划分stage源码剖析
本文基于Spark 1.3.1
先上一些stage相关的知识点:
- DAGScheduler将Job分解成具有前后依赖关系的多个stage
- DAGScheduler是根据ShuffleDependency划分stage的
- stage分为ShuffleMapStage和ResultStage;一个Job中包含一个ResultStage及多个ShuffleMapStage
- 一个stage包含多个tasks,task的个数即该stage的finalRDD的partition数
- 一个stage中的task完全相同,ShuffleMapStage包含的都是ShuffleMapTask;ResultStage包含的都是ResultTask
下图为整个划分stage的函数调用关系图
在DAGScheduler内部通过post一个JobSubmitted事件来触发Job的提交
DAGScheduler.eventProcessLoop.post( JobSubmitted(...) )
DAGScheduler.handleJobSubmitted
既然这两个方法都是DAGScheduler内部的实现,为什么不直接调用函数而要这样“多此一举”呢?我猜想这是为了保证整个系统事件模型的完整性。
DAGScheduler.handleJobSubmitted部分源码及如下
private[scheduler] def handleJobSubmitted(jobId: Int,
finalRDD: RDD[_],
func: (TaskContext, Iterator[_]) => _,
partitions: Array[Int],
allowLocal: Boolean,
callSite: CallSite,
listener: JobListener,
properties: Properties) {
var finalStage: ResultStage = null
try {
//< 创建finalStage可能会抛出一个异常, 比如, jobs是基于一个HadoopRDD的但这个HadoopRDD已被删除
finalStage = newResultStage(finalRDD, partitions.size, jobId, callSite)
} catch {
case e: Exception =>
return
}
//< 此处省略n行代码
}
该函数通过调用newResultStage函数来创建唯一的ResultStage,也就是finalStage。调用newResultStage时,传入了finalRDD、partitions.size等参数。
跟进到DAGScheduler.newResultStage
private def newResultStage(
rdd: RDD[_],
numTasks: Int,
jobId: Int,
callSite: CallSite): ResultStage = {
val (parentStages: List[Stage], id: Int) = getParentStagesAndId(rdd, jobId)
val stage: ResultStage = new ResultStage(id, rdd, numTasks, parentStages, jobId, callSite)
stageIdToStage(id) = stage
updateJobIdStageIdMaps(jobId, stage)
stage
}
DAGScheduler.newResultStage首先调用val (parentStages: List[Stage], id: Int) = getParentStagesAndId(rdd, jobId)
,这个调用看起来像是要先确定好该ResultStage依赖的父stages,
问题1:那么是直接父stage呢?还是父stage及间接依赖的所有父stage呢?记住这个问题,继续往下看。
跟进到DAGScheduler.getParentStagesAndId
:
private def getParentStagesAndId(rdd: RDD[_], jobId: Int): (List[Stage], Int) = {
val parentStages = getParentStages(rdd, jobId)
val id = nextStageId.getAndIncrement() //< 这个调用确定了每个stage的id,划分stage时,会从右到左,因为是递归调用,其实越左的stage创建时,越早调到?try
(parentStages, id)
}
该函数调用getParentStages
获得parentStages,之后获取一个递增的id,连同刚获得的parentStages一同返回,并在newResultStage中,将id作为ResultStage的id。那么,
问题2:stage id是父stage的大还是子stage的大?。继续跟进源码,所有提问均会在后面解答。
跟到getParentStages
里
//< 这个函数的实现方式比较巧妙
private def getParentStages(rdd: RDD[_], jobId: Int): List[Stage] = {
//< 通过vist一级一级vist得到的父stage
val parents = new HashSet[Stage]
//< 已经visted的rdd
val visited = new HashSet[RDD[_]]
val waitingForVisit = new Stack[RDD[_]]
def visit(r: RDD[_]) {
if (!visited(r)) {
visited += r
for (dep <- r.dependencies) {
dep match {
//< 若为宽依赖,调用getShuffleMapStage
