文章目录
- 前言
- 基于任务需求进行资源请求的整体过程
- 资源申请的生成过程详解
- 资源申请的生成过程的简单例子
- 资源调度算法的代码解析
- 申请资源以后的处理：Executor的启动或者结束
- 对于新启动的Container的处理
- 对于结束的Container的处理
- 基于资源分配结果进行任务调度
- PendingTask的生成:
- TaskLocation详解
- 根据TaskLocation信息，将Task添加到不同的pendingTask数组中
- 可用的LocationLevel的计算
- 基于Locality的Task调度
- 结语
前言
在TODO这篇文章中，介绍了Spark RPC通信的基本流程。可以看到，Spark中的Driver通过Stage调度生成了物理执行计划，这个物理执行计划包括了所有需要运行的Task，以及，最关键的，这些Task希望运行的节点信息，我们叫做Locality Preference，即本地性偏好。
但是在Yarn的场景下，资源是以Executor(Container)为单位进行调度，整个Container的粒度与Task不一一对应，Container的生命周期与Task不一一对应。在这种场景下，动态资源调度的基本任务就是
- 根据这些Task以及Task的本地性偏好，向Yarn申请Container作为Executor以执行Task；这里最重要的，是在资源申请中表达出对应的Task的位置偏好。
- 在申请完资源以后，根据Task的本地性偏好，将Task调度到申请到的资源上面去。这里最重要的，是尽量满足Task的本地性偏好。
本文将详细讲解这个过程。
对于资源申请算法的基本流程，以及将Task和资源进行匹配的基本流程，本文都用实际例子进行讲解。
基于任务需求进行资源请求的整体过程
向Yarn请求资源是由客户端向ApplicationMaster申请，然后ApplicationMaster向Yarn发起请求的，而不是客户端直接向Yarn申请的。
资源是为了服务于Task的运行，Task的生成显然是Driver端负责的，Driver会根据物理执行计划生成的Task信息发送给ApplicationMaster，ApplicationMaster根据这些Task的相关信息进行资源申请。
ApplicationMaster启动以后，会有一个独立线程不断通过调用YarnAllocator.allocateResources()进行持续的资源更新(查看ApplicationMaster的launchReporterThread()方法)。这里叫资源更新，而不叫资源申请，因为这里的操作包括新的资源的申请，旧的无用的Container的取消，以及Blocklist Node的更新等多种操作。
总而言之，ApplicationMaster作为客户端和Yarn的中间方，其资源申请的方法allocateResource()在逻辑上的功能为：
- 粒度转换: 将Task级别的资源请求，转换为Container(Executor级别的资源请求)。这是一个游戏到粗的粒度的转换。
- 维度转换: Driver发过来的资源请求是资源的最终全局状态，而Yarn 的 API 要求的针对每一个Container进行增量请求。因此，allocateResources()会将Driver发送过来资源请求的最终状态，对比当前系统已经运行、分配未运行、已经发送请求但是还没有分配资源等等已经存在的状态，确定一个发送给Yarn的增量请求状态。这是一个全量到增量的维度的转换。
- 角度转换: Driver发过来的每个Task都带有各自Task的Locality，而发送给Yarn的Container请求又是带有Locality需求的Container需求。这是一个从Task到Container的角度的转换。
ApplicationMaster端的allocateResources()方法的基本流程在代码YarnAllocator.allocateResources()中:
---------------------------------- YarnAllocator ------------------------------------
def allocateResources(): Unit = synchronized {
updateResourceRequests() // 与Yarn进行资源交互
val allocateResponse = amClient.allocate(progressIndicator) // 从Yarn端获取资源结果，包括新分配的、已经结束的等等
val allocatedContainers = allocateResponse.getAllocatedContainers()
handleAllocatedContainers(allocatedContainers.asScala) // 处理新分配的Container
val completedContainers = allocateResponse.getCompletedContainersStatuses() // 处理已经结束的Container
processCompletedContainers(completedContainers.asScala)
}
}
ApplicationMaster端的allocateResources()的基本流程如下图所示:
- 生成资源请求，即将Driver发送过来的全量的、Task粒度的资源请求和Host偏好信息，转换为对Yarn的、以Executor为粒度的资源请求
updateResourceRequests() - 将资源请求发送给Yarn并从Yarn上获取分配结果(基于Yarn的异步调度策略，这次获取的记过并非本次资源请求的分配结果)以进行后续处理：
val allocatedContainers = allocateResponse.getAllocatedContainers() handleAllocatedContainers(allocatedContainers.asScala) val completedContainers = allocateResponse.getCompletedContainersStatuses() processCompletedContainers(completedContainers.asScala)
可以看到，updateResourceRequests()是资源请求的核心方法，它会负责同Yarn进行通信以进行资源请求。
在TODO中，我们也介绍过，生成资源请求，其决策过程发生在方法updateResourceRequests()中。我们主要来看updateResourceRequests()方法：
---------------------------------- YarnAllocator ------------------------------------
def updateResourceRequests(): Unit = {
// 获取已经发送给Yarn但是待分配的ContainerRequest，计算待分配容器请求的数量
// 这些ContainerRequest是之前通过调用amClient.addContainerRequest 发送出去的
val pendingAllocate = getPendingAllocate
val numPendingAllocate = pendingAllocate.size
// 还没有发送请求的executor的数量
val missing = targetNumExecutors - numPendingAllocate -
numExecutorsStarting.get - numExecutorsRunning.get
// 还没有发送给Yarn的资源请求
if (missing > 0) {
/**
* 将待处理的container请求分为三组：本地匹配列表、本地不匹配列表和非本地列表。
*/
val (localRequests, staleRequests, anyHostRequests) = splitPendingAllocationsByLocality(
hostToLocalTaskCounts, pendingAllocate)
// staleRequests 的意思是，ApplicationMaster已经请求了这个Container，
// 但是这个ContainerRequest所要求的hosts里面没有一个是在 hostToLocalTaskCounts (即task所倾向于)中的，因此，需要取消这个Container Request，因为已经没有意义了
// cancel "stale" requests for locations that are no longer needed
staleRequests.foreach { stale =>
amClient.removeContainerRequest(stale)
}
val cancelledContainers = staleRequests.size
// consider the number of new containers and cancelled stale containers available
// 将新的container请求，以及刚刚取消的container，作为available container
