Spark源码分析之七：Task运行（一）

        在Task调度相关的两篇文章《Spark源码分析之五：Task调度（一）》与《Spark源码分析之六：Task调度（二）》中，我们大致了解了Task调度相关的主要逻辑，并且在Task调度逻辑的最后，CoarseGrainedSchedulerBackend的内部类DriverEndpoint中的makeOffers()方法的最后，我们通过调用TaskSchedulerImpl的resourceOffers()方法，得到了TaskDescription序列的序列Seq[Seq[TaskDescription]]，相关代码如下：

// 调用scheduler的resourceOffers()方法，分配资源，并在得到资源后，调用launchTasks()方法，启动tasks
      // 这个scheduler就是TaskSchedulerImpl
      launchTasks(scheduler.resourceOffers(workOffers))

/**
   * Called by cluster manager to offer resources on slaves. We respond by asking our active task
   * sets for tasks in order of priority. We fill each node with tasks in a round-robin manner so
   * that tasks are balanced across the cluster.
   *
   * 被集群manager调用以提供slaves上的资源。我们通过按照优先顺序询问活动task集中的task来回应。
   * 我们通过循环的方式将task调度到每个节点上以便tasks在集群中可以保持大致的均衡。
   */
  def resourceOffers(offers: Seq[WorkerOffer]): Seq[Seq[TaskDescription]] = synchronized {

        这个TaskDescription很简单，是传递到executor上即将被执行的Task的描述，通常由TaskSetManager的resourceOffer()方法生成。代码如下：

/**
 * Description of a task that gets passed onto executors to be executed, usually created by
 * [[TaskSetManager.resourceOffer]].
 */
private[spark] class TaskDescription(
    val taskId: Long,
    val attemptNumber: Int,
    val executorId: String,
    val name: String,
    val index: Int,    // Index within this task's TaskSet
    _serializedTask: ByteBuffer)
  extends Serializable {

  // Because ByteBuffers are not serializable, wrap the task in a SerializableBuffer
  // 由于ByteBuffers不可以被序列化，所以将task包装在SerializableBuffer中，_serializedTask为ByteBuffer类型的Task
  private val buffer = new SerializableBuffer(_serializedTask)
  
  // 序列化后的Task， 取buffer的value
  def serializedTask: ByteBuffer = buffer.value


  override def toString: String = "TaskDescription(TID=%d, index=%d)".format(taskId, index)
}

        此时，得到Seq[Seq[TaskDescription]]，即Task被调度到相应executor上后（仅是逻辑调度，实际上并未分配到executor上执行），接下来要做的，便是真正的将Task分配到指定的executor上去执行，也就是本篇我们将要讲的Task的运行。而这部分的开端，源于上述提到的CoarseGrainedSchedulerBackend的内部类DriverEndpoint中的launchTasks()方法，代码如下：

// Launch tasks returned by a set of resource offers
    private def launchTasks(tasks: Seq[Seq[TaskDescription]]) {
    
      // 循环每个task
      for (task <- tasks.flatten) {
        
        // 序列化Task
        val serializedTask = ser.serialize(task)
        
        // 序列化后的task的大小超出规定的上限
        // 即如果序列化后task的大小大于等于框架配置的Akka消息最大大小减去除序列化task或task结果外，一个Akka消息需要保留的额外大小的值
        if (serializedTask.limit >= akkaFrameSize - AkkaUtils.reservedSizeBytes) {
          
          // 根据task的taskId，在TaskSchedulerImpl的taskIdToTaskSetManager中获取对应的TaskSetManager
          scheduler.taskIdToTaskSetManager.get(task.taskId).foreach { taskSetMgr =>
            try {
              var msg = "Serialized task %s:%d was %d bytes, which exceeds max allowed: " +
                "spark.akka.frameSize (%d bytes) - reserved (%d bytes). Consider increasing " +
                "spark.akka.frameSize or using broadcast variables for large values."
              msg = msg.format(task.taskId, task.index, serializedTask.limit, akkaFrameSize,
                AkkaUtils.reservedSizeBytes)
              
              // 调用TaskSetManager的abort()方法，标记对应TaskSetManager为失败
              taskSetMgr.abort(msg)
            } catch {
              case e: Exception => logError("Exception in error callback", e)
            }
          }
        }
        else {// 序列化后task的大小在规定的大小内
          
          // 从executorDataMap中，根据task.executorId获取executor描述信息executorData
          val executorData = executorDataMap(task.executorId)
          
