深入理解 Spark（二）SparkApplication 提交和运行源码分析

news2024/9/24 5:33:25

spark 核心流程

在这里插入图片描述

yarn-client

yarn-cluster

在这里插入图片描述

spark 任务调度

spark stage 级别调度

在这里插入图片描述

spark task 级别调度

失败重试和白名单

对于运行失败的 Task，TaskSetManager 会记录它失败的次数，如果失败次数还没有超过最大重试次数，那么就把它放回待调度的 Task 池子中等待重新执行，当重试次数过允许的最大次数，整个 Application失败。在记录 Task 失败次数过程中，TaskSetManager 还会记录它上一次失败所在的 ExecutorId 和 Host，这样下次再调度这个 Task 时，会使用黑名单机制，避免它被调度到上一次失败的节点上，起到一定的容错作用。

spark 的任务提交源码剖析

spark 中 DAG 引擎的设计

在这里插入图片描述

spark 的 runtime 运行环境

在这里插入图片描述

面向 DAG 调度的 DAGScheduler

1、主要作用：维护 waiting jobs 和 active jobs 两个队列，维护 waiting stages、active stages 和 failed stages，以及与 jobs 的映射关系。
2、工作机制：DAGScheduler 拿到一个 JOB, 会切分成多个 Stage，从 job 的后面往前寻找 shuffle 算子。如果找到一个 shuffle 算子，就切开，已经找到的 RDD 的执行链就自成一个 Stage，放入到一个栈中。将来 DAGScheduler 要把这个栈中的每个 stage 拿出来，提交给 TaskScheduler。
3、核心描述

一个 Application = 多个 job
一个 job = 多个 stage，也可以说一个 application = 多个 stage
一个 Stage = 多个同种 task 并行运行
Task 分为 ShuffleMapTask 和 ResultTask
Dependency 分为 ShuffleDependency 宽依赖和 NarrowDependency 窄依赖
面向 stage 的切分，切分依据为宽依赖

面向 Task 调度的 TaskScheduler

TaskScheduler：DAGScheduler 把 Stage 变成 TaskSet，然后交由 TaskScheduler 执行任务分发
1、TaskScheduler 本身是个接口，Spark 里只实现了一个 TaskSchedulerImpl，理论上任务调度可以定制。
2、维护 task 和 executor 对应关系，executor 和物理资源对应关系，在排队的 task 和正在跑的 task。
3、维护内部一个任务队列，根据 FIFO 或 Fair 策略，调度任务。
4、TaskScheduler 有两个重要的成员变量：
（1）DAGScheduler：负责 job 中的 stage 切分，
（2）SchedulerBackend：执行 Task 的分发

SparkContext / SparkSession

无所不包容的一个容器，spark App 在运行过程中的，各种信息都存储在 SparkContext 中。SparkContext / SparkSession 是 Spark Application 运行时上下文对象，包含了很多其他功能组件。
1、SparkContext 是用户通往 Spark 集群的唯一入口，可以用来在 Spark 集群中创建 RDD、累加器 Accumulator 和广播变量 Braodcast Variable，但是你想要的功能，你问他就行。
2、SparkContext 也是整个 Spark 应用程序中至关重要的一个对象，可以说是整个应用程序运行调度的核心(不是指资源调度)
3、SparkContext 在实例化的过程中会初始化 DAGScheduler、TaskScheduler 和 SchedulerBackend
4、SparkContext 会调用 DAGScheduler 将整个 Job 划分成几个小的阶段(Stage)，TaskScheduler 会调度每个 Stage 的任务 (Task) 应该如何处理。另外，SchedulerBackend 管理整个集群中为这个当前的应用分配的计算资源 (Executor)

SparkConf + SparkEnv

SparkConf 是 Spark 中用来管理配置一个的管理类，类似于 Hadoop 中的 Configuration。
SparkEnv 是 Spark Application 在运行的时候，所需要的各种功能组件的一个整合体，类似于 Hadoop 中的 Context。
在这里插入图片描述

Spark Runtime 组件

在这里插入图片描述

Spark Application 应用程序编写规范

1、重点：获取程序编写入口 SparkContext：new SparkContext(sparkConf)（新版本： SparkSession.getOrCreate();）
2、通过 SparkContext 来加载数据源得到数据抽象对象：RDD
3、针对数据抽象对象 RDD 调用各种算子执行各种逻辑计算：lazy，延迟到 action 的内部来执行
4、重点：调用 action 算子触发任务的提交执行：sparkContext.runJob()
5、处理结果并且关闭资源

Spark Application 应用程序执行流程详解

Spark Application 提交执行过程中的消息交互，大致如下：在通过 spark-submit 提交一个 App 运行的时候，其实是执行 SparkSubmit 这个类，启动 Client，在它的内部，启动一个 RPC 客户端。
最容易造成误解的两个概念：

Worker Server Node 一台硬件服务器
Worker JVM Process 一个 Spark 集群的从节点 JVM 守护进程

简单版

在这里插入图片描述

详细版

在这里插入图片描述

01、理解业务，了解 Spark 编程，编写业务代码实现
02、将应用程序项打成 jar 包
03、通过 spark-submit 脚本来提交，在提交的时候，可以指定资源系统类型
04、执行 SparkSubmit 类的 main ()
05、在标准的 Spark Standalone 集群中：转交给 ClientApp 的类来执行，如果是 Spark on yarn，则客户端类是：YarnClusterApplication
06、会在 ClientApp 内部初始化 CLientEndponit（存在于client中） 的组件：发送 RequestSubmitDriver 给 Master
07、Master 处理 RequestSubmitDriver 消息: 注册 Driver, 启动 Driver，返回 SubmitDriverResponse 消息给 ClientApp 的 CLientEndponit
08、启动 Driver： java DriverWrapper 这个类，转到： DriverDrapper main() 方法
09、通过反射的方式启动和执行我们自己写的业务代码的 main() 方法： JavaWordCount.main()
10、自己编写的业务代码中的第一句代码： 初始化 SparkSessoin(SparkConf, SparkContext)
11、初始化 SparkContext： TaskScheduler SchedulerBackend（DriverEndpoint CLientEndpoint） DAGScheduler
12、应用注册：ClientEndpoint 发送 RegisterApplication 消息给 Master, 返回 RegisteredApplication
13、Master 发送消息 LaunchExecutor 给 Worker, 启动 Executor（真正启动的是：ExecutorBackend）
14、Executor 启动了，则初始化一个线程池，等待 Driver 分发任务过来，由线程池执行，Executor 启动好了之后，会向 Driver 注册，同时也会向 Master 反馈
15、当一个 Spark job 的 Driver 和 Executor 都启动好了之后，那么意味着 Spark Context 的初始化就搞定了
16、接下来就是 Action 算子执行，触发 job 的提交：sparkContext.runJob();
17、SparkContext 中的 DAGScheduler 对应用代码构建的 DAG 进行 stage 切分
18、SparkContext 中的 TaskScheduler 对当前 Stage 进行提交执行：发送 LaunchTask 消息给 Executor，在 Executor 中的一个线程中启动一个 Task