Spark实战(3)_SparkContext原理剖析与源码分析

TaskScheduler的初始化机制

TaskScheduler,如何注册Application,executor如何反向注册?

TaskScheduler的初始化机制
  1. createTaskScheduler(),内部会创建三个东西。
  2. 一是TaskSchedulerImpl,它其实就是我们所说的TaskScheduler。
  3. 二是SparkDeploySchedulerBackend,它在底层会负责接收TaskSchedulerImpl的控制,实际上负责与Master的注册,Ececutor的反注册,task发送到executor等操作。
  4. 调用TaskSchedulerImpl的init()方法,创建SchedulerPool,当DAGScheduler要让TaskScheduler去调度一些任务的时候,就会把这些任务放到调度池里面,它有不同的优先策略,比如FIFO。
  5. 调用TaskSchedulerImpl的start()方法,方法内部调用SparkDeploySchedulerBackend的start()方法。
  6. SparkDeploySchedulerBackend的start()方法,创建一个东西,AppClient。
  7. AppClient,启动一个线程,创建一个ClientActor。
  8. ClientActor线程,调用两个方法,registerWithMaster()——>tryRegisterAllMasters()。
  9. registerWithMaster()——>tryRegisterAllMasters(),向MasterActor发送RegisterApplication(case class,里面封装了Application的信息)。
  10. RegisterApplication发送数据到Spark集群的Master——>Worker——>Executor。
  11. Executor反向注册到SparkDeploySchedulerBackend上面去。

TaskSchedulerImpl底层实际主要基于SparkDeploySchedulerBackend来工作。

DAGScheduler

DAGSchedulerEventProcessActor,DAGScheduler底层基于该组件进行通信。(线程)

SprkUI

SprkUI,显示Application运行的状态,启动一个jetty服务器,来提供web服务,从而显示网页。

源码分析

package org.apache.spark,SparkContext.scala

// Create and start the scheduler
  private[spark] var (schedulerBackend, taskScheduler) =
    SparkContext.createTaskScheduler(this, master)
    
// 这是我们常用的Sparkt提交模式中的standalone方式
      case SPARK_REGEX(sparkUrl) =>
        val scheduler = new TaskSchedulerImpl(sc)
        val masterUrls = sparkUrl.split(",").map("spark://" + _)
        val backend = new SparkDeploySchedulerBackend(scheduler, sc, masterUrls)
        scheduler.initialize(backend)
        (backend, scheduler)

package org.apache.spark.scheduler,TaskSchedulerImpl.scala

/**
  * 1、底层通过操作一个SchedulerBackend,针对不同种类的cluster(standlalone、yarn、mesos),调度task
  * 2、它也可以通过使用一个LacalBackend,并且将isLocal参数设置为true,来在本地模式下工作
  * 3、它负责处理一些通用的逻辑,比如说决定多个job的调度顺序,启动推测任务执行
  * 4、客户端首先应该调用它的initialize()方法和start()方法,然后通过runTasks()方法提交task sets
  */
  
def initialize(backend: SchedulerBackend) {
    this.backend = backend
    // temporarily set rootPool name to empty
    rootPool = new Pool("", schedulingMode, 0, 0)
    schedulableBuilder = {
      schedulingMode match {
        case SchedulingMode.FIFO =>
          new FIFOSchedulableBuilder(rootPool)
        case SchedulingMode.FAIR =>
          new FairSchedulableBuilder(rootPool, conf)
      }
    }
    schedulableBuilder.buildPools()
  }

start()方法,

// start()方法,sparkContext.scala
// start TaskScheduler after taskScheduler sets DAGScheduler reference in DAGScheduler's
  // constructor
  taskScheduler.start()
  
// TaskSchedulerImpl.scala
override def start() {
    backend.start()

// SparkDeploySchedulerBackend.scala    
override def start() {
    super.start()
    
// 这个ApplicationDescription,非常重要
    // 它就代表了当前执行的这个application的一些情况
    // 包括application最大需要多少cpu core,每个slave上需要多少内存
    val appDesc = new ApplicationDescription(sc.appName, maxCores, sc.executorMemory, command,
      appUIAddress, sc.eventLogDir, sc.eventLogCodec)

    // 创建了AppClient
    client = new AppClient(sc.env.actorSystem, masters, appDesc, this, conf)
    client.start()

package org.apache.spark.deploy.client,AppClient.scala,

/**
  * 这是一个接口
  * 它负责为application与Spark集群进行通信
  * 它会接收一个spark master的url,以及一个ApplicationDescripition,和一个集群事件的监听器,以及各种事件发生时,
  * 监听器的回调函数
  */
  
def start() {
    // Just launch an actor; it will call back into the listener.
    actor = actorSystem.actorOf(Props(new ClientActor))
  }

package org.apache.spark.scheduler,DAGScheduler

@volatile private[spark] var dagScheduler: DAGScheduler = _
  try {
    dagScheduler = new DAGScheduler(this)
  } catch {
    case e: Exception => {
      try {
        stop()
      } finally {
        throw new SparkException("Error while constructing DAGScheduler", e)
      }
    }
  }
  
/**
  * 实现了面向stage的调度机制的高层次的调度层。它会为每个job计算一个stage的DAG(有向无环图),
  * 追踪RDD和stage的输出是否被物化了(物化就是写入了磁盘或内存等地方),并且寻找一个最少消耗(最优、最小)调度机制来运行job。
  * 它会将stage作为tasksets提交到底层的TaskSchedulerImpl上,来在集群上运行它们(task)。
  *
  * 除了stage的DAG,它还负责决定运行每个task的最佳位置,基于当前的缓存状态,将这些最佳位置提交给底层的TaskSchedulerImpl。
  * 此外,它还会处理由于shuffle输出文件丢失导致的失败,在这种情况下,旧的stage可能会被重新提交。
  * 一个stage内部的失败,如果不是由于shuffle文件丢失所导致的,会被TaskScheduler处,它会多次重试每一个task,直到最后,实在不行了,
  * 才会去取消整个stage。
  */

the Spark UI,

// Initialize the Spark UI
  private[spark] val ui: Option[SparkUI] =
    if (conf.getBoolean("spark.ui.enabled", true)) {
      Some(SparkUI.createLiveUI(this, conf, listenerBus, jobProgressListener,
        env.securityManager,appName))
    } else {
      // For tests, do not enable the UI
      None
    }

本文首发于steem,感谢阅读,转载请注明。

https://steemit.com/@padluo


微信公众号「padluo」,分享数据科学家的自我修养,既然遇见,不如一起成长。

数据分析

读者交流电报群

https://t.me/sspadluo


知识星球交流群

知识星球读者交流群

你可能感兴趣的:(Spark实战(3)_SparkContext原理剖析与源码分析)