          // executorData中，freeCores做相应减少
          executorData.freeCores -= scheduler.CPUS_PER_TASK
          
          // 利用executorData中的executorEndpoint，发送LaunchTask事件，LaunchTask事件中包含序列化后的task
          executorData.executorEndpoint.send(LaunchTask(new SerializableBuffer(serializedTask)))
        }
      }
    }

        launchTasks的执行逻辑很简单，针对传入的TaskDescription序列，循环每个Task，做以下处理：

        1、首先对Task进行序列化，得到serializedTask；

        2、针对序列化后的Task：serializedTask，判断其大小：

              2.1、序列化后的task的大小达到或超出规定的上限，即框架配置的Akka消息最大大小，减去除序列化task或task结果外，一个Akka消息需要保留的额外大小的值，则根据task的taskId，在TaskSchedulerImpl的taskIdToTaskSetManager中获取对应的TaskSetManager，并调用其abort()方法，标记对应TaskSetManager为失败；

              2.2、序列化后的task的大小未达到上限，在规定的大小范围内，则：

                       2.2.1、从executorDataMap中，根据task.executorId获取executor描述信息executorData；

                       2.2.2、在executorData中，freeCores做相应减少；

                       2.2.3、利用executorData中的executorEndpoint，即Driver端executor通讯端点的引用，发送LaunchTask事件，LaunchTask事件中包含序列化后的task，将Task传递到executor中去执行。

        接下来，我们重点分析下上述流程。

        先说下异常流程，即序列化后Task的大小超过上限时，对TaskSet标记为失败的处理。入口方法为TaskSetManager的abort()方法，代码如下：

def abort(message: String, exception: Option[Throwable] = None): Unit = sched.synchronized {
    
    // TODO: Kill running tasks if we were not terminated due to a Mesos error
    // 调用DAGScheduler的taskSetFailed()方法，标记TaskSet运行失败
    sched.dagScheduler.taskSetFailed(taskSet, message, exception)
    
    // 标志位isZombie设置为true
    isZombie = true
    
    // 满足一定条件的情况下，将TaskSet标记为Finished
    maybeFinishTaskSet()
  }

        abort()方法处理逻辑共分三步：

        第一，调用DAGScheduler的taskSetFailed()方法，标记TaskSet运行失败；

        第二，标志位isZombie设置为true；

        第三，满足一定条件的情况下，将TaskSet标记为Finished。

        首先看下DAGScheduler的taskSetFailed()方法，代码如下：

/**
   * Called by the TaskSetManager to cancel an entire TaskSet due to either repeated failures or
   * cancellation of the job itself.
   */
  def taskSetFailed(taskSet: TaskSet, reason: String, exception: Option[Throwable]): Unit = {
    eventProcessLoop.post(TaskSetFailed(taskSet, reason, exception))
  }

        和第二篇文章 《Spark源码分析之二：Job的调度模型与运行反馈》中Job的调度模型一致，都是依靠事件队列eventProcessLoop来完成事件的调度执行的，这里，我们在事件队列eventProcessLoop中放入了一个TaskSetFailed事件。在DAGScheduler的事件处理调度函数doOnReceive()方法中，明确规定了事件的处理方法，代码如下：

// 如果是TaskSetFailed事件，调用dagScheduler.handleTaskSetFailed()方法处理
    case TaskSetFailed(taskSet, reason, exception) =>
      dagScheduler.handleTaskSetFailed(taskSet, reason, exception)

        下面，我们看下handleTaskSetFailed()这个方法。

private[scheduler] def handleTaskSetFailed(
      taskSet: TaskSet,
      reason: String,
      exception: Option[Throwable]): Unit = {
    
    // 根据taskSet的stageId获取到对应的Stage，循环调用abortStage，终止该Stage
    stageIdToStage.get(taskSet.stageId).foreach { abortStage(_, reason, exception) }
    
    // 提交等待的Stages
    submitWaitingStages()
  }

        很简单，首先通过taskSet的stageId获取到对应的Stage，针对Stage，循环调用abortStage()方法，终止该Stage，然后调用submitWaitingStages()方法提交等待的Stages。我们先看下abortStage()方法，代码如下：

/**
   * Aborts all jobs depending on a particular Stage. This is called in response to a task set
   * being canceled by the TaskScheduler. Use taskSetFailed() to inject this event from outside.
   * 终止给定Stage上的所有Job。
   */
  private[scheduler] def abortStage(
      failedStage: Stage,
      reason: String,
      exception: Option[Throwable]): Unit = {
    