val availableContainers = missing + cancelledContainers
// to maximize locality, include requests with no locality preference that can be cancelled
// 在availableContainers的基础上，再算上没有任何locality要求的并且还没有分配成功的container
val potentialContainers = availableContainers + anyHostRequests.size
// LocalityPreferredContainerPlacementStrategy，计算每一个Container 的Node locality和 Rack locality
val containerLocalityPreferences = containerPlacementStrategy.localityOfRequestedContainers(
potentialContainers, numLocalityAwareTasks, hostToLocalTaskCounts,
allocatedHostToContainersMap, localRequests)
val newLocalityRequests = new mutable.ArrayBuffer[ContainerRequest]
// 遍历ContainerLocalityPreferences数组中的每一个ContainerLocalityPreferences
containerLocalityPreferences.foreach {
case ContainerLocalityPreferences(nodes, racks) if nodes != null =>
newLocalityRequests += createContainerRequest(resource, nodes, racks)// 根据获取的locality，重新创建ContainerRequest请求
}
// 除了有locality需求的container以外，还有更多的available container需要被请求，因此对这些container请求也发送出去
if (availableContainers >= newLocalityRequests.size) {
// more containers are available than needed for locality, fill in requests for any host
for (i <- 0 until (availableContainers - newLocalityRequests.size)) {
newLocalityRequests += createContainerRequest(resource, null, null) // 构造ContainerRequest对象
}
} else {
val numToCancel = newLocalityRequests.size - availableContainers
// cancel some requests without locality preferences to schedule more local containers
anyHostRequests.slice(0, numToCancel).foreach { nonLocal =>
amClient.removeContainerRequest(nonLocal)
}
}
} else if (numPendingAllocate > 0 && missing < 0) {
val numToCancel = math.min(numPendingAllocate, -missing)
val matchingRequests = amClient.getMatchingRequests(RM_REQUEST_PRIORITY, ANY_HOST, resource)
matchingRequests.iterator().next().asScala
.take(numToCancel).foreach(amClient.removeContainerRequest)
}
}
其基本过程为：
-
获取当前Pending的request(已经发送给Yarn但是还没有分配Container的请求)，并将这些Pending的请求按照本地性的需求进行切分。这里的基本意图是，当前收到了来自Driver的全局的资源状态信息，而在Yarn上还有一部分之前的资源请求还没有分配Container，那么，会不会这些Pending Requewt中有些Request已经不需要了(满足不了任何一个task的locality需求)？
val (localRequests, staleRequests, anyHostRequests) = splitPendingAllocationsByLocality( hostToLocalTaskCounts, pendingAllocate)切分的过程，就是查看当前在Yarn这一端pending的所有的Container的locality与我们目前需求的所有(全局)的Task的locality的交集:
-------------------------------------- YarnAllocator ---------------------------------- private def splitPendingAllocationsByLocality( hostToLocalTaskCount: Map[String, Int], // 每一个host到希望分配上去的task的数量 pendingAllocations: Seq[ContainerRequest] // 还没有分配出去的ContainerRequest ): (Seq[ContainerRequest], Seq[ContainerRequest], Seq[ContainerRequest]) = { val localityMatched = ArrayBuffer[ContainerRequest]() val localityUnMatched = ArrayBuffer[ContainerRequest]() val localityFree = ArrayBuffer[ContainerRequest]() val preferredHosts = hostToLocalTaskCount.keySet // 将当前已经发送给Yarn但是还没有分配的Container的请求进行切分 pendingAllocations.foreach { cr => val nodes = cr.getNodes // 这个 ContainerRequest 对节点的要求 if (nodes == null) { localityFree += cr // 这个ContainerRequest对nodes没有要求，那么就是对本地性没有要求的Container请求 } else if (nodes.asScala.toSet.intersect(preferredHosts).nonEmpty) { // 这个Container的本地性要求和task期望分配的hosts集合有交集 localityMatched += cr // 把这个ContainerRequest添加到localityMatched的ContainerRequest集合中去 } else { // 这个Container的本地性要求和task期望分配的hosts集合没有交集 localityUnMatched += cr // 把这个ContainerRequest添加到localityMatched的ContainerRequest集合中去 } } // 切分结果 (localRequests, staleRequests, anyHostRequests) (localityMatched.toSeq, localityUnMatched.toSeq, localityFree.toSeq) } }切分过程的具体流程如下图所示:
切分的具体流程为 :
- 如果这个Pending Container没有任何的locality要求，那么就是localityFree Container，即，其实际分配的位置有可能是当前所有tasks所希望的位置，也可能不是，那么这个container就是localityFree container
if (nodes == null) { localityFree += cr // 这个ContainerRequest对nodes没有要求，那么就是对本地性没有要求的Container请求 } - 如果这个Pending Container有locality 要求，并且这个locality的nodes与当前所有tasks有交集，那么这个Pending Container就被划分为localityMatched，显然，这个Pending Container是不应该被取消的；
