深入理解Spark 2.1 Core (二):DAG调度器的原理与源码分析
概述
上一篇《深入理解Spark(一):RDD实现及源码分析 》提到:
定义RDD之后,程序员就可以在动作(注:即action操作)中使用RDD了。动作是向应用程序返回值,或向存储系统导出数据的那些操作,例如,count(返回RDD中的元素个数),collect(返回元素本身),save(将RDD输出到存储系统)。在Spark中,只有在动作第一次使用RDD时,才会计算RDD(即延迟计算)。这样在构建RDD的时候,运行时通过管道的方式传输多个转换。
一次action操作会触发RDD的延迟计算,我们把这样的一次计算称作一个Job。我们还提到了窄依赖和宽依赖的概念:
窄依赖指的是:每个parent RDD 的 partition 最多被 child RDD的一个partition使用
宽依赖指的是:每个parent RDD 的 partition 被多个 child RDD的partition使用窄依赖每个child RDD 的partition的生成操作都是可以并行的,而宽依赖则需要所有的parent partition shuffle结果得到后再进行。
由于在RDD的一系类转换中,若其中一些连续的转换都是窄依赖,那么它们是可以并行的,而有宽依赖则不行。所有,Spark将宽依赖为划分界限,将Job换分为多个Stage。而一个Stage里面的转换任务,我们可以把它抽象成TaskSet。一个TaskSet中有很多个Task,它们的转换操作都是相同的,不同只是操作的对象是对数据集中的不同子数据集。
接下来,Spark就可以提交这些任务了。但是,如何对这些任务进行调度和资源分配呢?如何通知worker去执行这些任务呢?接下来,我们会一一讲解。
根据以上两个阶段,我们会来详细介绍两个Scheduler,一个是DAGScheduler,另外一个是TaskScheduler。
我们先来看一来在SparkContext中是如何创建它们的:
val (sched, ts) = SparkContext.createTaskScheduler(this, master, deployMode)_schedulerBackend = sched_taskScheduler = ts_dagScheduler = new DAGScheduler(this)
可以看到,我们是先用函数createTaskScheduler创建了taskScheduler,再new了一个DAGScheduler。这个顺序可以改变吗?答案是否定的,我们看下DAGScheduler类就知道了:
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 {def this(sc: SparkContext, taskScheduler: TaskScheduler) = {this(sc,taskScheduler,sc.listenerBus,sc.env.mapOutputTracker.asInstanceOf[MapOutputTrackerMaster],sc.env.blockManager.master,sc.env)}def this(sc: SparkContext) = this(sc, sc.taskScheduler)***}
SparkContext中创建的TaskScheduler,会传入DAGScheduler赋值给它的成员变量,再DAG阶段结束后,使用它进行下一步对任务调度等的操作。
提交Job
调用栈如下:
- rdd.count
- SparkContext.runJob
- DAGScheduler.runJob
- DAGScheduler.submitJob
- DAGSchedulerEventProcessLoop.doOnReceive
- DAGScheduler.handleJobSubmitted
- DAGSchedulerEventProcessLoop.doOnReceive
- DAGScheduler.submitJob
- DAGScheduler.runJob
- SparkContext.runJob
接下来,我们来逐个深入:
rdd.count
RDD的一些action操作都会触发SparkContext的runJob函数,如count()
def count(): Long = sc.runJob(this, Utils.getIteratorSize _).sum
- 1
- 1
SparkContext.runJob
SparkContext的runJob会触发 DAGScheduler的runJob:
def runJob[T, U: ClassTag](rdd: RDD[T],func: (TaskContext, Iterator[T]) => U,partitions: Seq[Int],resultHandler: (Int, U) => Unit): Unit = {if (stopped.get()) {throw new IllegalStateException("SparkContext has been shutdown")}val callSite = getCallSiteval 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)progressBar.foreach(_.finishAll())rdd.doCheckpoint()}
这里的rdd.doCheckpoint()并不是对自己Checkpoint,而是递归的回溯parent rdd 检查checkpointData是否被定义了,若定义了就将该rdd Checkpoint:
private[spark] def doCheckpoint(): Unit = {RDDOperationScope.withScope(sc, "checkpoint", allowNesting = false, ignoreParent = true) {if (!doCheckpointCalled) {doCheckpointCalled = trueif (checkpointData.isDefined) {if (checkpointAllMarkedAncestors) {//若想要把checkpointData定义过的RDD的parents也进行checkpoint的话,//那么我们需要先对parents checkpoint。//这是因为,如果RDD把自己checkpoint了,//那么它就将lineage中它的parents给切除了。dependencies.foreach(_.rdd.doCheckpoint())}checkpointData.get.checkpoint()} else {dependencies.foreach(_.rdd.doCheckpoint())}}}
具体的checkpoint实现可见上一篇博文。