    // 如果stageIdToStage中不存在对应的stage，说明stage已经被移除，直接返回
    if (!stageIdToStage.contains(failedStage.id)) {
      // Skip all the actions if the stage has been removed.
      return
    }
    
    // 遍历activeJobs中的ActiveJob，逐个调用stageDependsOn()方法，找出存在failedStage的祖先stage的activeJob，即dependentJobs
    val dependentJobs: Seq[ActiveJob] =
      activeJobs.filter(job => stageDependsOn(job.finalStage, failedStage)).toSeq
    
    // 标记failedStage的完成时间completionTime
    failedStage.latestInfo.completionTime = Some(clock.getTimeMillis())
    
    // 遍历dependentJobs，调用failJobAndIndependentStages()
    for (job <- dependentJobs) {
      failJobAndIndependentStages(job, s"Job aborted due to stage failure: $reason", exception)
    }
    if (dependentJobs.isEmpty) {
      logInfo("Ignoring failure of " + failedStage + " because all jobs depending on it are done")
    }
  }

        这个方法的处理逻辑主要分为四步：

        1、如果stageIdToStage中不存在对应的stage，说明stage已经被移除，直接返回，这是对异常情况下的一种特殊处理；

        2、遍历activeJobs中的ActiveJob，逐个调用stageDependsOn()方法，找出存在failedStage的祖先stage的activeJob，即dependentJobs；

        3、标记failedStage的完成时间completionTime；

        4、遍历dependentJobs，调用failJobAndIndependentStages()。

        其它都好说，我们主要看下stageDependsOn()和failJobAndIndependentStages()这两个方法。首先看下stageDependsOn()方法，代码如下：

/** Return true if one of stage's ancestors is target. */
  // 如果参数stage的祖先是target，返回true
  private def stageDependsOn(stage: Stage, target: Stage): Boolean = {
    
    // 如果stage即为target，返回true
    if (stage == target) {
      return true
    }
    
    // 存储处理过的RDD
    val visitedRdds = new HashSet[RDD[_]]
    
    // We are manually maintaining a stack here to prevent StackOverflowError
    // caused by recursively visiting
    // 存储待处理的RDD
    val waitingForVisit = new Stack[RDD[_]]
    
    // 定义一个visit()方法
    def visit(rdd: RDD[_]) {
      // 如果该RDD未被处理过的话，继续处理
      if (!visitedRdds(rdd)) {
        // 将RDD添加到visitedRdds中
        visitedRdds += rdd
        
        // 遍历RDD的依赖
        for (dep <- rdd.dependencies) {
          dep match {
            // 如果是ShuffleDependency
            case shufDep: ShuffleDependency[_, _, _] =>
            
              // 获得mapStage，并且如果stage的isAvailable为false的话，将其压入waitingForVisit
              val mapStage = getShuffleMapStage(shufDep, stage.firstJobId)
              if (!mapStage.isAvailable) {
                waitingForVisit.push(mapStage.rdd)
              }  // Otherwise there's no need to follow the dependency back
            // 如果是NarrowDependency，直接将其压入waitingForVisit
            case narrowDep: NarrowDependency[_] =>
              waitingForVisit.push(narrowDep.rdd)
          }
        }
      }
    }
    
    // 从stage的rdd开始处理，将其入栈waitingForVisit
    waitingForVisit.push(stage.rdd)
    
    // 当waitingForVisit中存在数据，就调用visit()方法进行处理
    while (waitingForVisit.nonEmpty) {
      visit(waitingForVisit.pop())
    }
    
    // 根据visitedRdds中是否存在target的rdd判断参数stage的祖先是否为target
    visitedRdds.contains(target.rdd)
  }

        这个方法主要是判断参数stage是否为参数target的祖先stage，其代码风格与stage划分和提交中的部分代码一样，这在前面的两篇文章中也提到过，在此不再赘述。而它主要是通过stage的rdd，并遍历其上层依赖的rdd链，将每个stage的rdd加入到visitedRdds中，最后根据visitedRdds中是否存在target的rdd判断参数stage的祖先是否为target。值得一提的是，如果RDD的依赖是NarrowDependency，直接将其压入waitingForVisit，如果为ShuffleDependency，则需要判断stage的isAvailable，如果为false，则将对应RDD压入waitingForVisit。关于isAvailable，我在 《Spark源码分析之四：Stage提交》一文中具体阐述过，这里不再赘述。

