Spark on Yarn: Cluster模式Scheduler实现

背景

Spark on Yarn分yarn-cluster和yarn-client两种模式。
本文通过Cluster模式的TaskScheduler实现入手，梳理一遍spark on yarn的大致实现逻辑。

前提我对两种模式以及yarn任务的整体运行逻辑不是很清楚。

主体逻辑

cluster模式中，使用的TaskScheduler是YarnClusterScheduler。
它继承了默认使用的TaskSchedulerImpl类，额外在postStartHook方法里，唤醒了ApplicationMaster类的设置sparkcontext的方法。
ApplicationMaster相当于是spark在yarn上的AM，内部的YarnRMClient类，负责向RM注册和注销AM，以及拿到attemptId。注册AM之后，得到一个可以申请/释放资源的YarnAllocationHandler类，从而可以维护container与executor之间的关系。

下节具体介绍几个主要类的实现逻辑。

具体实现

AM

ApplicationMaster，通过YarnRMClient来完成自己的注册和注销。

AM的启动方式

/**
 * This object does not provide any special functionality. It exists so that it's easy to tell
 * apart the client-mode AM from the cluster-mode AM when using tools such as ps or jps.
 */
object ExecutorLauncher {

  def main(args: Array[String]) = {
    ApplicationMaster.main(args)
  }

}

main里面调用AM的run方法：

  def main(args: Array[String]) = {
    SignalLogger.register(log)
    val amArgs = new ApplicationMasterArguments(args)
    SparkHadoopUtil.get.runAsSparkUser { () =>
      master = new ApplicationMaster(amArgs, new YarnRMClientImpl(amArgs))
      System.exit(master.run())
    }
  }

如果AM的启动参数里有用户自己定义的类，则是Driver模式，即cluster模式。用户自己定义的类里面带了spark driver，会在单独一个线程里启动。这也是cluster模式与client模式的区别，用户实现了driver vs 用户只是提交app。

run方法里
1. 如果不是Driver模式，执行runExecutorLauncher逻辑：
启动后，执行registerAM，里面new了YarnAllocator的实现，调用allocateResources，申请并执行container。同时，启动一个reporter线程，每隔一段时间调用YarnAllocator的allocateResources方法，或汇报有太多executor fail了。
2. 如果是Driver模式，执行runDriver逻辑：
也是执行registerAM，但是之前需要反射执行jar包里用户定义的driver类。

YarnAllocator

YarnAllocator负责向yarn申请和释放containers，维护containe、executor相关关系，有一个线程池。申请到container之后，在container里执行ExecutorRunnable。需要子类实现的是申请和释放这两个方法：

protected def allocateContainers(count: Int, pending: Int): YarnAllocateResponse
protected def releaseContainer(container: Container): Unit

YarnAllocationHandler继承了YarnAllocator。

1. allocateContainers方法:
   Yarn api里提供ResourceRequest这个类，里面包含了一个app向RM索要不同container的信息，包括机器名/机架名，cpu和mem资源数，container数，优先级，locality是否放松。然后组成AllocateRequest类，代表AM向RM从集群里获得resource。调用ApplicationMasterProtocal的allocate(AllocateRequest)，由AM**向RM发起资源请求**。
2. releaseContainer方法:
   每次把需要release的container记录下来。在每次allocateContainers调用的时候，
   会往AllocateRequest里addAllReleases(releasedContainerList)，在请求资源的时候顺便把历史资源释放掉。

ExecutorRunnable与Yarn的关系：
1. 向ContainerManager建立连接，让cm来startContainer。
2. ContainerLaunchContext包含了yarn的NodeManager启动一个container需要的所有信息。ExecutorRunnable会构建这个container申请信息。
可以参考这段启动逻辑：

def startContainer = {
    logInfo("Setting up ContainerLaunchContext")

    val ctx = Records.newRecord(classOf[ContainerLaunchContext])
      .asInstanceOf[ContainerLaunchContext]

    ctx.setContainerId(container.getId())
    ctx.setResource(container.getResource())
    val localResources = prepareLocalResources
    ctx.setLocalResources(localResources)

    val env = prepareEnvironment
    ctx.setEnvironment(env)

    ctx.setUser(UserGroupInformation.getCurrentUser().getShortUserName())

    val credentials = UserGroupInformation.getCurrentUser().getCredentials()
    val dob = new DataOutputBuffer()
    credentials.writeTokenStorageToStream(dob)
    ctx.setContainerTokens(ByteBuffer.wrap(dob.getData()))

    val commands = prepareCommand(masterAddress, slaveId, hostname, executorMemory, executorCores,
      appAttemptId, localResources)
    logInfo("Setting up executor with commands: " + commands)
    ctx.setCommands(commands)

    ctx.setApplicationACLs(YarnSparkHadoopUtil.getApplicationAclsForYarn(securityMgr))

    // If external shuffle service is enabled, register with the Yarn shuffle service already
    // started on the NodeManager and, if authentication is enabled, provide it with our secret
    // key for fetching shuffle files later
    if (sparkConf.getBoolean("spark.shuffle.service.enabled", false)) {
      val secretString = securityMgr.getSecretKey()
      val secretBytes =
        if (secretString != null) {
          // This conversion must match how the YarnShuffleService decodes our secret
          JavaUtils.stringToBytes(secretString)
        } else {
          // Authentication is not enabled, so just provide dummy metadata
          ByteBuffer.allocate(0)
        }
      ctx.setServiceData(Map[String, ByteBuffer]("spark_shuffle" -> secretBytes))
    }

    // Send the start request to the ContainerManager
    val startReq = Records.newRecord(classOf[StartContainerRequest])
    .asInstanceOf[StartContainerRequest]
    startReq.setContainerLaunchContext(ctx)
    cm.startContainer(startReq)
  }

值得注意的是setServiceData方法，如果在node manager上启动了external shuffle service。Yarn的AuxiliaryService支持在NodeManager上启动辅助服务。spark有一个参数spark.shuffle.service.enabled来设置该服务是否被启用，我看的1.2.0版本里貌似没有服务的实现代码。

Executor

此外，从ExecutorRunnableUtil的prepareCommand方法可以得知，ExecutorRunnable通过命令行启动了CoarseGrainedExecutorBackend进程，与粗粒度的mesos模式和standalone模式一致，task最终落到CoarseGrainedExecutorBackend里面执行。

全文完：）