DAGScheduler.runJob
DAGScheduler的runJob会触发DAGScheduler的submitJob:
/*** 参数介绍:* @param rdd: 执行任务的目标TDD* @param func: 在RDD的分区上所执行的函数* @param partitions: 需要执行的分区集合;有些job并不会对RDD的所有分区都进行计算的,比如说first()* @param callSite:用户程序的调用点* @param resultHandler:回调结果* @param properties:关于这个job的调度器特征,比如说公平调度的pool名字,这个会在后续讲到 */def runJob[T, U](rdd: RDD[T],func: (TaskContext, Iterator[T]) => U,partitions: Seq[Int],callSite: CallSite,resultHandler: (Int, U) => Unit,properties: Properties): Unit = {val start = System.nanoTimeval waiter = submitJob(rdd, func, partitions, callSite, resultHandler, properties)***waiter.completionFuture.value.get match {case scala.util.Success(_) =>logInfo("Job %d finished: %s, took %f s".format(waiter.jobId, callSite.shortForm, (System.nanoTime - start) / 1e9))case scala.util.Failure(exception) =>logInfo("Job %d failed: %s, took %f s".format(waiter.jobId, callSite.shortForm, (System.nanoTime - start) / 1e9))val callerStackTrace = Thread.currentThread().getStackTrace.tailexception.setStackTrace(exception.getStackTrace ++ callerStackTrace)throw exception}}
DAGScheduler.submitJob
我们接下来看看submitJob里面做了什么:
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] = {// 确认没在不存在的partition上执行任务val maxPartitions = rdd.partitions.lengthpartitions.find(p => p >= maxPartitions || p < 0).foreach { p =>throw new IllegalArgumentException("Attempting to access a non-existent partition: " + p + ". " +"Total number of partitions: " + maxPartitions)}//递增得到jobIdval jobId = nextJobId.getAndIncrement()if (partitions.size == 0) {//若Job没对任何一个partition执行任务,//则立即返回return new JobWaiter[U](this, jobId, 0, resultHandler)}assert(partitions.size > 0)val func2 = func.asInstanceOf[(TaskContext, Iterator[_]) => _]val waiter = new JobWaiter(this, jobId, partitions.size, resultHandler)eventProcessLoop.post(JobSubmitted(jobId, rdd, func2, partitions.toArray, callSite, waiter,SerializationUtils.clone(properties)))waiter}
DAGSchedulerEventProcessLoop.doOnReceive
eventProcessLoop是一个DAGSchedulerEventProcessLoop类对象,即一个DAG调度事件处理的监听。eventProcessLoop中调用doOnReceive来进行监听
private def doOnReceive(event: DAGSchedulerEvent): Unit = event match {//当事件为JobSubmitted时,//会调用DAGScheduler.handleJobSubmittedcase JobSubmitted(jobId, rdd, func, partitions, callSite, listener, properties) =>dagScheduler.handleJobSubmitted(jobId, rdd, func, partitions, callSite, listener, properties)
***
}
- 1
DAGScheduler.handleJobSubmitted
自此Job的提交就完成了:
private[scheduler] def handleJobSubmitted(jobId: Int,finalRDD: RDD[_],func: (TaskContext, Iterator[_]) => _,partitions: Array[Int],callSite: CallSite,listener: JobListener,properties: Properties) {var finalStage: ResultStage = nulltry {finalStage = newResultStage(finalRDD, func, partitions, jobId, callSite)} catch {case e: Exception =>logWarning("Creating new stage failed due to exception - job: " + jobId, e)listener.jobFailed(e)return}val job = new ActiveJob(jobId, finalStage, callSite, listener, properties)clearCacheLocs()logInfo("Got job %s (%s) with %d output