        接下来，我们再看下failJobAndIndependentStages()方法，这个方法的主要作用就是使得一个Job和仅被该Job使用的所有stages失败，并清空有关状态。代码如下：

/** Fails a job and all stages that are only used by that job, and cleans up relevant state. */
  // 使得一个Job和仅被该Job使用的所有stages失败，并清空有关状态
  private def failJobAndIndependentStages(
      job: ActiveJob,
      failureReason: String,
      exception: Option[Throwable] = None): Unit = {
    
    // 构造一个异常，内容为failureReason
    val error = new SparkException(failureReason, exception.getOrElse(null))
    
    // 标志位，是否能取消Stages
    var ableToCancelStages = true

    // 标志位，是否应该中断线程
    val shouldInterruptThread =
      if (job.properties == null) false
      else job.properties.getProperty(SparkContext.SPARK_JOB_INTERRUPT_ON_CANCEL, "false").toBoolean

    // Cancel all independent, running stages.
    // 取消所有独立的，正在运行的stages
    
    // 根据Job的jobId，获取其stages
    val stages = jobIdToStageIds(job.jobId)
    
    // 如果stages为空，记录错误日志
    if (stages.isEmpty) {
      logError("No stages registered for job " + job.jobId)
    }
    
    // 遍历stages，循环处理
    stages.foreach { stageId =>
      
      // 根据stageId，获取jobsForStage，即每个Job所包含的Stage信息
      val jobsForStage: Option[HashSet[Int]] = stageIdToStage.get(stageId).map(_.jobIds)
      
      // 首先处理异常情况，即jobsForStage为空，或者jobsForStage中不包含当前Job
      if (jobsForStage.isEmpty || !jobsForStage.get.contains(job.jobId)) {
        logError(
          "Job %d not registered for stage %d even though that stage was registered for the job"
            .format(job.jobId, stageId))
      } else if (jobsForStage.get.size == 1) {
        // 如果stageId对应的stage不存在
        if (!stageIdToStage.contains(stageId)) {
          logError(s"Missing Stage for stage with id $stageId")
        } else {
          // This is the only job that uses this stage, so fail the stage if it is running.
          // 
          val stage = stageIdToStage(stageId)
          if (runningStages.contains(stage)) {
            try { // cancelTasks will fail if a SchedulerBackend does not implement killTask
              
              // 调用taskScheduler的cancelTasks()方法，取消stage内的tasks
              taskScheduler.cancelTasks(stageId, shouldInterruptThread)
              
              // 标记Stage为完成
              markStageAsFinished(stage, Some(failureReason))
            } catch {
              case e: UnsupportedOperationException =>
                logInfo(s"Could not cancel tasks for stage $stageId", e)
              ableToCancelStages = false
            }
          }
        }
      }
    }

    if (ableToCancelStages) {// 如果能取消Stages
    
      // 调用job监听器的jobFailed()方法
      job.listener.jobFailed(error)
      
      // 为Job和独立Stages清空状态，独立Stages的意思为该stage仅为该Job使用
      cleanupStateForJobAndIndependentStages(job)
      
      // 发送一个SparkListenerJobEnd事件
      listenerBus.post(SparkListenerJobEnd(job.jobId, clock.getTimeMillis(), JobFailed(error)))
    }
  }

        处理过程还是很简单的，读者可以通过上述源码和注释自行补脑，这里就先略过了。

        下面，再说下正常情况下，即序列化后Task大小未超过上限时，LaunchTask事件的发送及executor端的响应。代码再跳转到CoarseGrainedSchedulerBackend的内部类DriverEndpoint中的launchTasks()方法。正常情况下处理流程主要分为三大部分：

        1、从executorDataMap中，根据task.executorId获取executor描述信息executorData；

        2、在executorData中，freeCores做相应减少；

        3、利用executorData中的executorEndpoint，即Driver端executor通讯端点的引用，发送LaunchTask事件，LaunchTask事件中包含序列化后的task，将Task传递到executor中去执行。

        我们重点看下第3步，利用Driver端持有的executor描述信息executorData中的executorEndpoint，即Driver端executor通讯端点的引用，发送LaunchTask事件给executor，将Task传递到executor中去执行。那么executor中是如何接收LaunchTask事件的呢？答案就在CoarseGrainedExecutorBackend中。

