了解Spark源码的概况

Posted 2020-11-06 qwangxiao

  本文旨在帮助那些想要对Spark有更深入了解的工程师们，了解Spark源码的概况，搭建Spark源码阅读环境，编译、调试Spark源码，为将来更深入地学习打下基础。

一、项目结构

        在大型项目中，往往涉及非常多的功能模块，此时借助于Maven进行项目、子项目（模块）的管理，能够节省很多开发和沟通成本。整个Spark项目就是一个大的Maven项目，包含着多个子项目。无论是Spark父项目还是子项目，本身都可以作为独立的Maven项目来管理。core是Spark最为核心的功能模块，提供了RPC框架、度量系统、Spark UI、存储体系、调度系统、计算引擎、部署模式等功能的核心实现。这些Spark中主要子项目（模块）的功能如下：

• spark-catalyst：Spark的词法、语法分析、抽象语法树（AST）生成、优化器、生成逻辑执行计划、生成物理执行计划等。
• spark-core：Spark最为基础和核心的功能模块。
• spark-examples：使用多种语言，为Spark学习人员提供的应用例子。
• spark-sql：Spark基于SQL标准，实现的通用查询引擎。
• spark-hive：Spark基于Spark SQL，对Hive元数据、数据的支持。
• spark-mesos：Spark对Mesos的支持模块。
• spark-mllib：Spark的机器学习模块。
• spark-streaming：Spark对流式计算的支持模块。
• spark-unsafe：Spark对系统内存直接操作，以提升性能的模块。
• spark-yarn：Spark对Yarn的支持模块。

二、阅读环境准备

        准备Spark阅读环境，就需要一台好机器。笔者调试源码的机器的内存是8GB。源码阅读的前提是首先在IDE环境中打包、编译通过。常用的IDE有 IntelliJ IDEA和Eclipse，笔者选择用Eclipse编译和阅读Spark源码，原因有二：一是由于使用多年对它比较熟悉，二是社区中使用Eclipse编译Spark的资料太少，在这里可以做个补充。笔者在Mac OS系统编译Spark源码，除了安装JDK和Scala外，还需要安装以下工具。

1.安装SBT

        由于Scala使用SBT作为构建工具，所以需要下载SBT。下载地址： http://www.scala-sbt.org/，下载最新的安装包sbt-0.13.12.tgz并安装。

移动到选好的安装目录，例如：

mv sbt-0.13.12.tgz~/install/

进入安装目录，执行以下命令：

chmod 755 sbt-0.13.12.tgz

tar -xzvf sbt-0.13.12.tgz

配置环境：

cd ~

vim .bash_profile

添加如下配置：

export SBT_HOME=$HOME/install/sbt

export PATH=$SBT_HOME/bin:$PATH

输入以下命令使环境变量快速生效：

source .bash_profile

安装完毕后，使用sbt about命令查看，确认安装正常，如图1所示。

图1 查看sbt安装是否正常

2.安装Git

        由于Spark源码使用Git作为版本控制工具，所以需要下载Git的客户端工具。下载地址：https://git-scm.com，下载最新的版本并安装。

    安装完毕后可使用git –version命令来查看安装是否正常，如图2所示。

图2  查看git是否安装成功

3.安装Eclipse Scala IDE插件

        Eclipse通过强大的插件方式支持各种IDE工具的集成，要在Eclipse中编译、调试、运行Scala程序，就需要安装Eclipse Scala IDE插件。下载地址：http://scala-ide.org/download/current.html。

由于笔者本地的Eclipse版本是Eclipse Mars.2 Release (4.5.2)，所以选择安装插件http://download.scala-ide.org/sdk/lithium/e44/scala211/stable/site，如图3：

图3  EclipseScala IDE插件安装地址

        在Eclipse中选择“Help”菜单，然后选择www.feifanyule.cn/ “www.qinlinyule.cn  www.120xh.cn  Install New www.089188.cn Software…”选项，打开Install对话框，如图4所示：

图4 安装Scala IDE插件

点击“Add…”按钮，打开“Add Repository”对话框，输入插件地址，如5图所示：

图5 添加Scala IDE插件地址

全选插件的内容，完成安装，如图6所示：

图6 安装Scala IDE插件

三、Spark源码编译与调试

1.下载Spark源码

首先，访问Spark官网http://spark.apache.org/，如图7所示。

图7  Spark官网

点击“Download Spark”按钮，在下一个页面找到Git地址，如图8所示。

图8  Spark官方Git地址

笔者在当前用户目录下创建Source文件夹作为放置Spark源码的地方，进入此文件夹并输入git clonegit://github.com/apache/spark.git命令将源码下载到本地，如9图所示。

图9下载Spark源码

2.构建Scala应用

    进到Spark根目录，执行sbt命令。会下载和解析很多jar包，要等很长的时间，笔者大概花费了一个多小时，才执行完，如图10所示。

图10  构建Scala应用

从图10可以看出，sbt构建完毕时会出现提示符>。

3.使用sbt生成eclipse工程文件

    在sbt命令出现提示符>后，输入eclipse命令，开始生成eclipse工程文件，也需要花费很长的时间，笔者本地大致花费了40分钟。完成时的状况，如图11所示。

图11  sbt编译过程

现在我们查看Spark下的子文件夹，发现其中都生成了.project和.classpath文件。比如mllib项目下就生成了.project和.classpath文件，如图12所示。

图12  sbt生成的项目文件

4. 编译Spark源码

    由于Spark使用Maven作为项目管理工具，所以需要将Spark项目作为Maven项目导入到Eclipse中，如13图所示：

图13  导入Maven项目

点击Next按钮进入下一个对话框，如图14所示：

图14  选择Maven项目

全选所有项目，点击finish按钮。这样就完成了导入，如图15所示：

图15  导入完成的项目

导入完成后，需要设置每个子项目的build path。右键单击每个项目，选择“Build Path”→“Configure BuildPath…”，打开Build Path对话框，如图16：

图16  Java构建路径

Eclipse在对项目编译时，可能会出现很多错误，只要仔细分析报错原因就能一一排除。所有错误解决后运行mvn clean install，如图17所示：

图17  编译成功

5.调试Spark源码

    以Spark源码自带的JavaWordCount为例，介绍如何调试Spark源码。右键单击JavaWordCount.java，选择“Debug As”→“Java Application”即可。如果想修改配置参数，右键单击JavaWordCount.java，选择“Debug As”→“DebugConfigurations…”，从打开的对话框中选择JavaWordCount，在右侧标签可以修改Java执行参数、JRE、classpath、环境变量等配置，如图18所示：

图18  源码调试

读者也可以在Spark源码中设置断点，进行跟踪调试。

 

关于《Spark内核设计的艺术 架构设计与实现》