partitions".format(job.jobId, callSite.shortForm, partitions.length))logInfo("Final stage: " + finalStage + " (" + finalStage.name + ")")logInfo("Parents of final stage: " + finalStage.parents)logInfo("Missing parents: " + getMissingParentStages(finalStage))val jobSubmissionTime = clock.getTimeMillis()jobIdToActiveJob(jobId) = jobactiveJobs += jobfinalStage.setActiveJob(job)val stageIds = jobIdToStageIds(jobId).toArrayval stageInfos = stageIds.flatMap(id => stageIdToStage.get(id).map(_.latestInfo))listenerBus.post(SparkListenerJobStart(job.jobId, jobSubmissionTime, stageInfos, properties))submitStage(finalStage)submitWaitingStages()}
- 1
接下来我们来看看handleJobSubmitted中的newResultStage,一个非常有趣的划分Stage过程。
划分Stage
如我们之前提到的:Spark将宽依赖为划分界限,将Job换分为多个Stage。调用栈为:
- DAGScheduler.newResultStage
- DAGScheduler.getParentStagesAndId
- DAGScheduler.getParentStages
- DAGScheduler.getShuffleMapStage
- DAGScheduler.getAncestorShuffleDependencies
- DAGScheduler.newOrUsedShuffleStage
- DAGScheduler.newShuffleMapStage
- DAGScheduler.getShuffleMapStage
- DAGScheduler.getParentStages
- DAGScheduler.getParentStagesAndId
接下来,我们来逐个深入:
DAGScheduler.newResultStage
Spark的Stage调用是从最后一个RDD所在的Stage,ResultStage开始划分的,这里即为G所在的Stage。但是在生成这个Stage之前会生成它的parent Stage,就这样递归的把parent Stage都先生成了。
private def newResultStage(rdd: RDD[_],func: (TaskContext, Iterator[_]) => _,partitions: Array[Int],jobId: Int,callSite: CallSite): ResultStage = {val (parentStages: List[Stage], id: Int) = getParentStagesAndId(rdd, jobId)val stage = new ResultStage(id, rdd, func, partitions, parentStages, jobId, callSite)stageIdToStage(id) = stageupdateJobIdStageIdMaps(jobId, stage)stage}
- 1
DAGScheduler.getParentStagesAndId
getParentStagesAndId中得到了ParentStages以及其StageId:
private def getParentStagesAndId(rdd: RDD[_], firstJobId: Int): (List[Stage], Int) = {val parentStages = getParentStages(rdd, firstJobId)val id = nextStageId.getAndIncrement()(parentStages, id)}
- 1
DAGScheduler.getParentStages
我们再来深入看看getParentStages做了什么:
private def getParentStages(rdd: RDD[_], firstJobId: Int): List[Stage] = {//将存储ParentStagesval parents = new HashSet[Stage]//存储已将访问过了的RDDval visited = new HashSet[RDD[_]]// 存储需要被处理的RDDval waitingForVisit = new Stack[RDD[_]]def visit(r: RDD[_]) {if (!visited(r)) {//加入访问集合visited += r//遍历该RDD所有的依赖for (dep <- r.dependencies) {dep match {//若是宽依赖则生成新的Stagecase shufDep: ShuffleDependency[_, _, _] =>parents += getShuffleMapStage(shufDep, firstJobId)//若是窄依赖则加入Stack,等待处理case _ =>waitingForVisit.push(dep.rdd)}}}}//在Stack中加入最后一个RDDwaitingForVisit.push(rdd)//广度优先遍历while (waitingForVisit.nonEmpty) {visit(waitingForVisit.pop())}//返回ParentStages Listparents.toList}
其实getParentStages使用的就是广度优先遍历的算法,若知道这点也容易理解了。虽然现在Stage并没有生成,但是我们可以看到划分策略是:广度遍历方式的划分parent RDD 的Stage。
若parent RDD 和 child RDD 为窄依赖,则将parent RDD 纳入 child RDD 所在的Stage中。如图,B被纳入了Stage3中。
若parent RDD 和 child RDD 为宽依赖,则parent RDD将纳入一新的Stage中。如图,F被纳入了Stage2中。
DAGScheduler.getShuffleMapStage
下面我们来看下getShuffleMapStage是如何生成新的Stage的。
首先shuffleToMapStage中保存了关于Stage的HashMap