        我们先说下这个CoarseGrainedExecutorBackend，类的定义如下所示：

private[spark] class CoarseGrainedExecutorBackend(
    override val rpcEnv: RpcEnv,
    driverUrl: String,
    executorId: String,
    hostPort: String,
    cores: Int,
    userClassPath: Seq[URL],
    env: SparkEnv)
  extends ThreadSafeRpcEndpoint with ExecutorBackend with Logging {

        由上面的代码我们可以知道，它实现了ThreadSafeRpcEndpoint和ExecutorBackend两个trait，而ExecutorBackend的定义如下：

/**
 * A pluggable interface used by the Executor to send updates to the cluster scheduler.
 * 一个被Executor用来发送更新到集群调度器的可插拔接口。
 */
private[spark] trait ExecutorBackend {
  
  // 唯一的一个statusUpdate()方法
  // 需要Long类型的taskId、TaskState类型的state、ByteBuffer类型的data三个参数
  def statusUpdate(taskId: Long, state: TaskState, data: ByteBuffer)
}

        那么它自然就有两种主要的任务，第一，作为endpoint提供driver与executor间的通讯功能；第二，提供了executor任务执行时状态汇报的功能。

        CoarseGrainedExecutorBackend到底是什么呢？这里我们先不深究，留到以后分析，你只要知道它是Executor的一个后台辅助进程，和Executor是一对一的关系，向Executor提供了与Driver通讯、任务执行时状态汇报两个基本功能即可。

        接下来，我们看下CoarseGrainedExecutorBackend是如何处理LaunchTask事件的。做为RpcEndpoint，在其处理各类事件或消息的receive()方法中，定义如下：

case LaunchTask(data) =>
      if (executor == null) {
        logError("Received LaunchTask command but executor was null")
        System.exit(1)
      } else {
      
        // 反序列话task，得到taskDesc
        val taskDesc = ser.deserialize[TaskDescription](data.value)
        logInfo("Got assigned task " + taskDesc.taskId)
        
        // 调用executor的launchTask()方法加载task
        executor.launchTask(this, taskId = taskDesc.taskId, attemptNumber = taskDesc.attemptNumber,
          taskDesc.name, taskDesc.serializedTask)
      }

        首先，会判断对应的executor是否为空，为空的话，记录错误日志并退出，不为空的话，则按照如下流程处理：

        1、反序列话task，得到taskDesc；

        2、调用executor的launchTask()方法加载task。

        那么，重点就落在了Executor的launchTask()方法中，代码如下：

def launchTask(
      context: ExecutorBackend,
      taskId: Long,
      attemptNumber: Int,
      taskName: String,
      serializedTask: ByteBuffer): Unit = {
      
    // 新建一个TaskRunner
    val tr = new TaskRunner(context, taskId = taskId, attemptNumber = attemptNumber, taskName,
      serializedTask)
      
    // 将taskId与TaskRunner的对应关系存入runningTasks
    runningTasks.put(taskId, tr)
    
    // 线程池执行TaskRunner
    threadPool.execute(tr)
  }

        非常简单，创建一个TaskRunner对象，然后将taskId与TaskRunner的对应关系存入runningTasks，将TaskRunner扔到线程池中去执行即可。

        我们先看下这个TaskRunner类。我们先看下Class及其成员变量的定义，如下：

class TaskRunner(
      execBackend: ExecutorBackend,
      val taskId: Long,
      val attemptNumber: Int,
      taskName: String,
      serializedTask: ByteBuffer)
    extends Runnable {
    
    // TaskRunner继承了Runnable

    /** Whether this task has been killed. */
    // 标志位，task是否被杀掉
    @volatile private var killed = false

    /** How much the JVM process has spent in GC when the task starts to run. */
    @volatile var startGCTime: Long = _

    /**
     * The task to run. This will be set in run() by deserializing the task binary coming
     * from the driver. Once it is set, it will never be changed.
     * 
     * 需要运行的task。它将在反序列化来自driver的task二进制数据时在run()方法被设置，一旦被设置，它将不会再发生改变。
     */
    @volatile var task: Task[Any] = _
}

        由类的定义我们可以看出，TaskRunner继承了Runnable，所以它本质上是一个线程，故其可以被放到线程池中去运行。它所包含的成员变量，主要有以下几个：

        1、execBackend：Executor后台辅助进程，提供了与Driver通讯、状态汇报等两大基本功能，实际上传入的是CoarseGrainedExecutorBackend实例；

