前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Spark Core源码精读计划3 | SparkContext辅助属性及后初始化

Spark Core源码精读计划3 | SparkContext辅助属性及后初始化

作者头像
王知无-import_bigdata
修改2019-08-17 23:25:40
7410
修改2019-08-17 23:25:40
举报

5万人关注的大数据成神之路,不来了解一下吗?

5万人关注的大数据成神之路,真的不来了解一下吗?

5万人关注的大数据成神之路,确定真的不来了解一下吗?

欢迎您关注《大数据成神之路》

推荐阅读

《关于MQ面试的几件小事 | 消息队列的用途、优缺点、技术选型》

《关于MQ面试的几件小事 | 如何保证消息队列高可用和幂等》

《关于MQ面试的几件小事 | 如何保证消息不丢失》

《关于MQ面试的几件小事 | 如何保证消息按顺序执行》

《关于MQ面试的几件小事 | 消息积压在消息队列里怎么办》

《关于Redis的几件小事 | 使用目的与问题及线程模型》

《关于Redis的几件小事 | Redis的数据类型/过期策略/内存淘汰》

《关于Redis的几件小事 | 高并发和高可用》

《关于Redis的几件小事 | 持久化/缓存雪崩与穿透》

《关于Redis的几件小事 | 缓存与数据库双写时的数据一致性》

《关于Redis的几件小事 | 并发竞争和Cluster模式》

本文适用于知识共享-署名-相同方式共享(CC-BY-SA)3.0协议

目录

  • 前言
  • SparkContext中的辅助属性
    • creationSite
    • allowMultipleContexts
    • startTime & stopped
    • addedFiles/addedJars & _files/_jars
    • persistentRdds
    • executorEnvs & _executorMemory & _sparkUser
    • checkpointDir
    • localProperties
    • _eventLogDir & _eventLogCodec
    • _applicationId & _applicationAttemptId
    • _shutdownHookRef
    • nextShuffleId & nextRddId
  • SparkContext后初始化
    • setupAndStartListenerBus()方法
    • postEnvironmentUpdate()方法
    • postApplicationStart()方法
    • 其他事项
  • 总结

前言

在文章#2中,我们了解了SparkContext的主体部分,即组件初始化。除了它之外,SparkContext中还有一些与其内部机制紧密相关的属性,下文为了简单,就将它们称为“辅助属性”。另外,在组件初始化完成后,还有一些善后工作,即后初始化(Post-init)。本文就来研究这两块内容。

SparkContext中的辅助属性

仿照文章#2中的方式,仍然先将我们要关注的这些属性整理出来。

代码#3.1 - SparkContext中的辅助属性

代码语言:javascript
复制
 private val creationSite: CallSite = Utils.getCallSite()
  private val allowMultipleContexts: Boolean = config.getBoolean("spark.driver.allowMultipleContexts", false)
  val startTime = System.currentTimeMillis()
  private[spark] val stopped: AtomicBoolean = new AtomicBoolean(false)
  private[spark] val addedFiles = new ConcurrentHashMap[String, Long]().asScala
  private[spark] val addedJars = new ConcurrentHashMap[String, Long]().asScala
  private[spark] val persistentRdds = {
    val map: ConcurrentMap[Int, RDD[_]] = new MapMaker().weakValues().makeMap[Int, RDD[_]]()
    map.asScala
  }
  private[spark] val executorEnvs = HashMap[String, String]()
  val sparkUser = Utils.getCurrentUserName()
  private[spark] var checkpointDir: Option[String] = None
  protected[spark] val localProperties = new InheritableThreadLocal[Properties] {
    override protected def childValue(parent: Properties): Properties = {
      SerializationUtils.clone(parent)
    }
    override protected def initialValue(): Properties = new Properties()
  }
  private val nextShuffleId = new AtomicInteger(0)
  private val nextRddId = new AtomicInteger(0)

  private var _eventLogDir: Option[URI] = None
  private var _eventLogCodec: Option[String] = None
  private var _executorMemory: Int = _
  private var _applicationId: String = _
  private var _applicationAttemptId: Option[String] = None
  private var _jars: Seq[String] = _
  private var _files: Seq[String] = _
  private var _shutdownHookRef: AnyRef = _