private[scheduler] val shuffleToMapStage = new HashMap[Int, ShuffleMapStage]
getShuffleMapStage会先去根据shuffleId去查找shuffleToMapStage
private def getShuffleMapStage(shuffleDep: ShuffleDependency[_, _, _],firstJobId: Int): ShuffleMapStage = {shuffleToMapStage.get(shuffleDep.shuffleId) match {//若找到则直接返回case Some(stage) => stagecase None =>// 检查这个Stage的Parent Stage是否生成// 若没有,则生成它们 getAncestorShuffleDependencies(shuffleDep.rdd).foreach { dep =>if (!shuffleToMapStage.contains(dep.shuffleId)) {shuffleToMapStage(dep.shuffleId) = newOrUsedShuffleStage(dep, firstJobId)}}// 生成新的Stageval stage = newOrUsedShuffleStage(shuffleDep, firstJobId)//将新的Stage 加入到 HashMapshuffleToMapStage(shuffleDep.shuffleId) = stage//返回新的Stagestage}}
- 22
可以发现这部分的代码和上述的newResultStage部分很像,所以可以看成一种递归的方法。
DAGScheduler.getAncestorShuffleDependencies
我们再来看下getAncestorShuffleDependencies,可想而知,它应该会和newResultStage中的getParentStages会非常类似:
private def getAncestorShuffleDependencies(rdd: RDD[_]): Stack[ShuffleDependency[_, _, _]] = {val parents = new Stack[ShuffleDependency[_, _, _]]val visited = new HashSet[RDD[_]]val waitingForVisit = new Stack[RDD[_]]def visit(r: RDD[_]) {if (!visited(r)) {visited += rfor (dep <- r.dependencies) {dep match {case shufDep: ShuffleDependency[_, _, _] =>if (!shuffleToMapStage.contains(shufDep.shuffleId)) {parents.push(shufDep)}case _ =>}waitingForVisit.push(dep.rdd)}}}waitingForVisit.push(rdd)while (waitingForVisit.nonEmpty) {visit(waitingForVisit.pop())}parents}
可以看到的确和newResultStage中的getParentStages会非常类似,不同的是这里会先判断shuffleToMapStage是否存在这个Stage,不存在的话会push到parents这个Stack,最会返回给上述的getShuffleMapStage,调用newOrUsedShuffleStage生成新的Stage。
DAGScheduler.newOrUsedShuffleStage
那现在就来看newOrUsedShuffleStage是如何生成新的Stage的。
首先ShuffleMapTask的计算结果(其实是计算结果数据所在的位置、大小等元数据信息)都会传给Driver的mapOutputTracker。所以需要先判断Stage是否已经被计算过:
private def newOrUsedShuffleStage(shuffleDep: ShuffleDependency[_, _, _],firstJobId: Int): ShuffleMapStage = {val rdd = shuffleDep.rddval numTasks = rdd.partitions.length//生成新的Stageval stage = newShuffleMapStage(rdd, numTasks, shuffleDep, firstJobId, rdd.creationSite)//判断Stage是否已经被计算过//若计算过,则把结果复制到新的stageif (mapOutputTracker.containsShuffle(shuffleDep.shuffleId)) {val serLocs = mapOutputTracker.getSerializedMapOutputStatuses(shuffleDep.shuffleId)val locs = MapOutputTracker.deserializeMapStatuses(serLocs)(0 until locs.length).foreach { i =>if (locs(i) ne null) {stage.addOutputLoc(i, locs(i))}}} else {logInfo("Registering RDD " + rdd.id + " (" + rdd.getCreationSite + ")")//如果没计算过,就在注册mapOutputTracker Stage//为存储元数据占位mapOutputTracker.registerShuffle(shuffleDep.shuffleId, rdd.partitions.length)}stage}
DAGScheduler.newShuffleMapStage
递归就发生在newShuffleMapStage,它的实现和最一开始的newResultStage类似,也是先getParentStagesAndId,然后生成一个ShuffleMapStage:
private def newShuffleMapStage(rdd: RDD[_],numTasks: Int,shuffleDep: ShuffleDependency[_, _, _],firstJobId: Int,callSite: CallSite): ShuffleMapStage = {val (parentStages: List[Stage], id: Int) = getParentStagesAndId(rdd, firstJobId)val stage: ShuffleMapStage = new ShuffleMapStage(id, rdd, numTasks, parentStages,firstJobId, callSite, shuffleDep)stageIdToStage(id) = stageupdateJobIdStageIdMaps(firstJobId, stage)stage}