else if (nodes.asScala.toSet.intersect(preferredHosts).nonEmpty) { // 这个Container的本地性要求和task期望分配的hosts集合有交集 localityMatched += cr // 把这个ContainerRequest添加到localityMatched的ContainerRequest集合中去 } - 如果这个Pending Container有locality要求，但是这个locality中的nodes不在当前所有tasks的locality中的任何一个节点，即这个Pending Container实际分配的位置不可能是任何一个task所倾向于的位置，那么这个Pending Container就是localityUnMatched，显然，localityUnMatched container目前无法放置任何一个task，需要取消掉；
else { // 这个Container的本地性要求和task期望分配的hosts集合没有交集 localityUnMatched += cr // 把这个ContainerRequest添加到localityMatched的ContainerRequest集合中去 }
- 如果这个Pending Container没有任何的locality要求，那么就是localityFree Container，即，其实际分配的位置有可能是当前所有tasks所希望的位置，也可能不是，那么这个container就是localityFree container
-
对于localityUnmatched container，向Yarn发送请求，取消这种Container，这些被取消的Container在后面会重新申请，以便在申请的资源总量不变的情况下增强资源的本地特性:
staleRequests.foreach { stale => amClient.removeContainerRequest(stale) } -
计算总的Container的数量，包括：
- Pending Container中刚刚cancel的container的数量，这些Container刚刚取消了，我们可以再次申请这些Container，但是肯定会增强这些新的资源请求的locality，以最大化我们的Task的locality
- Pending Container中的locality free的Container数量，这些Container可能分配在集群中的任何地方
- 新增(missing)的Container请求，即当前的总的container请求中除去正在运行(已经有task在运行，numExecutorsRunning)和正在启动(已经分配但是还没分配task，numExecutorsStarting)的，再除去所有的pending的container(numPendingAllocate，是从Yarn的API中获取的数量，已经请求但是还没有分配成功的资源)，多出来的Container:
// 还没有发送请求的executor的数量 val missing = targetNumExecutors - numPendingAllocate - numExecutorsStarting.get - numExecutorsRunning.get ..... // consider the number of new containers and cancelled stale containers available // 将新的container请求，以及刚刚取消的container，作为available container val availableContainers = missing + cancelledContainers // to maximize locality, include requests with no locality preference that can be cancelled // 在availableContainers的基础上，再算上没有任何locality要求的并且还没有分配成功的container val potentialContainers = availableContainers + anyHostRequests.size在这里，
val availableContainers = missing + cancelledContainers，即available container代表这次可以增量申请的最大的container数量，包括了这次的额外需求，以及刚刚取消的container(取消的container可以重新申请) -
构建Container请求。这里会根据LocalityPreferredContainerPlacementStrategy的localityOfRequestedContainers来构建Container请求，返回Array[ContainerLocalityPreferences]，每一个ContainerLocalityPreferences代表了一个带有对应host和rack信息的Container请求:
val containerLocalityPreferences = containerPlacementStrategy.localityOfRequestedContainers( potentialContainers, numLocalityAwareTasks, hostToLocalTaskCounts, allocatedHostToContainersMap, localRequests) -
根据ContainerLocalityPreferences，转换成Yarn的 ContainerRequest
containerLocalityPreferences.foreach { case ContainerLocalityPreferences(nodes, racks) if nodes != null => newLocalityRequests += createContainerRequest(resource, nodes, racks)// 根据获取的locality，重新创建ContainerRequest请求 case _ => } -
如果可以申请的Container(available container)的数量大于刚刚计算完locality的Container数量，那么，为了将申请配额用尽，就再申请其相差的部分Container， 保证申请的Container的数量不小于Available Container的数量。
if (availableContainers >= newLocalityRequests.size) { // more containers are available than needed for locality, fill in requests for any host for (i <- 0 until (availableContainers - newLocalityRequests.size)) { newLocalityRequests += createContainerRequest(resource, null, null) // 构造ContainerRequest对象 } } -
如果可以申请的Container(available container)的数量小于刚刚计算完locality的Container数量，那么需要取消一部分container:
else { val numToCancel = newLocalityRequests.size - availableContainers // cancel some requests without locality preferences to schedule more local containers anyHostRequests.slice(0, numToCancel).foreach { nonLocal => amClient.removeContainerRequest(nonLocal) } -
调用Yarn的标准接口addContainerRequest()，将ContainerRequest发送给Yarn(其实这个接口并不会真正将请求发送出去，只会存放在RMAMClient端，真正发送是通过allocate()接口)：
newLocalityRequests.foreach { request => amClient.addContainerRequest(request) } // 在这里发送container的请求，从日志来看，资源请求已经发出来了，Yarn已经处理了
所以，从上面可以看到，最关键的方法是LocalityPreferredContainerPlacementStrategy.localityOfRequestedContainers()方法，它根据当前的已有信息(总共的Container需求，有locality需求的task的数量，这些locality分布在每一个task上的数量等)，生成一个Array[ContainerLocalityPreferences]数组，数组中的每一个元素代表了一个Container的需求，并包含了其locality的要求信息，然后基于生成的ContainerLocalityPreferences经过转换成ContainerRequest，发送给Yarn。
资源申请的生成过程详解