case shufDep: ShuffleDependency[_, _, _] =>
parents += getShuffleMapStage(shufDep, jobId)
case _ =>
//< 若为窄依赖,将该依赖中的rdd加入到待vist栈,以保证能一级一级往上vist,直至遍历整个DAG图
waitingForVisit.push(dep.rdd)
}
}
}
}
waitingForVisit.push(rdd)
while (waitingForVisit.nonEmpty) {
visit(waitingForVisit.pop())
}
parents.toList
}
函数getParentStages中,遍历整个RDD依赖图的finalRDD的List[dependency] (关于RDD及依赖,可参考举例说明Spark RDD的分区、依赖,若遇到ShuffleDependency(即宽依赖),则调用getShuffleMapStage(shufDep, jobId)
返回一个ShuffleMapStage
类型对象,添加到父stage列表中。若为NarrowDenpendency,则将该NarrowDenpendency包含的RDD加入到待visit队列中,之后继续遍历待visit队列中的RDD,直到遇到ShuffleDependency或无依赖的RDD。
函数getParentStages
的职责说白了就是:以参数rdd为起点,一级一级遍历依赖,碰到窄依赖就继续往前遍历,碰到宽依赖就调用getShuffleMapStage(shufDep, jobId)
。这里需要特别注意的是,getParentStages
以rdd为起点遍历RDD依赖并不会遍历整个RDD依赖图,而是一级一级遍历直到所有“遍历路线”都碰到了宽依赖就停止。剩下的事,在遍历的过程中交给getShuffleMapStage
。
那么,让我来看看函数getShuffleMapStage
的实现:
private def getShuffleMapStage(
shuffleDep: ShuffleDependency[_, _, _],
jobId: Int): ShuffleMapStage = {
shuffleToMapStage.get(shuffleDep.shuffleId) match {
case Some(stage) => stage
case None =>
// We are going to register ancestor shuffle dependencies
registerShuffleDependencies(shuffleDep, jobId)
//< 然后创建新的ShuffleMapStage
val stage = newOrUsedShuffleStage(shuffleDep, jobId)
shuffleToMapStage(shuffleDep.shuffleId) = stage
stage
}
}
在划分stage的过程中,由于每次shuffleDep.shuffleId
都不同且都是第一次出现,显然shuffleToMapStage.get(shuffleDep.shuffleId)
会match到None,便会调用newOrUsedShuffleStage
。来看看它的实现:
private def registerShuffleDependencies(shuffleDep: ShuffleDependency[_, _, _], jobId: Int) {
val parentsWithNoMapStage = getAncestorShuffleDependencies(shuffleDep.rdd)
while (parentsWithNoMapStage.nonEmpty) {
//< 出栈的其实是shuffleDep的前一个宽依赖,且shuffleToMapStage不包含以该出栈宽依赖id为key的元素
val currentShufDep = parentsWithNoMapStage.pop()
//< 创建新的ShuffleMapStage
val stage = newOrUsedShuffleStage(currentShufDep, jobId)
//< 将新创建的ShuffleMapStage加入到shuffleId -> ShuffleMapStage映射关系中
shuffleToMapStage(currentShufDep.shuffleId) = stage
}
}
函数registerShuffleDependencies
首先调用getAncestorShuffleDependencies
,这个函数遍历参数rdd的List[dependency],若遇到ShuffleDependency,加入到parents: Stack[ShuffleDependency[_, _, _]]
中;若遇到窄依赖,则遍历该窄依赖对应rdd的父一层依赖,知道遇到宽依赖为止。实现与getParentStages
基本一致,不同的是这里是将宽依赖加入到parents中并返回。
registerShuffleDependencies拿到各个“依赖路线”最近的所有宽依赖后。对每个宽依赖调用newOrUsedShuffleStage
,该函数用来创建新ShuffleMapStage或获得已经存在的ShuffleMapStage。来看它的实现:
private def newOrUsedShuffleStage(
shuffleDep: ShuffleDependency[_, _, _],
jobId: Int): ShuffleMapStage = {
val rdd = shuffleDep.rdd
val numTasks = rdd.partitions.size
val stage = newShuffleMapStage(rdd, numTasks, shuffleDep, jobId, rdd.creationSite)