回顾
到此,Stage划分过程就结束了。我们在根据一开始的图,举例回顾下:
- 首先,我们想
newResultStage
RDD_G
所在的Stage3
- 但在
new Stage
之前会调用getParentStagesAndId
getParentStagesAndId
中又会调用getParentStages
,来广度优先的遍历RDD_G
所依赖的RDD
。如果是窄依赖,就纳入G
所在的Stage3
,如RDD_B
就纳入了Stage3
- 若过是宽依赖,我们这里以
RDD_F
为例(与RDD_A
处理过程相同)。我们就会调用getShuffleMapStage
,来判断RDD_F
所在的Stage2
是否已经生成了,如果生成了就直接返回。 - 若还没生成,我们先调用
getAncestorShuffleDependencies
。getAncestorShuffleDependencies
类似于getParentStages
,也是用广度优先的遍历RDD_F
所依赖的RDD
。如果是窄依赖,如RDD_C
、RDD_D
和RDD_E
,都被纳入了F
所在的Stage
2。但是假设RDD_E
有个parent RDD ``RDD_H
,RDD_H
和RDD_E
之间是宽依赖,那么该怎么办呢?我们会先判断RDD_H所在的Stage是否已经生成。若还没生成,我们把它put到一个parents Stack 中,最后返回。 - 对于那些返回的还没生成的Stage我们会调用
newOrUsedShuffleStage
newOrUsedShuffleStage
会调用newShuffleMapStage
,来生成新的Stage。而newShuffleMapStage
的实现类似于newResultStage
。这样我们就可以递归下去,使得每个Stage所依赖的Stage都已经生成了,再来生成这个的Stage。如这里,会将RDD_H所在的Stage生成了,然后在再生成Stage2。newOrUsedShuffleStage
生成新的Stage后,会判断Stage是否被计算过。若已经被计算过,就从mapOutPutTracker
中复制计算结果。若没计算过,则向mapOutPutTracker
注册占位。- 最后,回到
newResultStage
中,new ResultStage
,这里即生成了Stage3
。至此,Stage
划分过程就结束了。
生成任务
调用栈如下:
- DAGScheduler.handleJobSubmitted
- DAGScheduler.submitStage
- DAGScheduler.getMissingParentStages
- DAGScheduler.submitMissingTasks
- DAGScheduler.submitStage
DAGScheduler.handleJobSubmitted
我们再回过头来看“提交Job”的最后一步handleJobSubmitted:
private[scheduler] def handleJobSubmitted(jobId: Int,finalRDD: RDD[_],func: (TaskContext, Iterator[_]) => _,partitions: Array[Int],callSite: CallSite,listener: JobListener,properties: Properties) {var finalStage: ResultStage = nulltry {finalStage = newResultStage(finalRDD, func, partitions, jobId, callSite)} catch {case e: Exception =>logWarning("Creating new stage failed due to exception - job: " + jobId, e)listener.jobFailed(e)return}***}
在“划分Stage”中我们已经深入的讲解了finalStage的生成:
finalStage = newResultStage(finalRDD, func, partitions, jobId, callSite)
接下来,我们继续往下看handleJobSubmitted的代码:
//生成新的jobval job = new ActiveJob(jobId, finalStage, callSite, listener, properties)clearCacheLocs()logInfo("Got job %s (%s) with %d output partitions".format(job.jobId, callSite.shortForm, partitions.length))logInfo("Final stage: " + finalStage + " (" + finalStage.name + ")")logInfo("Parents of final stage: " + finalStage.parents)logInfo("Missing parents: " + getMissingParentStages(finalStage))//得到job提交的时间val jobSubmissionTime = clock.getTimeMillis()//得到job idjobIdToActiveJob(jobId) = job//添加到activeJobs HashSetactiveJobs += job//将finalStage甚至ActiveJob为该jobfinalStage.setActiveJob(job)//得到stage 的id 信息val stageIds = jobIdToStageIds(jobId).toArrayval stageInfos = stageIds.flatMap(id => stageIdToStage.get(id).map(_.latestInfo))//监听listenerBus.post(SparkListenerJobStart(job.jobId, jobSubmissionTime, stageInfos, properties))//提交submitStage(finalStage)//等待submitWaitingStages()
- 16
DAGScheduler.submitStage
接下来我们来看Stage是如何提交的。我们需要找到哪些parent Stage缺失,然后我们先运行生成这些Stage。这是一个深度优先遍历的过程:
private def submitStage(stage: Stage) {val jobId = activeJobForStage(stage)if (jobId.isDefined) {logDebug("submitStage(" + stage + ")")if (!waitingStages(stage) && !runningStages(stage) && !failedStages(stage)) {//得到缺失的Parent Stageval missing = getMissingParentStages(stage).sortBy(_.id)logDebug("missing: " + missing)if (missing.isEmpty) {logInfo("Submitting " + stage + " (" + stage.rdd + "), which has no missing parents")//如果没有缺失的Parent Stage,//那么代表着该Stage可以运行了//submitMissingTasks会完成DAGScheduler最后的工作,//向TaskScheduler 提交 TasksubmitMissingTasks(stage, jobId.get)} else {//深度优先遍历for (parent <- missing) {submitStage(parent)}waitingStages += stage}}} else {abortStage(stage, "No active job for stage " + stage.id, None)}}
- 27
DAGScheduler.getMissingParentStages
getMissingParentStages类似于getParentStages,也是使用广度优先遍历:
private def getMissingParentStages(stage: Stage): List[Stage] = {val missing = new HashSet[Stage]val visited = new HashSet[RDD[_]]val waitingForVisit = new Stack[RDD[_]]def visit(rdd: RDD[_]) {if (!visited(rdd)) {visited += rddval rddHasUncachedPartitions = getCacheLocs(rdd).contains(Nil)if (rddHasUncachedPartitions) {for (dep <- rdd.dependencies) {dep match {//若是宽依赖 并且 不可用 ,//则加入 missing HashSetcase shufDep: ShuffleDependency[_, _, _] =>val mapStage = getShuffleMapStage(shufDep, stage.firstJobId)if (!mapStage.isAvailable) {missing += mapStage}//若是窄依赖//则加入等待访问的 HashSetcase narrowDep: NarrowDependency[_] =>waitingForVisit.push(narrowDep.rdd)}}}}}waitingForVisit.push(stage.rdd)while (waitingForVisit.nonEmpty) {visit(waitingForVisit.pop())}missing.toList}
- 1
DAGScheduler.submitMissingTasks
最后,我们来看下DAGScheduler最后的工作,提交Task:
private def submitMissingTasks(stage: Stage, jobId: Int) {logDebug("submitMissingTasks(" + stage + ")")// pendingPartitions 是 HashSet[Int]//存储待处理的Taskstage.pendingPartitions.clear()// 找出还未就算的Partitionval partitionsToCompute: Seq[Int] = stage.findMissingPartitions()//从一个ActiveJob中得到关于这个Stage的//调度池,job组描述等信息val properties = jobIdToActiveJob(jobId).properties// runningStages 是 HashSet[Stage]//将当前Stage加入到运行中Stage集合runningStages += stagestage match {case s: ShuffleMapStage =>outputCommitCoordinator.stageStart(stage = s.id, maxPartitionId = s.numPartitions - 1)case s: ResultStage =>outputCommitCoordinator.stageStart(stage = s.id, maxPartitionId = s.rdd.partitions.length - 1)}val taskIdToLocations: Map[Int, Seq[TaskLocation]] = try {stage match {case s: ShuffleMapStage =>partitionsToCompute.map { id => (id, getPreferredLocs(stage.rdd, id))}.toMapcase s: ResultStage =>partitionsToCompute.map { id =>val p = s.partitions(id)(id, getPreferredLocs(stage.rdd, p))}.toMap}} catch {case NonFatal(e) =>stage.makeNewStageAttempt(partitionsToCompute.size)listenerBus.post(SparkListenerStageSubmitted(stage.latestInfo, properties))abortStage(stage, s"Task creation failed: $e\n${Utils.exceptionString(e)}", Some(e))runningStages -= stagereturn}stage.makeNewStageAttempt(partitionsToCompute.size, taskIdToLocations.values.toSeq)
//向listenerBus发送SparkListenerStageSubmitted事件