资源申请的生成，就是根据当前集群运行的基本情况，Task的基本需求，生成Yarn上的资源请求的过程。
资源申请的生成过程的简单例子
在了解其具体实现以前，我们以具体例子的方式，看一下localityOfRequestedContainers()方法的基本实现逻辑，从而对其动机和达成的效果有一个很好的理解，然后，我们再看其实现细节。
-
从任务调度去看，看到的是Task以及每个 Task的Locality倾向。比如，现在我们一共需要为30个Task分配资源，其中，20个Task的locality倾向为Host1,Host2,Host3，10个Task的Locality倾向为Host1, Host2, Host4， 因此，对应到每个Host上的Task权重如下表所示：
Host 1 Host 2 Host 3 Host 4 20 Tasks 20 20 20 10 Tasks 10 10 10 Sum of Tasks 30 30 20 10 即，20个Task希望分配在Host1,Host2,Host3中的任何一个，有10个Task希望分配在Host1, Host2, Host4中的任何一个。如上表所示，综合来看，所有Task在四台机器上分配的权重是
(30, 30, 20,10)。 -
假设一个Task需要的vCore是1，而一个Container(Executor)有2个vCore，因此，转换成Container以后的结果如下表所示：
Host 1 Host 2 Host 3 Host 4 20 Tasks 20 20 20 10 Tasks 10 10 10 Sum of Tasks 30 30 20 10 Sum of Containers 15 15 10 5 上面的Sum of Containers的数字只是表示一个比例值，并不表示对应的Host上实际需要申请的Container的数量，我们实际需要的总的Container数量才15个。那么，这15个Container需求平均到每台Host上是多少呢？
-
比如Host 1的Sum of Container 为15， 所有Host的Sum of Container 是45，因此占比是1/3，所以平均下来分配到Host1上的Container数量应该是
15 * 1/3 = 5。经过向上取整(宁可稍微多分配也不要少分配)以后，每台机器所平均到的15个Container需求是:Host 1 Host 2 Host 3 Host 4 20 Tasks 20 20 20 10 Tasks 10 10 10 Sum of Tasks 30 30 20 10 Sum of Containers 15 15 10 5 Allocated Container Target 5 5 4 2 -
在这里，计算完总的Allocated Container Target以后，需要减去当前已经在该Host上已经存在(正在运行或者在这个Host上pending的Container)，因为我们最终发送给Yarn的Container请求是增量请求。假设现在在每一个Host上已经存在的Container数量都是1，即15个Container中有4个Container是已经分配的，那么，减去已经存在的Container数量以后的结果如下表所示，所以，我们需要新申请12个Container:
Host 1 Host 2 Host 3 Host 4 20 Tasks 20 20 20 10 Tasks 10 10 10 Sum of Tasks 30 30 20 10 Sum of Containers 15 15 12 6 Allocated Container Target 5 5 4 2 Newly Allocated Container 4 4 3 1 -
将每个Host的Newly Allocated Container按照比例进行缩放，保证比例最大的那个Host(这里是Host1 和 Host 2)的比例值是需要新申请的Container的数量。在这里，扩大因子应该是
12(Container的总数量)/4(比例最大的Host的Average Allocated Container) = 3:Host 1 Host 2 Host 3 Host 4 20 Tasks 20 20 20 10 Tasks 10 10 10 Sum of Tasks 30 30 20 10 Sum of Containers 15 15 10 5 Allocated Container Target 5 5 4 2 Newly Allocated Container 4 4 3 1 Round Up 12 12 9 3 -
开始发起资源请求。每一个Container请求的Locality中包含的Host如下表所示：
Host 1 Host 2 Host 3 Host 3 3 Containers ✔ ✔ ✔ ✔ 6 Containers ✔ ✔ ✔ 3 Containers ✔ ✔ 其含义是：
- 3个Container请求的Locality是
[Host1, Host2, Host3, Host4]，即请求Yarn分配3个Container，并且尽量将它们分配在这4个Hosts中。此时剩下的Host比例为[9:9:6:0] - 6个Container请求的Locality是
[Host1, Host2, Host3]，即请求Yarn分配6个Container，并且尽量将它们分配在这3个Hosts中，此时剩下的Host中container比例为[3:3:0] - 3个Container请求的Locality是
[Host1, Host2]，即请求Yarn分配3个Container，并且尽量将它们分配在这2个Hosts中
这样，所有Host的Container比例就是
12:12:9:3，平均到12个需分配的Container以后的比例是4:4:3:1，再加上已经分配在每个host上的1个Container，那么总的Container在每个Host上的比例就是5:5:4:2，这个比例和我们直接根据每个Host的task比例折算成的Container的比例15:15:10:5是大致相近的。
到了这里，我们可以理解了，为什么我们需要在 步骤5 做Round Up操作，并且Round Up的目标是将目前比例值最大的Host的比例值扩大为当前Container需求的最大值? 因为在步骤6中生成Container请求的时候，比例值最大的Host的比例值肯定是等于需要申请的Container数量的。 - 3个Container请求的Locality是
资源调度算法的代码解析
上面以实际例子解释了Spark将当前的Task的Locality需求信息转换成Yarn的资源请求的细节。下面，我们结合代码，详细看一下localityOfRequestedContainers()方法的实现细节：
def localityOfRequestedContainers(
numContainer: Int, // 需要进行计算的container的数量，包括missing的，cancel掉的(本地性不符合任何task要求的pending container)，以及对本地性没有要求的pending的container
numLocalityAwareTasks: Int, // 对locality有要求的task的数量，这个是Driver端通过stageIdToExecutorPlacementHints计算然后通过RequestExecutor传递过来的
hostToLocalTaskCount: Map[String, Int], // 在Stage提交了以后，这个map里面保存了从host到期望分配到这个host的task的数量，这个是Driver端通过stageIdToExecutorPlacementHints传递过来的
allocatedHostToContainersMap: HashMap[String, Set[ContainerId]], // 已经launch起来的host -> container的映射关系
localityMatchedPendingAllocations: Seq[ContainerRequest] // 对本地性有要求的pending的container
): Array[ContainerLocalityPreferences] = {
// 预期的从host到期望在上面再launch的新的container数量的映射关系
val updatedHostToContainerCount = expectedHostToContainerCount(
numLocalityAwareTasks, hostToLocalTaskCount, allocatedHostToContainersMap,
localityMatchedPendingAllocations)
// 希望再launch的所有Host上的container的数量之和，在这里的例子中，是15
val updatedLocalityAwareContainerNum = updatedHostToContainerCount.values.sum
// The number of containers to allocate, divided into two groups, one with preferred locality,
// and the other without locality preference.
