Spark作业调度阶段分析

129次阅读

共计 4028 个字符，预计需要花费 11 分钟才能阅读完成。

Spark 作为分布式的大数据处理框架必然或涉及到大量的作业调度，如果能够理解 Spark 中的调度对我们编写或优化 Spark 程序都是有很大帮助的；

在 Spark 中存在 转换操作（Transformation Operation）与 行动操作 (Action Operation) 两种；而转换操作只是会从一个 RDD 中生成另一个 RDD 且是 lazy 的，Spark 中只有 行动操作（Action Operation）才会触发作业的提交，从而引发作业调度；在一个计算任务中可能会多次调用转换操作这些操作生成的 RDD 可能存在着依赖关系，而由于转换都是 lazy 所以当行动操作（Action Operation）触发时才会有真正的 RDD 生成，这一系列的 RDD 中就存在着依赖关系形成一个 DAG（Directed Acyclc Graph），在 Spark 中 DAGScheuler 是基于 DAG 的顶层调度模块；

RDD Action 作业提交流程

这里根据 Spark 源码跟踪触发 Action 操作时触发的 Job 提交流程，Count()是 RDD 中的一个 Action 操作所以调用 Count 时会触发 Job 提交；
在 RDD 源码 count()调用 SparkContext 的 runJob，在 runJob 方法中根据 partitions(分区)大小创建 Arrays 存放返回结果；

RDD.scala

/**
* Return the number of elements in the RDD.
*/
def count(): Long = sc.runJob(this, Utils.getIteratorSize _).sum

SparkContext.scala

def runJob[T, U: ClassTag](rdd: RDD[T],
  func: (TaskContext, Iterator[T]) => U,
  partitions: Seq[Int],
  resultHandler: (Int, U) => Unit): Unit = {

  val callSite = getCallSite
  val cleanedFunc = clean(func)
  logInfo("Starting job:" + callSite.shortForm)
  if (conf.getBoolean("spark.logLineage", false)) {logInfo("RDD's recursive dependencies:\n" + rdd.toDebugString)
  }
  dagScheduler.runJob(rdd, cleanedFunc, partitions, callSite, resultHandler, localProperties.get)
}

在 SparkContext 中将调用 DAGScheduler 的 runJob 方法提交作业，DAGScheduler 主要任务是计算作业与任务依赖关系，处理调用逻辑；DAGScheduler 提供了 submitJob 与 runJob 方法用于提交作业，runJob 方法会一直等待作业完成，submitJob 则返回 JobWaiter 对象可以用于判断作业执行结果；
在 runJob 方法中将调用 submitJob，在 submitJob 中把提交操作放入到事件循环队列（DAGSchedulerEventProcessLoop）中；

def submitJob[T, U](  rdd: RDD[T],
  func: (TaskContext, Iterator[T]) => U,
  partitions: Seq[Int],
  callSite: CallSite,
  resultHandler: (Int, U) => Unit,
  properties: Properties): JobWaiter[U] = {
      ......  
      eventProcessLoop.post(JobSubmitted(
      jobId, rdd, func2, partitions.toArray, callSite, waiter,
      SerializationUtils.clone(properties)))
      ......
  }

在事件循环队列中将调用 eventprocessLoop 的 onReceive 方法；

Stage 拆分

提交作业时 DAGScheduler 会 从 RDD 依赖链尾部开始，遍历整个依赖链划分调度阶段；划分阶段以 ShuffleDependency 为依据，当没有 ShuffleDependency 时整个 Job 只会有一个 Stage；在事件循环队列中将会调用 DAGScheduler 的 handleJobSubmitted 方法，此方法会拆分 Stage、提交 Stage；

 private[scheduler] def handleJobSubmitted(jobId: Int,
  finalRDD: RDD[_],
  func: (TaskContext, Iterator[_]) => _,
  partitions: Array[Int],
  callSite: CallSite,
  listener: JobListener,
  properties: Properties) {var finalStage: ResultStage = null
......
  finalStage = newResultStage(finalRDD, func, partitions, jobId, callSite)
......

val job = new ActiveJob(jobId, finalStage, callSite, listener, properties)
......
val jobSubmissionTime = clock.getTimeMillis()
jobIdToActiveJob(jobId) = job
activeJobs += job
finalStage.setActiveJob(job)
val stageIds = jobIdToStageIds(jobId).toArray
val stageInfos = stageIds.flatMap(id => stageIdToStage.get(id).map(_.latestInfo))
listenerBus.post(SparkListenerJobStart(job.jobId, jobSubmissionTime, stageInfos, properties))
submitStage(finalStage)

submitWaitingStages()}

调度阶段提交

在提交 Stage 时会先 调用 getMissingParentStages 获取父阶段 Stage，迭代该阶段所依赖的父调度阶段如果存在则先提交该父阶段的 Stage 当不存在父 Stage 或父 Stage 执行完成时会对当前 Stage 进行提交；

 private def submitStage(stage: Stage) {val jobId = activeJobForStage(stage)
  if (jobId.isDefined) {if (!waitingStages(stage) && !runningStages(stage) && !failedStages(stage)) {val missing = getMissingParentStages(stage).sortBy(_.id)
      if (missing.isEmpty) {submitMissingTasks(stage, jobId.get)
      } else {for (parent <- missing) {submitStage(parent)
        }
        waitingStages += stage
      }
    }
  }
  ......
}