SparkContext
在初始化时,创建了DAG调度与Task调度来负责RDD Action操作的调度执行。
DAGScheduler
DAGScheduler
负责Spark的最高级别的任务调度,调度的粒度是Stage,它为每个Job的所有Stage计算一个有向无环图,控制它们的并发,并找到一个最佳路径来执行它们。具体的执行过程是将Stage下的Task集提交给TaskScheduler
对象,由它来提交到集群上去申请资源并最终完成执行。
DAGScheduler
的定义位于scheduler/DAGScheduler.scala中。下面是它的类声明,初始化时除了需要一个SparkContext
对象外,最重要的是需要输入一个TaskScheduler
对象来负责Task的执行:
private[spark]
class DAGScheduler(
private[scheduler] val sc: SparkContext,
private[scheduler] val taskScheduler: TaskScheduler,
listenerBus: LiveListenerBus,
mapOutputTracker: MapOutputTrackerMaster,
blockManagerMaster: BlockManagerMaster,
env: SparkEnv,
clock: Clock = new SystemClock())
extends Logging {
...
}
runJob
过程所有需要执行的RDD Action,都会调用SparkContext.runJob
来提交任务,而SparkContext.runJob
调用的是DAGScheduler.runJob
。下面是runJob
的定义:
def runJob[T, U](
rdd: RDD[T],
func: (TaskContext, Iterator[T]) => U,
partitions: Seq[Int],
callSite: CallSite,
allowLocal: Boolean,
resultHandler: (Int, U) => Unit,
properties: Properties): Unit = {
val start = System.nanoTime
val waiter = submitJob(rdd, func, partitions, callSite, allowLocal,
resultHandler, properties)
waiter.awaitResult() match {
case JobSucceeded =>
logInfo("Job %d finished: %s, took %f s".format
(waiter.jobId, callSite.shortForm, (System.nanoTime - start) / 1e9))
case JobFailed(exception: Exception) =>
logInfo("Job %d failed: %s, took %f s".format
(waiter.jobId, callSite.shortForm, (System.nanoTime - start) / 1e9))
throw exception
}
}
runJob
调用submitJob
提交任务,并等待任务结束。
任务提交后的处理过程大概如下。
(1) submitJob
生成新的Job ID,发送消息JobSubmitted
。
(2) DAG收到JobSubmitted
消息,调用handleJobSubmitted
来处理。
(3) handleJobSubmitted
创建一个ResultStage
,并使用submitStage
来提交这个ResultStage
。
上面的过程看起来没完,实际上大的过程已经结束了,猫腻在submitStage
中。Spark的执行过程是“懒惰”(lazy)的,这在这里得到了完整的体现。任务提交时,不是按Job的先后顺序提交的,而是倒序的。每个Job的最后一个操作是Action操作,DAG把这最后的Action操作当作一个Stage,首先提交,然后逆向逐级递归填补缺少的上级Stage,从而生成一棵实现最后Action操作的最短的(因为都是必须的)有向无环图,然后再从头开始计算。
submitStage
方法的实现代码如下所示:
// 提交Stage之前,先递归提交所缺失的父Stage
private def submitStage(stage: Stage) {
val jobId = activeJobForStage(stage)
if (jobId.isDefined) {
logDebug("submitStage(" + stage + ")")
if (!waitingStages(stage) && !runningStages(stage) && !failedStages(stage))
{
val missing = getMissingParentStages(stage).sortBy(_.id)
logDebug("missing: " + missing)
if (missing.isEmpty) {
// 仅在所有缺失的父Stage都提交执行了,才开始提交自己
logInfo("Submitting " + stage + " (" + stage.rdd + "),
which has no missing parents")
submitMissingTasks(stage, jobId.get)
} else {
for (parent <- missing) {
submitStage(parent)
}
waitingStages += stage
}
}
} else {
abortStage(stage, "No active job for stage " + stage.id)
}
}
可以看到,这是一个逆向递归的过程,先查找所有缺失的上级Stage并提交,待所有上级Stage都提交执行了,才轮到执行当前Stage对应的Task。
查找上级Stage的过程,其实就是递归向上遍历所有RDD依赖列表并生成Stage的过程,代码如下所示:
private def getMissingParentStages(stage: Stage): List[Stage] = {
val missing = new HashSet[Stage]
val visited = new HashSet[RDD[_]]
// 这里手工维护一个堆栈,避免递归访问过程中的栈溢出错误
val waitingForVisit = new Stack[RDD[_]]
def visit(rdd: RDD[_]) {
if (!visited(rdd)) {
visited += rdd
if (getCacheLocs(rdd).contains(Nil)) {
for (dep <- rdd.dependencies) {
dep match {
case shufDep: ShuffleDependency[_, _, _] =>
val mapStage = getShuffleMapStage(shufDep, stage.jobId)
if (!mapStage.isAvailable) {
missing += mapStage
}
case narrowDep: NarrowDependency[_] =>
waitingForVisit.push(narrowDep.rdd)
}
}
}
}
}
waitingForVisit.push(stage.rdd)
while (waitingForVisit.nonEmpty) {
visit(waitingForVisit.pop())
}
missing.toList
}
熟悉数据结构的读者不难发现,遍历的过程是非递归的层序遍历(不是前序、中序或后序),使用了一个堆栈来协助遍历,而且保证了层序的顺序与DAG中的依赖顺序一致。
值得注意的是,仅对依赖类型是ShuffleDependency
的RDD操作创建Stage,其他的RDD操作并没有创建Stage。这里我们补一下Stage的概念。前面讲RDD时提到过,RDD操作有两类依赖:一类是窄依赖,一个RDD分区只依赖上一个RDD的部分分区,而且这些分区都在相同的节点上;另外一类依赖是Shuffle依赖,一个RDD分区可能会依赖上一级RDD的全部分区,一个典型的例子是groupBy
聚合操作。这两类操作在计算上有明显的区别,窄依赖都在同一个节点上进行计算,而Shuffle依赖跨越多个节点,甚至所有涉及的计算节点。因此,DAG在调度时,对于在相同节点上进行的Task计算,会合并为一个Stage。
所以,只有两种情况下会生成新的Stage:一类是依赖类型是Shuffle的Transformation操作会触发生成新的Stage,几乎所有的ByKey
操作都是,比如reduceByKey
和groupByKey
;另外一类是Action操作,是为了生成默认的Stage,这样即便没有Shuffle类操作,保证至少有一个Stage。
总结一下,各Stage之间以Shuffle为分界线。
TaskScheduler
相对DAGScheduler
而言,TaskScheduler
是低级别的调度接口,允许实现不同的Task调度器。目前,已经实现的Task调度器除了自带的以外,还有YARN和Mesos调度器。每个TaskScheduler
对象只服务于一个SparkContext
的Task调度。TaskScheduler
从DAGScheduler
的每个Stage接收一组Task,并负责将它们发送到集群上,运行它们,如果出错还会重试,最后返回消息给DAGScheduler
。
TaskScheduler
的主要接口包括一个钩子接口(也称hook,表示定义好之后,不是用户主动调用的),被调用的时机是在初始化完成之后和调度启动之前:
def postStartHook() { }
还有启动和停止调度的命令:
def start(): Unit
def stop(): Unit
此外,还有提交和撤销Task集的命令:
def submitTasks(taskSet: TaskSet): Unit
def cancelTasks(stageId: Int, interruptThread: Boolean)