listenerBus.post(SparkListenerStageSubmitted(stage.latestInfo, properties))var taskBinary: Broadcast[Array[Byte]] = nulltry {//对于最后一个Stage的Task,//序列化并广播(rdd, func)。//若是其他的Stage的Task,//序列化并广播(rdd, shuffleDep)val taskBinaryBytes: Array[Byte] = stage match {case stage: ShuffleMapStage =>JavaUtils.bufferToArray(closureSerializer.serialize((stage.rdd, stage.shuffleDep): AnyRef))case stage: ResultStage =>JavaUtils.bufferToArray(closureSerializer.serialize((stage.rdd, stage.func): AnyRef))}taskBinary = sc.broadcast(taskBinaryBytes)} catch {//若序列化失败,停止这个stagecase e: NotSerializableException =>abortStage(stage, "Task not serializable: " + e.toString, Some(e))runningStages -= stage// 停止执行returncase NonFatal(e) =>abortStage(stage, s"Task serialization failed: $e\n${Utils.exceptionString(e)}", Some(e))runningStages -= stagereturn}val tasks: Seq[Task[_]] = try {//对于最后一个Stage的Task,//则创建ResultTask。//若是其他的Stage的Task,//则创建ShuffleMapTask。stage match {case stage: ShuffleMapStage =>partitionsToCompute.map { id =>val locs = taskIdToLocations(id)val part = stage.rdd.partitions(id)new ShuffleMapTask(stage.id, stage.latestInfo.attemptId,taskBinary, part, locs, stage.latestInfo.taskMetrics, properties, Option(jobId),Option(sc.applicationId), sc.applicationAttemptId)}case stage: ResultStage =>partitionsToCompute.map { id =>val p: Int = stage.partitions(id)val part = stage.rdd.partitions(p)val locs = taskIdToLocations(id)new ResultTask(stage.id, stage.latestInfo.attemptId,taskBinary, part, locs, id, properties, stage.latestInfo.taskMetrics,Option(jobId), Option(sc.applicationId), sc.applicationAttemptId)}}} catch {case NonFatal(e) =>abortStage(stage, s"Task creation failed: $e\n${Utils.exceptionString(e)}", Some(e))runningStages -= stagereturn}if (tasks.size > 0) {logInfo("Submitting " + tasks.size + " missing tasks from " + stage + " (" + stage.rdd + ")")stage.pendingPartitions ++= tasks.map(_.partitionId)logDebug("New pending partitions: " + stage.pendingPartitions)//创建TaskSet并提交taskScheduler.submitTasks(new TaskSet(tasks.toArray, stage.id, stage.latestInfo.attemptId, jobId, properties))stage.latestInfo.submissionTime = Some(clock.getTimeMillis())} else {markStageAsFinished(stage, None)val debugString = stage match {case stage: ShuffleMapStage =>s"Stage ${stage} is actually done; " +s"(available: ${stage.isAvailable}," +s"available outputs: ${stage.numAvailableOutputs}," +s"partitions: ${stage.numPartitions})"case stage : ResultStage =>s"Stage ${stage} is actually done; (partitions: ${stage.numPartitions})"}logDebug(debugString)submitWaitingChildStages(stage)}}
- 1
TaskSet保存了Stage包含的一组完全相同的Task,每个Task的处理逻辑完全相同,不同的是处理的数据,每个Task负责一个Partition。
至此,DAGScheduler就完成了它的任务了。接下来一篇博文,我们会从上述代码中的:
taskScheduler.submitTasks(new TaskSet(tasks.toArray, stage.id, stage.latestInfo.attemptId, jobId, properties))
开始讲起,深入理解TaskScheduler的工作过程。
深入理解Spark 2.1 Core (二):DAG调度器的原理与源码分析相关推荐
- 深入理解Spark 2.1 Core (十四):securityManager 类源码分析
securityManager主要用于权限设置,比如在使用yarn作为资源调度框架时,用于生成secret key进行登录.该类默认只用一个实例,所以的app使用同一个实例,下面是该类的所有源代码: ...