        2、taskId：Task的唯一标识；

        3、attemptNumber：Task运行的序列号，Spark与MapReduce一样，可以为拖后腿任务启动备份任务，即推测执行原理，如此，就需要通过taskId加attemptNumber来唯一标识一个Task运行实例；

        4、serializedTask：ByteBuffer类型，序列化后的Task，包含的是Task的内容，通过发序列化它来得到Task，并运行其中的run()方法来执行Task；

        5、killed：Task是否被杀死的标志位；

        6、task：Task[Any]类型，需要运行的Task，它将在反序列化来自driver的task二进制数据时在run()方法被设置，一旦被设置，它将不会再发生改变；

       7、startGCTime：JVM在task开始运行后，进行垃圾回收的时间。

        另外，既然是一个线程，TaskRunner必须得提供run()方法，该run()方法就是TaskRunner线程在线程池中被调度时，需要执行的方法，我们来看下它的定义：

override def run(): Unit = {
    
      // Step1：Task及其运行时需要的辅助对象构造
      
      // 获取任务内存管理器
      val taskMemoryManager = new TaskMemoryManager(env.memoryManager, taskId)
      
      // 反序列化开始时间
      val deserializeStartTime = System.currentTimeMillis()
      
      // 当前线程设置上下文类加载器
      Thread.currentThread.setContextClassLoader(replClassLoader)
      
      // 从SparkEnv中获取序列化器
      val ser = env.closureSerializer.newInstance()
      logInfo(s"Running $taskName (TID $taskId)")
      
      // execBackend更新状态TaskState.RUNNING
      execBackend.statusUpdate(taskId, TaskState.RUNNING, EMPTY_BYTE_BUFFER)
      var taskStart: Long = 0
      
      // 计算垃圾回收的时间
      startGCTime = computeTotalGcTime()

      try {
        // 调用Task的deserializeWithDependencies()方法，反序列化Task，得到Task运行需要的文件taskFiles、jar包taskFiles和Task二进制数据taskBytes
        val (taskFiles, taskJars, taskBytes) = Task.deserializeWithDependencies(serializedTask)
        updateDependencies(taskFiles, taskJars)
        
        // 反序列化Task二进制数据taskBytes，得到task实例
        task = ser.deserialize[Task[Any]](taskBytes, Thread.currentThread.getContextClassLoader)
        
        // 设置Task的任务内存管理器
        task.setTaskMemoryManager(taskMemoryManager)

        // If this task has been killed before we deserialized it, let's quit now. Otherwise,
        // continue executing the task.
        // 如果此时Task被kill，抛出异常，快速退出
        if (killed) {
          // Throw an exception rather than returning, because returning within a try{} block
          // causes a NonLocalReturnControl exception to be thrown. The NonLocalReturnControl
          // exception will be caught by the catch block, leading to an incorrect ExceptionFailure
          // for the task.
          throw new TaskKilledException
        }

        logDebug("Task " + taskId + "'s epoch is " + task.epoch)
        // mapOutputTracker更新Epoch
        env.mapOutputTracker.updateEpoch(task.epoch)

        // Run the actual task and measure its runtime.
        // 运行真正的task，并度量它的运行时间
        
        // Step2：Task运行
        
        // task开始时间
        taskStart = System.currentTimeMillis()
        
        // 标志位threwException设置为true，标识Task真正执行过程中是否抛出异常
        var threwException = true
        
        // 调用Task的run()方法，真正执行Task，并获得运行结果value
        val (value, accumUpdates) = try {
        
          // 调用Task的run()方法，真正执行Task
          val res = task.run(
            taskAttemptId = taskId,
            attemptNumber = attemptNumber,
            metricsSystem = env.metricsSystem)
          
          // 标志位threwException设置为false
          threwException = false
          
          // 返回res，Task的run()方法中，res的定义为(T, AccumulatorUpdates)
          // 这里，前者为任务运行结果，后者为累加器更新
          res
        } finally {
          
          // 通过任务内存管理器清理所有的分配的内存
          val freedMemory = taskMemoryManager.cleanUpAllAllocatedMemory()
          if (freedMemory > 0) {
            val errMsg = s"Managed memory leak detected; size = $freedMemory bytes, TID = $taskId"
            if (conf.getBoolean("spark.unsafe.exceptionOnMemoryLeak", false) && !threwException) {
              throw new SparkException(errMsg)
            } else {
              logError(errMsg)
            }
          }
        }
        
        // task完成时间
        val taskFinish = System.currentTimeMillis()