以下划线开头的字段如同代码#2.2中一样,也有对应的Getter方法。为了节省篇幅,就不列出来了。下面按照它们初始化的顺序和相关性来介绍,必要时仍然会附上一些源码。

creationSite

creationSite指示SparkContext是在哪里创建的。CallSite是个简单的数据结构,只有shortForm与longForm两个属性,用来描述代码的位置。Utils.getCallSite()方法遍历当前线程的线程栈,并找到最后一个(即最靠近栈顶的)Spark方法调用,与最先一个(即最靠近栈底的)用户方法调用,将它们的短形式和长形式包装在CallSite中返回。有兴趣的看官可以自行去看这个方法的源代码,不难。

以代码#0.1的WordCount为例,运行时打上断点,观察creationSite的内容如下图。

allowMultipleContexts

allowMultipleContexts指示是否允许一个JVM(即一个Application)内存在多个活动的SparkContext实例。它由spark.driver.allowMultipleContexts参数控制,默认为false,即只允许存在一个活动的SparkContext实例,如果有多个就会抛出异常。设为true的话,在有多个活动的SparkContext时只会输出警告。关于它在下一篇文章中还会涉及到,这里就不多说了。

startTime & stopped

startTime指示SparkContext启动时的时间戳。stopped则指示SparkContext是否停止,它采用AtomicBoolean类型。

addedFiles/addedJars & _files/_jars

Spark支持在提交应用时,附带用户自定义的其他文件与JAR包。addedFiles和addedJars是两个ConcurrentHashMap,用来维护自定义文件及JAR包的URL路径,及它们被加入ConcurrentHashMap当时的时间戳。_files与_jars则接受Spark配置中定义的文件或JAR包路径。由于它们的逻辑基本相同, 下面以JAR包为例来看一下代码。

代码#3.2 - 构造方法中自定义JAR包的初始化

代码语言:javascript
复制
    _jars = Utils.getUserJars(_conf)
    if (jars != null) {
      jars.foreach(addJar)
    }
代码语言:javascript
复制

首先用Utils.getUserJars()方法从SparkConf的spark.jars配置项中取出路径组成的序列,然后分别调用addJar()方法。

代码#3.3 - o.a.s.SparkContext.addJar()方法

代码语言:javascript
复制
  def addJar(path: String) {
    def addJarFile(file: File): String = {
      try {
        if (!file.exists()) {
          throw new FileNotFoundException(s"Jar ${file.getAbsolutePath} not found")
        }
        if (file.isDirectory) {
          throw new IllegalArgumentException(
            s"Directory ${file.getAbsoluteFile} is not allowed for addJar")
        }
        env.rpcEnv.fileServer.addJar(file)
      } catch {
        case NonFatal(e) =>
          logError(s"Failed to add $path to Spark environment", e)
          null
      }
    }

    if (path == null) {
      logWarning("null specified as parameter to addJar")
    } else {
      val key = if (path.contains("\\")) {
        addJarFile(new File(path))
      } else {
        val uri = new URI(path)
        Utils.validateURL(uri)
        uri.getScheme match {
          case null =>
            addJarFile(new File(uri.getRawPath))
          case "file" => addJarFile(new File(uri.getPath))
          case "local" => "file:" + uri.getPath
          case _ => path
        }
      }
      if (key != null) {
        val timestamp = System.currentTimeMillis
        if (addedJars.putIfAbsent(key, timestamp).isEmpty) {
          logInfo(s"Added JAR $path at $key with timestamp $timestamp")
          postEnvironmentUpdate()
        }
      }
    }
  }

