本篇我们深入源码，探究一下livy解释器的实现原理。
ReplDriver
ReplDriver是真正最终运行的Driver程序对应的类（其基类是第三篇中提到的RSCDrvier）。在这一层，重点关注handle系列方法：
def handle(ctx: ChannelHandlerContext, msg: BaseProtocol.ReplJobRequest): Int = {
...
}
def handle(ctx: ChannelHandlerContext, msg: BaseProtocol.CancelReplJobRequest): Unit = {
...
}
def handle(ctx: ChannelHandlerContext, msg: BaseProtocol.ReplCompleteRequest): Array[String] = {
...
}
def handle(ctx: ChannelHandlerContext, msg: BaseProtocol.GetReplJobResults): ReplJobResults = {
...
}这些方法其实负责处理各种类型的request，例如BaseProtocol.ReplJobRequest就是处理执行代码请求。前面有篇提到的RpcServer，负责基于netty启动服务端，并且绑定处理请求的类，其内部的dispatcher会负责通过反射，找到对应的handle方法并调用。
关于RPC，这里只是提一下，后面的篇章再跟大家一起分析细节
本篇的重点是探究REPL，所以我们重点从BaseProtocol.ReplJobRequest处理方法跟入：
def handle(ctx: ChannelHandlerContext, msg: BaseProtocol.ReplJobRequest): Int = {
session.execute(EOLUtils.convertToSystemEOL(msg.code), msg.codeType)
}这里调用了session对象的execute，所以继续进去看session对象
Session
ReplDriver持有Session对象的实例，在ReplDriver初始化阶段实例化，并调用了session.start()方法：
session会创建SparkInterpreter，并调用SparkInterpreter.start。
session的execute方法最终会调用SparkInterpreter.execute。
SparkInterpreter
在Livy中SparkInterpreter是一种Interpreter(接口)。同样是Interpreter的还有：
- PythonInterpreter
- SparkRInterpreter
- SQLInterpreter
- ...
SparkInterpreter.start主要干的事情就是初始化SparkILoop。SparkILoop是org.apache.spark.repl包下的类，它其实就是spark本身实现REPL的核心类。livy在这里其实只是包装了spark本身已经实现的功能。另外一件事情，就是第三篇中提到的在解释器中bind变量，下面的代码就是bind变量的过程：
上面代码中的bind方法和execute方法就是核心方法，其实现方法就是直接调用SparkILoop的对应方法：
// execute其实最后调到interpret
// code就是要执行的代码
override protected def interpret(code: String): Result = {
sparkILoop.interpret(code)
}
// name: 变量名
// tpe: 变量类型
// value: 变量对象真实引用
// modifier: 变量各种修饰符
override protected def bind(name: String,
tpe: String,
value: Object,
modifier: List[String]): Unit = {
sparkILoop.beQuietDuring {
sparkILoop.bind(name, tpe, value, modifier)
}
}到这里其实思路已经比较清晰了，我们得到下面的层次关系图：
总结
本篇从源码的角度分析了livy如何利用spark实现的REPL，实现交互式代码运行。因此，有了livy，相当于把spark的REPL搬到了web。