val part = stage.rdd.partitions(id)  
119.             // 创建ShuffleMapTask，其中包括位置信息  
120.             new ShuffleMapTask(stage.id, stage.latestInfo.attemptId,  
121.               taskBinary, part, locs, stage.internalAccumulators)  
122.           }  
123.         // 如果是ResultStage  
124.         case stage: ResultStage =>  
125.           val job = stage.activeJob.get  
126.           partitionsToCompute.map { id =>  
127.             val p: Int = stage.partitions(id)  
128.             val part = stage.rdd.partitions(p)  
129.             val locs = taskIdToLocations(id)  
130.             // 创建ResultTask  
131.             new ResultTask(stage.id, stage.latestInfo.attemptId,  
132.               taskBinary, part, locs, id, stage.internalAccumulators)  
133.           }  
134.       }  
135.     } catch {  
136.       case NonFatal(e) =>  
137.         abortStage(stage, s"Task creation failed: $e\n${e.getStackTraceString}", Some(e))  
138.         runningStages -= stage  
139.         return  
140.     }  
141.   
142.     // 如果存在tasks，则利用taskScheduler.submitTasks()提交task，否则标记stage已完成  
143.     if (tasks.size > 0) {  
144.       logInfo("Submitting " + tasks.size + " missing tasks from " + stage + " (" + stage.rdd + ")")  
145.         
146.       // 赋值pendingPartitions  
147.       stage.pendingPartitions ++= tasks.map(_.partitionId)  
148.         
149.       logDebug("New pending partitions: " + stage.pendingPartitions)  
150.         
151.       // 利用taskScheduler.submitTasks()提交task  
152.       taskScheduler.submitTasks(new TaskSet(  
153.         tasks.toArray, stage.id, stage.latestInfo.attemptId, jobId, properties))  
154.       // 记录提交时间  
155.       stage.latestInfo.submissionTime = Some(clock.getTimeMillis())  
156.     } else {  
157.       // Because we posted SparkListenerStageSubmitted earlier, we should mark  
158.       // the stage as completed here in case there are no tasks to run  
159.       // 标记stage已完成  
160.       markStageAsFinished(stage, None)  
161.   
162.       val debugString = stage match {  
163.         case stage: ShuffleMapStage =>  
164.           s"Stage ${stage} is actually done; " +  
165.             s"(available: ${stage.isAvailable}," +  
166.             s"available outputs: ${stage.numAvailableOutputs}," +  
167.             s"partitions: ${stage.numPartitions})"  
168.         case stage : ResultStage =>  
169.           s"Stage ${stage} is actually done; (partitions: ${stage.numPartitions})"  
170.       }  
171.       logDebug(debugString)  
172.     }  
173.   }  

        submitMissingTasks()方法，最主要的就是针对每个stage生成一组Tasks，即TaskSet，并调用TaskScheduler的submitTasks()方法提交tasks。它主要做了以下几件事情：

 

        1、清空stage的pendingPartitions；

        2、首先确定该stage需要计算的分区ID索引，保存至partitionsToCompute；

        3、将stage加入到runningStages中，标记stage正