addJar()方法检查JAR包路径的合法性和类型,然后调用RpcEnv中的RpcEnvFileServer.addJar()方法,将JAR包加进RPC环境中。在该方法的最后还调用了postEnvironmentUpdate(),用来更新执行环境,这属于后初始化逻辑的一部分,下一节会讲到。

persistentRdds

Spark支持RDD的持久化,可以持久化到内存或磁盘。persistentRdds维护的是持久化RDD的ID与其弱引用的映射关系。通过RDD内自带的cache()/persist()/unpersist()方法可以持久化与反持久化一个RDD,它们最终调用的是SparkContext.persistRDD()/unpersistRDD()内部方法。

代码#3.4 - o.a.s.SparkContext.persistRDD()与unpersistRDD()方法

代码语言:javascript
复制
  private[spark] def persistRDD(rdd: RDD[_]) {
    persistentRdds(rdd.id) = rdd
  }

  private[spark] def unpersistRDD(rddId: Int, blocking: Boolean = true) {
    env.blockManager.master.removeRdd(rddId, blocking)
    persistentRdds.remove(rddId)
    listenerBus.post(SparkListenerUnpersistRDD(rddId))
  }
代码语言:javascript
复制
executorEnvs & _executorMemory & _sparkUser

executorEnvs是一个HashMap,用来存储需要传递给Executor的环境变量。_executorMemory与_sparkUser就是其中之二,分别代表Executor内存大小和当前启动SparkContext的用户名。

代码#3.5 - 构造方法中Executor环境变量的初始化

代码语言:javascript
复制
    _executorMemory = _conf.getOption("spark.executor.memory")
      .orElse(Option(System.getenv("SPARK_EXECUTOR_MEMORY")))
      .orElse(Option(System.getenv("SPARK_MEM"))
      .map(warnSparkMem))
      .map(Utils.memoryStringToMb)
      .getOrElse(1024)

    for { (envKey, propKey) <- Seq(("SPARK_TESTING", "spark.testing"))
      value <- Option(System.getenv(envKey)).orElse(Option(System.getProperty(propKey)))} {
      executorEnvs(envKey) = value
    }
    Option(System.getenv("SPARK_PREPEND_CLASSES")).foreach { v =>
      executorEnvs("SPARK_PREPEND_CLASSES") = v
    }
    executorEnvs("SPARK_EXECUTOR_MEMORY") = executorMemory + "m"
    executorEnvs ++= _conf.getExecutorEnv
    executorEnvs("SPARK_USER") = sparkUser

可见,Executor内存可以通过spark.executor.memory配置项、SPARK_EXECUTOR_MEMORY环境变量、SPARK_MEM环境变量指定,优先级依次降低,且默认大小是1GB。用户名是通过Utils.getCurrentUserName()方法获得的。

checkpointDir

checkpointDir指定集群状态下,RDD检查点在HDFS上保存的目录。检查点的存在是为了当计算过程出错时,能够快速恢复,而不必从头重新计算。SparkContext提供了setCheckpointDir()方法用来设定检查点目录,如下。

代码#3.6 - o.a.s.SparkContext.setCheckpointDir()方法

代码语言:javascript
复制
代码语言:javascript
复制
 def setCheckpointDir(directory: String) {
    if (!isLocal && Utils.nonLocalPaths(directory).isEmpty) {
      logWarning("Spark is not running in local mode, therefore the checkpoint directory " +
        s"must not be on the local filesystem. Directory '$directory' " +
        "appears to be on the local filesystem.")
    }

    checkpointDir = Option(directory).map { dir =>
      val path = new Path(dir, UUID.randomUUID().toString)
      val fs = path.getFileSystem(hadoopConfiguration)
      fs.mkdirs(path)
      fs.getFileStatus(path).getPath.toString
    }
  }
代码语言:javascript
复制
localProperties

localProperties用于维护一个Properties数据类型的线程本地变量。它是InheritableThreadLocal类型,继承自ThreadLocal,在后者的基础上允许本地变量从父线程到子线程的继承,也就是该Properties会沿着线程栈传递下去。

