Spark - DAGScheduler

在Spark中有几个重要概念：

Application - 源代码就是应用
Job - action会触发一个job
Stage - 按照宽窄依赖来分的
Task - 最终执行的工作
Driver - 跑源代码main func，跑各种并行操作的机器
Executor - 执行task细节的机器

我们从以下简单的一行代码入手，来看spark中的各个术语的含义。

scala>sc.textFile("README.md").filter(_.contains("Spark")).count

其中，sc代表SparkContext，它通过一些default的SparkConfig构建出来。这一行代码就算是一个Application。sc通过textFile, filter操作RDDs，最后count这个Action触发一个job。

整体上描述一下spark的运行：Application会运行在driver上，driver会根据代码中的action创建并提交job(runJob/submitJob)。然后从job的最后一个RDD朝前演算，遇到一个宽依赖就创建一个stage。最后以stage为单位创建task集合，并在excutor中执行每项task

spark拆分任务的流程图如下：

runJob flow.png

涉及到的几个class：
SparkContext, DAGScheduler, DAGSchedulerEventProcessLoop, TaskScheduler

几个class的相互关系

SparkContext中初始化DAGScheduler, TaskScheduler
DAGScheduler中初始化DAGSchedulerEventProcessLoop(eventProcessLoop)
DAGScheduler的构造函数参数中包含TaskScheduler

流程介绍

整个过程就是将RDD DAG按照宽窄依赖切分成Stage DAG：

首先在SparkContext初始化的时候会创建DAGScheduler,这个DAGScheduler每个应用只有一个。然后DAGScheduler创建的时候，会初始化一个事件捕获对象DAGSchedulerEventProcessLoop，并且开启监听(start)。之后我们的任务都会发给这个事件监听器，它会按照任务的类型创建不同的任务(doOnReceive)。
再从客户端程序方面说，当我们调用action操作的时候，就会触发runJob，它内部其实就是向前面的那个事件监听器提交一个任务。
然后事件监听器调用DAGScheduler的handleJobSubmitted做真正的处理
处理的时候，要去创建一个ResultStage(每个job只有一个ResultStage，其余的都是ShuffleMapStage)，这会根据RDD的依赖关系，按照广度优先(总是先找到自己的所有直接parents)的思想遍历所有RDD，遇到ShuffleRDD就创建一个新的stage，最终形成一个以ResultStage为尾的stage DAG(透过访问ResultStage，朝前不停遍历就可以找到所有的stage)
形成stage DAG图后，遍历等待执行的stage列表，如果这个stage所依赖的父stage执行完了，它就可以执行了；否则还需要继续等待。
最终stage会以taskset的形式，提交给TaskScheduler，最后提交给excutor。

 private def getMissingAncestorShuffleDependencies(
      rdd: RDD[_]): Stack[ShuffleDependency[_, _, _]] = {
    val ancestors = new Stack[ShuffleDependency[_, _, _]]
    val visited = new HashSet[RDD[_]]
    // We are manually maintaining a stack here to prevent StackOverflowError
    // caused by recursively visiting
    val waitingForVisit = new Stack[RDD[_]]
    waitingForVisit.push(rdd)
    while (waitingForVisit.nonEmpty) {
      val toVisit = waitingForVisit.pop()
      if (!visited(toVisit)) {
        visited += toVisit
        getShuffleDependencies(toVisit).foreach { shuffleDep =>
          if (!shuffleIdToMapStage.contains(shuffleDep.shuffleId)) {
            ancestors.push(shuffleDep)    //广度遍历
            waitingForVisit.push(shuffleDep.rdd)
          } // Otherwise, the dependency and its ancestors have already been registered.
        }
      }
    }
    ancestors
  }

参考： http://www.cnblogs.com/xing901022/p/6674966.html

stage拆分的整个函数调用过程如下：

stage creation flow.jpeg

举例说明：
如下图，spark job依赖关系：

job.jpg

上图抽象如下：

[E] <--------------
                    \
[C] <------[D]------[F]--(s_F)----
                                   \
[A] <-----(s_A)----- [B] <-------- [G]

Note: [] means an RDD, () means a shuffle dependency.