//< 若该shuffleDep.shulleId对应的, stage已经在MapOutputTracker中存在,那么可用的输出的数量及位置将从MapOutputTracker恢复
if (mapOutputTracker.containsShuffle(shuffleDep.shuffleId)) {
val serLocs = mapOutputTracker.getSerializedMapOutputStatuses(shuffleDep.shuffleId)
val locs = MapOutputTracker.deserializeMapStatuses(serLocs)
for (i <- 0 until locs.size) {
stage.outputLocs(i) = Option(locs(i)).toList // locs(i) will be null if missing
}
stage.numAvailableOutputs = locs.count(_ != null)
} else {
// Kind of ugly: need to register RDDs with the cache and map output tracker here
// since we can't do it in the RDD constructor because # of partitions is unknown
logInfo("Registering RDD " + rdd.id + " (" + rdd.getCreationSite + ")")
//< 否则使用shuffleDep.shuffleId, rdd.partitions.size在mapOutputTracker中注册,这会在shuffle阶段reducer从shuffleMap端fetch数据起作用
mapOutputTracker.registerShuffle(shuffleDep.shuffleId, rdd.partitions.size)
}
stage
}
函数newOrUsedShuffleStage
首先调用newShuffleMapStage
来创建新的ShuffleMapStage,来看下newShuffleMapStage
的实现:
private def newShuffleMapStage(
rdd: RDD[_],
numTasks: Int,
shuffleDep: ShuffleDependency[_, _, _],
jobId: Int,
callSite: CallSite): ShuffleMapStage = {
val (parentStages: List[Stage], id: Int) = getParentStagesAndId(rdd, jobId)
val stage: ShuffleMapStage = new ShuffleMapStage(id, rdd, numTasks, parentStages,
jobId, callSite, shuffleDep)
stageIdToStage(id) = stage
updateJobIdStageIdMaps(jobId, stage)
stage
}
结合文章开始处的函数调用关系图,可以看到newShuffleMapStage
竟然又调用getParentStagesAndId
来获取它的parentStages。那么,文章开头处的整个函数调用流程又会继续走一遍,不同的是起点rdd不是原来的finalRDD而是变成了这里的宽依赖的rdd。
静下心来,仔细看几遍上文提到的源码及注释,其实每一次的如上图所示的递归调用,其实就只做了两件事:
- 遍历起点RDD的依赖列表,若遇到窄依赖,则继续遍历该窄依赖的父List[RDD]的依赖,直到碰到宽依赖;若碰到宽依赖(不管是起点RDD的宽依赖还是遍历多级依赖碰到的宽依赖),则以宽依赖RDD为起点再次重复上述过程。直到到达RDD依赖图的最左端,也就是遍历到了没有依赖的RDD,则进入2
- 达到RDD依赖图的最左端,即递归调用也到了最深得层数,
getParentStagesAndId中
,getParentStages
第一次返回(第一次返回为空,因为最初的stage没有父stage),val id = nextStageId.getAndIncrement()
也是第一次被调用,获得第一个stage的id,为0(注意,这个时候还没有创建第一个stage)。这之后,便调用
val stage: ShuffleMapStage = new ShuffleMapStage(id, rdd, numTasks, parentStages, jobId, callSite, shuffleDep)
创建第一个ShuffleMapStage。至此,这一层递归调用结束,返回到上一层递归中,这一层创建的所有的ShuffleMapStage会作为下一层stage的父List[stage]用来构造上一层的stages。上一层递归调用返回后,上一层创建的stage又将作为上上层的parent List[stage]来构造上上层的stages。依次类推,直到最后的ResultStage也被创建出来为止。整个stage的划分完成。
有一个需要注意的点是,无论对于ShuffleMapStage还是ResultStage来说,task的个数即该stage的finalRDD的partition的个数,仔细查看下上文中的newResultStage
和newShuffleMapStage
函数可以搞明白这点,不再赘述。
最后,解答下上文中的两个问题:
问题1:每个stage都有一个val parents: List[Stage]成员,保存的是其直接依赖的父stages;其直接父stages又有自身依赖的父stages,以此类推,构成了整个DAG图
问题2:父stage的id比子stage的id小,DAG图中,越左边的stage,id越小。
欢迎关注我的微信公众号:FunnyBigData