_eventLogDir & _eventLogCodec

这两个属性与EventLoggingListener相关。EventLoggingListener打开时,事件日志会写入_eventLogDir指定的目录,可以用spark.eventLog.dir参数设置。_eventLogCodec指定事件日志的压缩算法,当通过spark.eventLog.compress参数启用压缩后,就根据spark.io.compression.codec参数配置压缩算法,目前支持lz4、lzf、snappy、zstd四种。

_applicationId & _applicationAttemptId

这两个ID都是TaskScheduler初始化完毕并启动之后才分配的。TaskScheduler启动之后,应用代码的逻辑才真正被执行,并且可能会进行多次尝试。在SparkUI、BlockManager和EventLoggingListener初始化时,也会用到它们。

代码#3.7 - 构造方法中_applicationId与_applicationAttemptId的初始化

代码语言:javascript
复制
代码语言:javascript
复制
   _applicationId = _taskScheduler.applicationId()
    _applicationAttemptId = taskScheduler.applicationAttemptId()
代码语言:javascript
复制
_shutdownHookRef

它用来定义SparkContext的关闭钩子,主要是在JVM退出时,显式地执行SparkContext.stop()方法,以防止用户忘记而留下烂摊子。这实际上是后初始化逻辑,在下面的代码#3.8中会出现。

nextShuffleId & nextRddId

这两个ID都是AtomicInteger类型。Shuffle和RDD都需要唯一ID来进行标识,并且它们是递增的。在代码#3.4中已经出现过了RDD ID。

SparkContext后初始化

在文章#2的ContextCleaner初始化之后,还有一小部分后初始化逻辑,其代码如下所示。

代码#3.8 - SparkContext后初始化逻辑

代码语言:javascript
复制
代码语言:javascript
复制
    setupAndStartListenerBus()
    postEnvironmentUpdate()
    postApplicationStart()

    _taskScheduler.postStartHook()
    _env.metricsSystem.registerSource(_dagScheduler.metricsSource)
    _env.metricsSystem.registerSource(new BlockManagerSource(_env.blockManager))
    _executorAllocationManager.foreach { e =>
      _env.metricsSystem.registerSource(e.executorAllocationManagerSource)
    }

    logDebug("Adding shutdown hook") // force eager creation of logger
    _shutdownHookRef = ShutdownHookManager.addShutdownHook(
      ShutdownHookManager.SPARK_CONTEXT_SHUTDOWN_PRIORITY) { () =>
      logInfo("Invoking stop() from shutdown hook")
      stop()
    }

    SparkContext.setActiveContext(this, allowMultipleContexts)

它的主要逻辑在开头的三个方法中,下面来逐一看它们的代码。

setupAndStartListenerBus()方法

代码#3.9 - o.a.s.SparkContext.setupAndStartListenerBus()方法

代码语言:javascript
复制
  private def setupAndStartListenerBus(): Unit = {
    try {
      conf.get(EXTRA_LISTENERS).foreach { classNames =>
        val listeners = Utils.loadExtensions(classOf[SparkListenerInterface], classNames, conf)
        listeners.foreach { listener =>
          listenerBus.addToSharedQueue(listener)
          logInfo(s"Registered listener ${listener.getClass().getName()}")
        }
      }
    } catch {
      case e: Exception =>
        try {
          stop()
        } finally {
          throw new SparkException(s"Exception when registering SparkListener", e)
        }
    }

    listenerBus.start(this, _env.metricsSystem)
    _listenerBusStarted = true
  }
代码语言:javascript
复制