// 没有locality需求的container的数量
val requiredLocalityFreeContainerNum =
math.max(0, numContainer - updatedLocalityAwareContainerNum)
// 有locality需求的container的数量
val requiredLocalityAwareContainerNum = numContainer - requiredLocalityFreeContainerNum
val containerLocalityPreferences = ArrayBuffer[ContainerLocalityPreferences]()
if (requiredLocalityFreeContainerNum > 0) { // 如果有container是没有locality需求的
for (i <- 0 until requiredLocalityFreeContainerNum) {
containerLocalityPreferences += ContainerLocalityPreferences( // 为这些没有locality需求的container一一创建container需求
null.asInstanceOf[Array[String]], null.asInstanceOf[Array[String]])
}
}
if (requiredLocalityAwareContainerNum > 0) { // 如果有container有locality需求
val largestRatio = updatedHostToContainerCount.values.max // 全局的所有host中最大的container数量
// Round the ratio of preferred locality to the number of locality required container
// number, which is used for locality preferred host calculating.
var preferredLocalityRatio = updatedHostToContainerCount.map { case(k, ratio) =>
val adjustedRatio = ratio.toDouble * requiredLocalityAwareContainerNum / largestRatio
(k, adjustedRatio.ceil.toInt) // 往上取整
}
// 每个有locality需求的的Container request，为他们确定对应的hosts和rack
for (i <- 0 until requiredLocalityAwareContainerNum) {
// Only filter out the ratio which is larger than 0, which means the current host can
// still be allocated with new container request.
val hosts = preferredLocalityRatio.filter(_._2 > 0).keys.toArray // 还有container可以分配的一个或者多个hosts
val racks = hosts.map { h =>
resolver.resolve(yarnConf, h) // 解析这些host所在的rack
}.toSet
// 每一个ContainerLocalityPreferences代表一个Container
containerLocalityPreferences += ContainerLocalityPreferences(hosts, racks.toArray)
// Minus 1 each time when the host is used. When the current ratio is 0,
// which means all the required ratio is satisfied, this host will not be allocated again.
preferredLocalityRatio = preferredLocalityRatio.map { case (k, v) => (k, v - 1) }
}
}
// containerLocalityPreferences中的每一项都会变成一个新的Container Request
containerLocalityPreferences.toArray
}
其参数的基本含义是：
-
numContainer: Int需要进行计算的Container的数量，即可能进行分配的Container数量，包括Miss的container(还没有申请的Container)，Cancel掉的(本地性不符合任何task要求，因此已经从Yarn上取消的pending container)。同时，还包括Pending Container中对本地性没有要求的Container，这一部分Container也是我们重新申请的对象，以最大化Locality。上文讲到过的updateResourceRequests()方法中的potentialContainers就是传入到该方法的numContainers参数：// 将新的container请求，以及刚刚取消的container，作为available container val availableContainers = missing + cancelledContainers // to maximize locality, include requests with no locality preference that can be cancelled // 在availableContainers的基础上，再算上没有任何locality要求的并且还没有分配成功的container val potentialContainers = availableContainers + anyHostRequests.size -
numLocalityAwareTasks: Int对locality有要求的task的数量，这个是Driver端通过对stageIdToExecutorPlacementHints计算然后通过RequestExecutor传递过来的数值。已经说过，这是此时的全局状态量，而不是一个增量； -
hostToLocalTaskCount: Map[String, Int]在Stage提交了以后，这个map里面保存了从host到期望分配到这个host的task的数量，这个是Driver端通过stageIdToExecutorPlacementHints传递过来的，具体过程是：-
在Driver端，ExecutorAllocationManager的onStageSubmitted回调中，会将这个Stage的task preference存放在stageIdToExecutorPlacementHints中。
----------------------------------------- ExecutorAllocationManager ---------------------------------------- override def onStageSubmitted(stageSubmitted: SparkListenerStageSubmitted): Unit = { ..... // 计算这个stage在每一个host上的task数量 // Compute the number of tasks requested by the stage on each host var numTasksPending = 0 val hostToLocalTaskCountPerStage = new mutable.HashMap[String, Int]() stageSubmitted.stageInfo.taskLocalityPreferences.foreach { locality => // 对于每一个task的prefered location的list numTasksPending += 1 // 对于这个task的每一个 preferred location locality.foreach { location => // 对于这个locality中的每一个location // 这个host上的task的数量+1 val count = hostToLocalTaskCountPerStage.getOrElse(location.host, 0) + 1 hostToLocalTaskCountPerStage(location.host) = count } } // 这个map的key是stage id，value是一个元组，记录了这个stage的pending的task的数量，以及从host到task count的map信息 stageIdToExecutorPlacementHints.put(stageId, (numTasksPending, hostToLocalTaskCountPerStage.toMap)) updateExecutorPlacementHints() -
随后，ExecutorAllocationManager会有线程不断将这些信息通过RequestExecutors发送给远程的ApplicationMaster：