结果解析

对 G 调用 creatResultStage，先为所有parent创建ShuffleMapStage，然后创建本身的 ResultStage。如上图getOrCreateParentStages会先创建上游 stage1和stage2，然后创建自己的 stage3
getOrCreateParentStages 会调用 getShuffleDependencies 获得 rdd_G 所有直接宽依赖 HashSet(s_F, s_A), 然后遍历集合，对 s_F 和 s_A 调用 getOrCreateShuffleMapStage
对 s_A 调用 getOrCreateShuffleMapStage， shuffleIdToMapStage 中获取判断为None，对 rdd_A 调用getMissingAncestorShuffleDependencies，返回为空，对 s_A 调用 createShuffleMapStage，由于rdd_A 没有parent stage 直接就创建 stage1 返回
对 s_F 调用 getOrCreateShuffleMapStage， shuffleIdToMapStage 中获取判断为None，对 rdd_F 调用 getMissingAncestorShuffleDependencies，返回为空，对 s_F 调用 createShuffleMapStage，由于rdd_F 没有parent stage 直接就创建 stage2 返回
把 List(stage1,stage2) 作为 stage3 的 parents stages 创建 stage3

至此，Stage都建立起来之后，就要开始执行各个stage

submitStage -> getMissingParentStages -> submitMissingTasks -> submitStage

整体上来讲：

在submitStage中会计算stage之间的依赖关系，依赖关系分为宽依赖和窄依赖两种

如果计算中发现当前的stage没有任何依赖或者所有的依赖都已经准备完毕，则提交task

提交task是调用函数submitMissingTasks来完成
-当前stage执行完毕之后，再调用函数submitStage来执行child stage

TaskScheduler在SparkContext初始化期间就会初始化并且start，其backend会根据deploy mode作相应调整

submitMissingTasks -> taskScheduler(TaskSchedulerImpl).submitTasks -> backend.reviveOffers -> executor.launchTask -> threadPool.execute

private def submitMissingTasks(stage: Stage, jobId: Int) {
        ......
        ......
    val tasks: Seq[Task[_]] = try {
      val serializedTaskMetrics = closureSerializer.serialize(stage.latestInfo.taskMetrics).array()
      stage match {
        case stage: ShuffleMapStage =>
          stage.pendingPartitions.clear()
          partitionsToCompute.map { id =>
            val locs = taskIdToLocations(id)
            val part = stage.rdd.partitions(id)
            stage.pendingPartitions += id
            new ShuffleMapTask(stage.id, stage.latestInfo.attemptId,
              taskBinary, part, locs, properties, serializedTaskMetrics, Option(jobId),
              Option(sc.applicationId), sc.applicationAttemptId)
          }

        case stage: ResultStage =>
          partitionsToCompute.map { id =>
            val p: Int = stage.partitions(id)
            val part = stage.rdd.partitions(p)
            val locs = taskIdToLocations(id)
            new ResultTask(stage.id, stage.latestInfo.attemptId,
              taskBinary, part, locs, id, properties, serializedTaskMetrics,
              Option(jobId), Option(sc.applicationId), sc.applicationAttemptId)
          }
      }
    } catch {
      case NonFatal(e) =>
        abortStage(stage, s"Task creation failed: $e\n${Utils.exceptionString(e)}", Some(e))
        runningStages -= stage
        return
    }
    if (tasks.size > 0) {
      logInfo(s"Submitting ${tasks.size} missing tasks from $stage (${stage.rdd}) (first 15 " +
        s"tasks are for partitions ${tasks.take(15).map(_.partitionId)})")
      taskScheduler.submitTasks(new TaskSet(
        tasks.toArray, stage.id, stage.latestInfo.attemptId, jobId, properties))
    } else {
      // Because we posted SparkListenerStageSubmitted earlier, we should mark
      // the stage as completed here in case there are no tasks to run
      markStageAsFinished(stage, None)

      val debugString = stage match {
        case stage: ShuffleMapStage =>
          s"Stage ${stage} is actually done; " +
            s"(available: ${stage.isAvailable}," +
            s"available outputs: ${stage.numAvailableOutputs}," +
            s"partitions: ${stage.numPartitions})"
        case stage : ResultStage =>
          s"Stage ${stage} is actually done; (partitions: ${stage.numPartitions})"
      }
      logDebug(debugString)

      submitWaitingChildStages(stage)
    }

注意：

stageID从1开始，按照"爷->父->子->孙"一次递增1

private val nextStageId = new AtomicInteger(0)
val id = nextStageId.getAndIncrement()

每个job只有一个ResultStage，其余的都是ShuffleMapStage
每个Stage的实例中，都包含一个parents的属性，这样就可以透过"孙"stage朝前找到所有的"祖先"stage

Spark - DAGScheduler

你可能感兴趣的:(Spark - DAGScheduler)