        // If the task has been killed, let's fail it.
        // 如果task被杀死，抛出TaskKilledException异常
        if (task.killed) {
          throw new TaskKilledException
        }

        // Step3：Task运行结果处理
        
        // 通过Spark获取Task运行结果序列化器
        val resultSer = env.serializer.newInstance()
        
        // 结果序列化前的时间点
        val beforeSerialization = System.currentTimeMillis()
        
        // 利用Task运行结果序列化器序列化Task运行结果，得到valueBytes
        val valueBytes = resultSer.serialize(value)
        
        // 结果序列化后的时间点
        val afterSerialization = System.currentTimeMillis()

        // 度量指标体系相关，暂不介绍
        for (m <- task.metrics) {
          // Deserialization happens in two parts: first, we deserialize a Task object, which
          // includes the Partition. Second, Task.run() deserializes the RDD and function to be run.
          m.setExecutorDeserializeTime(
            (taskStart - deserializeStartTime) + task.executorDeserializeTime)
          // We need to subtract Task.run()'s deserialization time to avoid double-counting
          m.setExecutorRunTime((taskFinish - taskStart) - task.executorDeserializeTime)
          m.setJvmGCTime(computeTotalGcTime() - startGCTime)
          m.setResultSerializationTime(afterSerialization - beforeSerialization)
          m.updateAccumulators()
        }

        // 构造DirectTaskResult，同时包含Task运行结果valueBytes和累加器更新值accumulator updates
        val directResult = new DirectTaskResult(valueBytes, accumUpdates, task.metrics.orNull)
        
        // 序列化DirectTaskResult，得到serializedDirectResult
        val serializedDirectResult = ser.serialize(directResult)
        
        // 获取Task运行结果大小
        val resultSize = serializedDirectResult.limit

        // directSend = sending directly back to the driver
        // directSend的意思就是直接发送结果至Driver端
        val serializedResult: ByteBuffer = {
        
          // 如果Task运行结果大小大于所有Task运行结果的最大大小，序列化IndirectTaskResult
          // IndirectTaskResult为存储在Worker上BlockManager中DirectTaskResult的一个引用
          if (maxResultSize > 0 && resultSize > maxResultSize) {
            logWarning(s"Finished $taskName (TID $taskId). Result is larger than maxResultSize " +
              s"(${Utils.bytesToString(resultSize)} > ${Utils.bytesToString(maxResultSize)}), " +
              s"dropping it.")
            ser.serialize(new IndirectTaskResult[Any](TaskResultBlockId(taskId), resultSize))
          }
          // 如果 Task运行结果大小超过Akka除去需要保留的字节外最大大小，则将结果写入BlockManager
          // 即运行结果无法通过消息传递
          else if (resultSize >= akkaFrameSize - AkkaUtils.reservedSizeBytes) {
            
            val blockId = TaskResultBlockId(taskId)
            env.blockManager.putBytes(
              blockId, serializedDirectResult, StorageLevel.MEMORY_AND_DISK_SER)
            logInfo(
              s"Finished $taskName (TID $taskId). $resultSize bytes result sent via BlockManager)")
            ser.serialize(new IndirectTaskResult[Any](blockId, resultSize))
          } 
          // Task运行结果比较小的话，直接返回，通过消息传递
          else {
            logInfo(s"Finished $taskName (TID $taskId). $resultSize bytes result sent to driver")
            serializedDirectResult
          }
        }

        // execBackend更新状态TaskState.FINISHED
        execBackend.statusUpdate(taskId, TaskState.FINISHED, serializedResult)

      } catch {// 处理各种异常信息
        
        case ffe: FetchFailedException =>
          val reason = ffe.toTaskEndReason
          execBackend.statusUpdate(taskId, TaskState.FAILED, ser.serialize(reason))

        case _: TaskKilledException | _: InterruptedException if task.killed =>
          logInfo(s"Executor killed $taskName (TID $taskId)")
          execBackend.statusUpdate(taskId, TaskState.KILLED, ser.serialize(TaskKilled))

        case cDE: CommitDeniedException =>
          val reason = cDE.toTaskEndReason
          execBackend.statusUpdate(taskId, TaskState.FAILED, ser.serialize(reason))

        case t: Throwable =>
          // Attempt to exit cleanly by informing the driver of our failure.
          // If anything goes wrong (or this was a fatal exception), we will delegate to
          // the default uncaught exception handler, which will terminate the Executor.
          logError(s"Exception in $taskName (TID $taskId)", t)

          val metrics: Option[TaskMetrics] = Option(task).flatMap { task =>
            task.metrics.map { m =>
              m.setExecutorRunTime(System.currentTimeMillis() - taskStart)
              m.setJvmGCTime(computeTotalGcTime() - startGCTime)
              m.updateAccumulators()
              m
            }
          }
          val serializedTaskEndReason = {
            try {
              ser.serialize(new ExceptionFailure(t, metrics))
            } catch {
              case _: NotSerializableException =>
                // t is not serializable so just send the stacktrace
                ser.serialize(new ExceptionFailure(t, metrics, false))
            }
          }
          