def start(): Unit = { listenerBus.addToManagementQueue(listener) val scheduleTask = new Runnable() { override def run(): Unit = { schedule() // 这里会根据需要更新numExecutorsTarget的数量，也会调用 } } executor.scheduleWithFixedDelay(scheduleTask, 0, intervalMillis, TimeUnit.MILLISECONDS) client.requestTotalExecutors(numExecutorsTarget, localityAwareTasks, hostToLocalTaskCount) }
-
-
allocatedHostToContainersMap: HashMap[String, Set[ContainerId]]已经launch起来的host -> container的映射关系。这是updateResource()方法每次通过Yarn的标准API allocate()向Yarn询问以后获取的结果。我们说过，allocate()接口用来向Yarn发送本次的资源请求，并返回当前Yarn为这个Application分配的Container的结果。由于Yarn端的资源分配是异步分配，因此allocate()返回的结果并非是这次请求的资源的分配结果，而是两次相邻的allocate()请求发生之间的新产生的资源分配结果； -
localityMatchedPendingAllocations: Seq[ContainerRequest]对本地性有要求的pending的container，其在方法splitPendingAllocationsByLocality()中对Pending的Container的Locality状态进行切分后，那些与当前请求的Task的Locality有交集的Pending Container将作为已经存在的Container，整个资源请求的目标，是使得新申请的Container和已经分配的Container加起来，其资源倾向和所有Task的统计倾向尽量匹配，从而最大程度满足Task的本地性需求。
localityOfRequestedContainers()算法的基本过程为：
-
计算每一个Host上应该新分配的Container的数量的预期值。由于是新分配的Container的预期值，因此需要先根据每个Host上的预期存在的Container的总的数量，减去该Host上已经存在的Container：
val updatedHostToContainerCount = expectedHostToContainerCount( numLocalityAwareTasks, hostToLocalTaskCount, allocatedHostToContainersMap, localityMatchedPendingAllocations)这里的计算，就是完成下表中从Sum of Tasks(每个机器上分配到的Task的比例) 到 Sum of Containers (每个机器上分配的Container的比例)的转换，然后根据Sum of Containers 减去每台机器上已经分配的Container，就得到了Average Allocated Container Total(每台机器上应该新分配的Container的数量)：
Host 1 Host 2 Host 3 Host 4 20 Tasks 20 20 20 10 Tasks 10 10 10 Sum of Tasks 30 30 20 10 Sum of Containers 15 15 12 6 Allocated Container Target 5 5 4 2 Newly-Allocated Container 4 4 3 1 -
根据上面计算的分配结果，统计没有locality需求的Container的总数量和有locality需求的Container数量：
// 希望再launch的所有Host上的container的数量之和，在这里的例子中，是15 val updatedLocalityAwareContainerNum = updatedHostToContainerCount.values.sum // The number of containers to allocate, divided into two groups, one with preferred locality, // and the other without locality preference. // 没有locality需求的container的数量 val requiredLocalityFreeContainerNum = math.max(0, numContainer - updatedLocalityAwareContainerNum) // 有locality需求的container的数量 val requiredLocalityAwareContainerNum = numContainer - requiredLocalityFreeContainerNum -
先为 没有locality需求的Container 构造ContainerLocalityPreferences，每一个ContainerLocalityPreferences对象对应了一个Container请求和这个请求的Locality需求。可以看到，这种没有Locality需求的Container的Host 偏好和Rack 偏好都是空的：
val containerLocalityPreferences = ArrayBuffer[ContainerLocalityPreferences]() if (requiredLocalityFreeContainerNum > 0) { // 如果有container是没有locality需求的 for (i <- 0 until requiredLocalityFreeContainerNum) { containerLocalityPreferences += ContainerLocalityPreferences( // 为这些没有locality需求的container一一创建container需求 null.asInstanceOf[Array[String]], null.asInstanceOf[Array[String]]) } } -
为 有locality需求的Container 构造ContainerLocalityPreferences对象，每一个ContainerLocalityPreferences对象封装了这个Container请求和这个请求的Locality需求：
4.1 这里需要完成比较难以理解的Container请求的比例放大，保证比例最大的那个Host(这里是Host1 和 Host 2)的比例值是需要申请的Container的数量，以满足随后为每一个Container构造其Locality信息的过程：
var preferredLocalityRatio = updatedHostToContainerCount.map { case(k, ratio) => val adjustedRatio = ratio.toDouble * requiredLocalityAwareContainerNum / largestRatio (k, adjustedRatio.ceil.toInt) // 往上取整 }如下图所示，这里就是完成Round Up 这一步骤，将需要新分配的Container数量成比例放大，保证Container比例最大的Host（这里是Host1 和 Host 2）放大以后的值刚好等于需要分配的有Locality Preference 的 Container的总数量。
Host 1 Host 2 Host 3 Host 4 20 Tasks 20 20 20 10 Tasks 10 10 10 Sum of Tasks 30 30 20 10 Sum of Containers 15 15 10 5 Allocated Container Target 5 5 4 2 Newly Allocated Container 4 4 3 1 Round Up 12 12 9 3 4.2 放大完成以后，开始进行分配。
当前有12 个Container需要分配，每一个Host的分配比例为(12,12,9,3)。分配过程上文已经经过，其代码如下：// 每个有locality需求的的Container request，为他们确定对应的hosts和rack for (i <- 0 until requiredLocalityAwareContainerNum) { // Only filter out the ratio which is larger than 0, which means the current host can // still be allocated with new container request. val hosts = preferredLocalityRatio.filter(_._2 > 0).keys.toArray // 还有container可以分配的一个或者多个hosts val racks = hosts.map { h => resolver.resolve(yarnConf, h) // 解析这些host所在的rack }.toSet // 每一个ContainerLocalityPreferences代表一个Container containerLocalityPreferences += ContainerLocalityPreferences(hosts, racks.toArray) // Minus 1 each time when the host is used. When the current ratio is 0, // which means all the required ratio is satisfied, this host will not be allocated again. preferredLocalityRatio = preferredLocalityRatio.map { case (k, v) => (k, v - 1) } }