这个方法用于注册自定义的监听器,并最终启动LiveListenerBus。自定义监听器都实现了SparkListener特征,通过spark.extraListeners配置参数来指定。然后调用Utils.loadExtensions()方法,通过反射来构建自定义监听器的实例,并将它们注册到LiveListenerBus。

postEnvironmentUpdate()方法

代码#3.10 - o.a.s.SparkContext.postEnvironmentUpdate()方法

代码语言:javascript
复制
  private def postEnvironmentUpdate() {
    if (taskScheduler != null) {
      val schedulingMode = getSchedulingMode.toString
      val addedJarPaths = addedJars.keys.toSeq
      val addedFilePaths = addedFiles.keys.toSeq
      val environmentDetails = SparkEnv.environmentDetails(conf, schedulingMode, addedJarPaths,
        addedFilePaths)
      val environmentUpdate = SparkListenerEnvironmentUpdate(environmentDetails)
      listenerBus.post(environmentUpdate)
    }
  }
代码语言:javascript
复制

该方法在添加自定义文件和JAR包时也都有调用,因为添加的资源会对程序的执行环境造成影响。它会取得当前的自定义文件和JAR包列表,以及Spark配置、调度方式,然后通过SparkEnv.environmentDetails()方法再取得JVM参数、Java系统属性等,一同封装成SparkListenerEnvironmentUpdate事件,并投递给事件总线。

postApplicationStart()方法

代码#3.11 - o.a.s.SparkContext.postApplicationStart()方法

代码语言:javascript
复制
  private def postApplicationStart() {
    listenerBus.post(SparkListenerApplicationStart(appName, Some(applicationId),
      startTime, sparkUser, applicationAttemptId, schedulerBackend.getDriverLogUrls))
  }
代码语言:javascript
复制

这个方法比较简单,就是向事件总线投递SparkListenerApplicationStart事件,表示Application已经启动。

其他事项

在这三个方法之后的其他事项如下。

  • 调用TaskScheduler.postStartHook()方法,等待SchedulerBackend初始化完毕。
  • 在度量系统中注册DAGScheduler、BlockManager、ExecutionAllocationManager的度量源,以收集它们的监控数据。
  • 添加关闭钩子,这个在之前已经提过了,不再赘述。
  • 调用伴生对象中的setActiveContext()方法,将当前SparkContext设为活动的。

总结

本文通过梳理SparkContext中的多个辅助属性,进一步了解了一些细节特性,如外部文件和JAR包的初始化、RDD持久化和检查点等。在SparkContext构造方法的最后,还会执行一些扫尾的工作,如启动事件总线、更新执行环境等。

SparkContext除了初始化之外,还对外提供了不少通用的功能,如生成RDD,产生广播变量与累加器,启动Job等等。另外,SparkContext类也有伴生对象,里面维护了一些常用的逻辑。下一篇文章作为SparkContext概况的收尾,就来研究这些剩下的东西。

— THE END —

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2019-08-01,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 大数据技术与架构 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 前言
  • SparkContext中的辅助属性
    • creationSite
      • allowMultipleContexts
        • startTime & stopped
          • addedFiles/addedJars & _files/_jars
            • persistentRdds
              • executorEnvs & _executorMemory & _sparkUser
                • checkpointDir
                  • localProperties
                    • _eventLogDir & _eventLogCodec
                      • _applicationId & _applicationAttemptId
                        • nextShuffleId & nextRddId
                        • SparkContext后初始化
                          • setupAndStartListenerBus()方法
                            • postEnvironmentUpdate()方法
                              • postApplicationStart()方法
                                • 其他事项
                                • 总结
                                相关产品与服务
                                云数据库 Redis
                                腾讯云数据库 Redis(TencentDB for Redis)是腾讯云打造的兼容 Redis 协议的缓存和存储服务。丰富的数据结构能帮助您完成不同类型的业务场景开发。支持主从热备,提供自动容灾切换、数据备份、故障迁移、实例监控、在线扩容、数据回档等全套的数据库服务。
                                领券
                                问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档