          // execBackend更新状态TaskState.FAILED
          execBackend.statusUpdate(taskId, TaskState.FAILED, serializedTaskEndReason)

          // Don't forcibly exit unless the exception was inherently fatal, to avoid
          // stopping other tasks unnecessarily.
          if (Utils.isFatalError(t)) {
            SparkUncaughtExceptionHandler.uncaughtException(t)
          }

      } finally {
      
        // 最后，无论运行成功还是失败，将task从runningTasks中移除
        runningTasks.remove(taskId)
      }
    }

        如此长的一个方法，好长好大，哈哈！不过，纵观全篇，无非三个Step就可搞定：

        1、Step1：Task及其运行时需要的辅助对象构造；

        2、Step2：Task运行；

        3、Step3：Task运行结果处理。

        对， 就这么简单！鉴于时间与篇幅问题，我们这里先讲下主要流程，细节方面的东西留待下节继续。

        下面，我们一个个Step来看，首先看下Step1：Task及其运行时需要的辅助对象构造，主要包括以下步骤：

        1.1、构造TaskMemoryManager任务内存管理器，即taskMemoryManager；

        1.2、记录反序列化开始时间；

        1.3、当前线程设置上下文类加载器；

        1.4、从SparkEnv中获取序列化器ser；

        1.5、execBackend更新状态TaskState.RUNNING；

        1.6、计算垃圾回收时间；

        1.7、调用Task的deserializeWithDependencies()方法，反序列化Task，得到Task运行需要的文件taskFiles、jar包taskFiles和Task二进制数据taskBytes；

        1.8、反序列化Task二进制数据taskBytes，得到task实例；

        1.9、设置Task的任务内存管理器；

        1.10、如果此时Task被kill，抛出异常，快速退出；

        

        接下来，是Step2：Task运行，主要流程如下：

        2.1、获取task开始时间；

        2.2、标志位threwException设置为true，标识Task真正执行过程中是否抛出异常；

        2.3、调用Task的run()方法，真正执行Task，并获得运行结果value，和累加器更新accumUpdates；

        2.4、标志位threwException设置为false；

        2.5、通过任务内存管理器taskMemoryManager清理所有的分配的内存；

        2.6、获取task完成时间；

        2.7、如果task被杀死，抛出TaskKilledException异常。

        

        最后一步，Step3：Task运行结果处理，大体流程如下：

        3.1、通过SparkEnv获取Task运行结果序列化器；

        3.2、获取结果序列化前的时间点；

        3.3、利用Task运行结果序列化器序列化Task运行结果value，得到valueBytes；

        3.4、获取结果序列化后的时间点；

        3.5、度量指标体系相关，暂不介绍；

        3.6、构造DirectTaskResult，同时包含Task运行结果valueBytes和累加器更新值accumulator updates；

        3.7、序列化DirectTaskResult，得到serializedDirectResult；

        3.8、获取Task运行结果大小；

        3.9、处理Task运行结果：

                 3.9.1、如果Task运行结果大小大于所有Task运行结果的最大大小，序列化IndirectTaskResult，IndirectTaskResult为存储在Worker上BlockManager中DirectTaskResult的一个引用；

                 3.9.2、如果 Task运行结果大小超过Akka除去需要保留的字节外最大大小，则将结果写入BlockManager，Task运行结果比较小的话，直接返回，通过消息传递;

                 3.9.3、Task运行结果比较小的话，直接返回，通过消息传递

        3.10、execBackend更新状态TaskState.FINISHED；

        最后，无论运行成功还是失败，将task从runningTasks中移除。

        至此，Task的运行主体流程已经介绍完毕，剩余的部分细节，包括Task内run()方法的具体执行，还有任务内存管理器、序列化器、累加更新，还有部分异常情况处理，状态汇报等等其他更为详细的内容留到下篇再讲吧！

        明天还要工作，洗洗睡了！