申请资源以后的处理：Executor的启动或者结束
上面讲过，资源调度的入口方法allocateResources()会通过updateResourceRequests()来计算所需资源并向Yarn进行资源的更新，包括申请新的资源、释放无用的资源等：
def allocateResources(): Unit = synchronized {
updateResourceRequests() //
val allocateResponse = amClient.allocate(progressIndicator)
val allocatedContainers = allocateResponse.getAllocatedContainers()
handleAllocatedContainers(allocatedContainers.asScala)
val completedContainers = allocateResponse.getCompletedContainersStatuses()
processCompletedContainers(completedContainers.asScala)
}
}
通过调用Yarn的标准API allocate()，获取了资源分配的结果。再次强调，Yarn这一端的资源调度是异步调度，因此这个资源分配的结果并不是刚刚通过addContainerRequest()进行资源申请的结果，只是调用者在两次调用allocate() API的之间Yarn对于这个Application的新的资源分配结果。拿到了分配的Container，Spark就可以将Executor启动起来了(注意，是启动一个空的Executor，不是启动Task)。启动起来的Executor随后就会向DriverEndpoint注册自己，通信的详细过程参考TODO。这里不再赘述。
对分配结果的处理，主要是处理已经分配的Container以及已经运行结束的Container:
val allocatedContainers = allocateResponse.getAllocatedContainers()
handleAllocatedContainers(allocatedContainers.asScala)
val completedContainers = allocateResponse.getCompletedContainersStatuses()
processCompletedContainers(completedContainers.asScala)
- 对于已经分配的Container，需要从Yarn的AMRMClient中将对应的资源请求删除，避免对同一个资源进行多次重复申请，然后启动对应的Executor。
- 对于已经完成的Container，需要根据Container的退出状态，记录相关日志，同时，需要向Driver发送RemoveExecutor消息告知Driver这个Container的结束，Driver端会进行相关状态的维护。
对于新启动的Container的处理
对于一个刚刚分配成功的Container，其处理工作主要包括两个
- 一是从AMRMClient中将对应的资源请求删除，避免同一资源请求的Container被重复申请；
- 然后，在远程的NodeManager节点上启动Container。
这些过程在方法handleAllocatedContainers()中进行：
--------------------------------- YarnAllocator --------------------------------------
def handleAllocatedContainers(allocatedContainers: Seq[Container]): Unit = {
val containersToUse = new ArrayBuffer[Container](allocatedContainers.size)
// 先处理Host Match的Container
val remainingAfterHostMatches = new ArrayBuffer[Container]
for (allocatedContainer <- allocatedContainers) {
matchContainerToRequest(allocatedContainer, allocatedContainer.getNodeId.getHost,
containersToUse, remainingAfterHostMatches)
}
// 处理Host Match以后剩余的Container
val remainingAfterRackMatches = new ArrayBuffer[Container]
for (allocatedContainer <- remainingAfterHostMatches) {
val rack = resolver.resolve(conf, allocatedContainer.getNodeId.getHost)
matchContainerToRequest(allocatedContainer, rack, containersToUse,
remainingAfterRackMatches)
}
// 处理Host Match和Rack Match以后剩余的Container
val remainingAfterOffRackMatches = new ArrayBuffer[Container]
for (allocatedContainer <- remainingAfterRackMatches) {
matchContainerToRequest(allocatedContainer, ANY_HOST, containersToUse,
remainingAfterOffRackMatches)
}
// 在Host Match，Rack Match，以及ANY_HOST Match以后，依然还有剩余的Container，这只能是Bug
if (!remainingAfterOffRackMatches.isEmpty) {
for (container <- remainingAfterOffRackMatches) {
internalReleaseContainer(container)
}
}
/**
* 在这里会打印 Launching container container_1714042499037_5294_01_000002 on host
*/
runAllocatedContainers(containersToUse)
}
- 遍历每一个分配的Container，在AMRMClient端找到跟这个Container所在的机器相匹配的资源请求，将这个资源请求AMRMClient中删除。这个删除操作并不会和远程的ResourceManager通信，因为这些资源请求都通过addContainerRequest() API被AMRMClient保存在本地然后通过allocate() API发送给远程的RM的。因此对应请求的删除是在AMRMClient的本地进行的:
其中，val remainingAfterHostMatches = new ArrayBuffer[Container] for (allocatedContainer <- allocatedContainers) { matchContainerToRequest(allocatedContainer, allocatedContainer.getNodeId.getHost, containersToUse, remainingAfterHostMatches) }matchContainerToRequest()方法就是根据这个分配成功的Container的特性(Priority，VCore， CPU，Host Location)，从AMRMClient中删除对应的ResourceRequest。未删除的Container保存在参数remainingAfterHostMatches中：--------------------------------- YarnAllocator -------------------------------------- private def matchContainerToRequest( allocatedContainer: Container, location: String, containersToUse: ArrayBuffer[Container], remaining: ArrayBuffer[Container]): Unit = { // 这个Container的资源特性 val matchingResource = Resource.newInstance(allocatedContainer.getResource.getMemory, resource.getVirtualCores) // 以Priority，Resource(VCore, Memory)，location作为ID，删除这个Container对应的资源请求 val matchingRequests = amClient.getMatchingRequests(allocatedContainer.getPriority, location, matchingResource) if (!matchingRequests.isEmpty) { // 匹配成功 val containerRequest = matchingRequests.get(0).iterator.next amClient.removeContainerRequest(containerRequest) // 从AMRMClient中删除 containersToUse += allocatedContainer } else { remaining += allocatedContainer // 未匹配的Container放入remaining，接着进行其他匹配 } } - 遍历剩下的在Host级别没有匹配成功的剩余的Container，在Rack级别进行Container和ResourceRequest 的匹配，并将匹配不成功的Container保存在remainingAfterRackMatches中：
