Spark调度管理

共计 2292 个字符，预计需要花费 6 分钟才能阅读完成。

Spark 调度管理

本文主要介绍在单个任务内 Spark 的调度管理，Spark 调度相关概念如下：

• Task（任务）：单个分区数据及上的最小处理流程单元。
• TaskSet（任务集）：由一组关联的，但互相之间没有 Shuffle 依赖关系的任务所组成的任务集。
• Stage（调度阶段）：一个任务集对应的调度阶段。
• Job（作业）：有一个 RDD Action 生成的一个或多个调度阶段所组成的一次计算作业。
• Application（应用程序）：Spark 应用程序，由一个或多个作业组成。

各概念间的逻辑关系如下图所示：

Spark 的调度管理模块中，最重要的类是 DAGScheduler 和 TaskScheduler，TaskScheduler 负责每个具体任务的实际物理调度，DAGScheduler 负责将作业拆分成不同阶段的具有依赖关系的多批任务，可以理解为 DAGScheduler 负责任务的逻辑调度。Spark 调度管理示意图如下：

调度阶段的拆分

一个 Spark 任务提交后，DAGScheduler 从 RDD 依赖链末端的 RDD 出发，遍历整个 RDD 依赖链，将 Job 分解成具有前后依赖关系的多个 stage。DAGScheduler 是根据 ShuffleDependency 划分 stage 的，也就是说当某个 RDD 的运算需要将数据进行 shuffle 操作时，这个包含了 shuffle 依赖关系的 RDD 将被用来作为输入信息，构建一个新的调度阶段。以此为依据划分调度阶段，可以确保有依赖关系的数据能够按照正确的顺序得到处理和运算。

调度阶段的提交

在划分 Stage 的步骤中会得到一个或多个有依赖关系的 Stage，其中直接触发作业的 RDD 关联的调度阶段被称为 FinalStage，DAGScheduler 从 FinalStage 开始生成一个 Job。Job 和 Stage 的关系存储在一个映射表中，用于在该调度阶段全部完成时做一些后续处理，如报告状态、清理作业相关数据等。

具体提交一个 Stage 时，首先判断其依赖的所有父 Stage 的结果是否可用。如果所有父 Stage 的结果都可用，则提交该 Stage。如果有任何一个父 Stage 的结果不可用，则尝试迭代提交当前不可用的父 Stage。在迭代过程中，父 Stage 还未运行的 Stage 都被放到等待队列中，等待将来被提交。

下图是一个具有四个调度阶段的 Job 的 Stage 提交顺序：

当一个属于中间过程调度阶段的任务（这种类型的任务所对应的类为 ShuffleMapTask）完成后，DAGScheduler 会检查对应调度阶段的所有任务是否都完成了。如果完成了，则 DAGScheduler 将重新扫描一次等待列表中所有的 Stage，检查它们是否还有依赖的 Stage 没有完成。如果所有依赖的 Stage 都已执行完毕，则提交该 Stage。

在这里，博主有一个疑问：能否按照 DAG 划分的 Stage 的拓扑顺序提交执行 Stage？求大家指点迷津。

任务结果的获取

根据任务结果的大小不同，ResultTask 返回的结果分为两中形式：

• 如果结果足够小，则直接放在 DirectTaskResult 对象内。
• 如果超过特定尺寸（默认约 10MB），则在 Executor 端会将 DirectTaskResult 序列化，将序列化的结果作为一个数据块存放在 BlockManager 中，然后将 BlockManager 返回的 BlockId 放在 IndirectTaskResult 对象中返回给 TaskScheduler，TaskScheduler 进而调用 TaskResultGetter 将 IndirectTaskResult 中的 BlockId 取出并通过 BlockManager 最终取得对应的 DirectTaskResult。