- 深入理解Spark 2.1 Core (十二):TimSort 的原理与源码分析
在博文<深入理解Spark 2.1 Core (十):Shuffle Map 端的原理与源码分析 >中我们提到了: 使用Sort等对数据进行排序,其中用到了TimSort 这篇博文我们就来 ...
- 深入理解Spark 2.1 Core (三):任务调度器的原理与源码分析
提交Task 调用栈如下: TaskSchedulerImpl.submitTasks CoarseGrainedSchedulerBackend.reviveOffers CoarseGrained ...
- mybaits二十九:mybatis工作原理以及源码分析
根据配置文件创建SqlSessionFactory SqlSessionFactory sqlSessionFactory = new SqlSessionFactoryBuilder().build ...
- 深入理解Spark 2.1 Core (五):Standalone模式运行的原理与源码分析
概述 前几篇博文都在介绍Spark的调度,这篇博文我们从更加宏观的调度看Spark,讲讲Spark的部署模式.Spark部署模式分以下几种: local 模式 local-cluster 模式 Sta ...
- 深入理解Spark 2.1 Core (七):Standalone模式任务执行的原理与源码分析
这篇博文,我们就来讲讲Executor启动后,是如何在Executor上执行Task的,以及其后续处理. 执行Task 我们在<深入理解Spark 2.1 Core (三):任务调度器的原理与源 ...
- 深入理解Spark 2.1 Core (六):Standalone模式运行的原理与源码分析
我们讲到了如何启动Master和Worker,还讲到了如何回收资源.但是,我们没有将AppClient是如何启动的,其实它们的启动也涉及到了资源是如何调度的.这篇博文,我们就来讲一下AppClient ...
- 深入理解Spark 2.1 Core (十):Shuffle Map 端的原理与源码分析
在上一篇<深入理解Spark 2.1 Core (九):迭代计算和Shuffle的原理与源码分析>提到经过迭代计算后, SortShuffleWriter.write中: // 根据排序方 ...
- 深入理解Spark 2.1 Core (十一):Shuffle Reduce 端的原理与源码分析
我们曾经在<深入理解Spark 2.1 Core (一):RDD的原理与源码分析 >讲解过: 为了有效地实现容错,RDD提供了一种高度受限的共享内存,即RDD是只读的,并且只能通过其他RD ...
最新文章
- ACM题目:救济金发放
- 关于Gitlab若干权限问题
- VNC与RDP的区别
- .NET Core 3.0之深入源码理解Configuration(一)
- 灯泡亮度控制单片机_如何有效保护投影机灯泡 保护投影机灯泡方法【详解】...
- 互联网轻量级框架SSM-查缺补漏第九天
- java printf
- 计算机专业英语课后答案北京理工大学,计算机专业英语
- 数字图像取证:初学者手册
- Win300英雄服务器不显示,win7系统玩不了300英雄的解决方法
- python 爬虫小案例 8684网站爬取北京公交路线站点信息。
- 计算机网络中常用的互联设备,计算机网络的互联技术
- Mac便捷小工具收集
- 嵌入式linux/鸿蒙开发板(IMX6ULL)开发(一) 嵌入式Linux开发基本概念以及开发流程介绍
- 毕设必备!Python智慧教室:考试作弊系统、动态点名等功能
- 前端gitlab-ci打包流水线优化
- JavaScript 简单学习
- linux用rpm包装ftp,linux以rpm方式安装ftp软件
- mysql 如何修改数据库表结构_MySQL数据库如何修改表结构
- 屏幕“眩光”问题或得缓解,科学家研究出类似飞蛾眼睛结构的薄膜
热门文章
- 关于SET和UNORDER_SET
- linux 性能教程,Linux系统下常见性能分析工具的使用
- shell脚本详解(二)——条件测试、if语句和case分支语句
- Android启动外部程序
- 强制生成32位arm程序_ARM版本系列及家族成员梳理
- PHP域名查墙代码,怎么查看域名是否被墙检测(教你一招域名被墙解决办法)
- python mac os安装教程_教程:在 Mac OS X 上安装 TensorFlow
- linux 7 pxe,CentOS 7.6 PXE方式安装和配置
- JAVA单字节读取,java资料读取。(单字节读取和按行读取读取)
- 通达信服务器维修点查询,通达信验证服务器数据库修改