val remainingAfterRackMatches = new ArrayBuffer[Container] for (allocatedContainer <- remainingAfterHostMatches) { /** * SparkRackResolver. */ val rack = resolver.resolve(conf, allocatedContainer.getNodeId.getHost) matchContainerToRequest(allocatedContainer, rack, containersToUse, remainingAfterRackMatches) } - 遍历剩下的在Rack级别没有匹配成功的剩余的Container，在ANY_HOST(忽略本地偏好)级别进行Container和ResourceRequest 的匹配(这种ResourceRequest是那种没有Locality需求的ResourceRequest)，并将匹配不成功的Container保存在remainingAfterRackMatches
// Assign remaining that are neither node-local nor rack-local val remainingAfterOffRackMatches = new ArrayBuffer[Container] for (allocatedContainer <- remainingAfterRackMatches) { matchContainerToRequest(allocatedContainer, ANY_HOST, containersToUse, remainingAfterOffRackMatches) } - 如果有的已经分配的Container无论是Host、Rack还是ANY_HOST偏好都没有在AMRMClient本地找到他们匹配的资源请求(注释中说，这是由于Yarn本身的竞争导致的bug)，那么释放这些Container:
if (!remainingAfterOffRackMatches.isEmpty) { for (container <- remainingAfterOffRackMatches) { internalReleaseContainer(container) } } - 资源请求释放完毕以后，通过方法
runAllocatedContainers()逐个启动每一个Container。
5.1 在线程池中启动一个ExecutorRunnable。ExecutorRunnable会负责和NodeManager进行通信，在对应节点上将Container启动起来；---------------------------------- YarnAllocator ---------------------------------------- private def runAllocatedContainers(containersToUse: ArrayBuffer[Container]): Unit = { for (container <- containersToUse) { // 对于已经allocate并且资源已经匹配的container executorIdCounter += 1 val executorHostname = container.getNodeId.getHost val containerId = container.getId val executorId = executorIdCounter.toString // 分配executorId def updateInternalState(): Unit = synchronized { numExecutorsRunning.incrementAndGet() numExecutorsStarting.decrementAndGet() executorIdToContainer(executorId) = container // executor 和 container的映射关系 containerIdToExecutorId(container.getId) = executorId // container 和 executor 的映射关系 /** * Container launch起来以后，更新allocatedHostToContainersMap */ val containerSet = allocatedHostToContainersMap.getOrElseUpdate(executorHostname, new HashSet[ContainerId]) containerSet += containerId allocatedContainerToHostMap.put(containerId, executorHostname) } numExecutorsStarting.incrementAndGet() launcherPool.execute(new Runnable { override def run(): Unit = { try { new ExecutorRunnable( ........ ).run() // 运行ExecutorRunnable，用来和NodeManager通信来启动Container updateInternalState() } }) } }
5.2 在ExecutorRunnable启动以后，由于新的Container的加入，更新相关元数据信息，包括executor -> container，container -> executor， container -> host， host -> container的映射关系，这是通过内部方法updateInternalState()来负责的：launcherPool.execute(new Runnable { override def run(): Unit = { try { new ExecutorRunnable( Some(container), conf, sparkConf, driverUrl, executorId, executorHostname, executorMemory, executorCores, appAttemptId.getApplicationId.toString, securityMgr, localResources ).run()---------------------------------- YarnAllocator ---------------------------------------- def updateInternalState(): Unit = synchronized { numExecutorsRunning.incrementAndGet() numExecutorsStarting.decrementAndGet() executorIdToContainer(executorId) = container // executor 和 container的映射关系 containerIdToExecutorId(container.getId) = executorId // container 和 executor 的映射关系 /** * Container launch起来以后，更新allocatedHostToContainersMap */ val containerSet = allocatedHostToContainersMap.getOrElseUpdate(executorHostname, new HashSet[ContainerId]) containerSet += containerId allocatedContainerToHostMap.put(containerId, executorHostname) }
对于结束的Container的处理
对于结束的Container的处理在方法processCompletedContainers()中进行：
---------------------------------- YarnAllocator ----------------------------------------
private[yarn] def processCompletedContainers(completedContainers: Seq[ContainerStatus]): Unit = {
for (completedContainer <- completedContainers) {
val containerId = completedContainer.getContainerId
val alreadyReleased = releasedContainers.remove(containerId) // alreadyReleased记录这个Container是否已经被释放
val hostOpt = allocatedContainerToHostMap.get(containerId)
val onHostStr = hostOpt.map(host => s" on host: $host").getOrElse("")
val exitReason = if (!alreadyReleased) { // 这个Container还没有释放，那么走释放流程
// Decrement the number of executors running. The next iteration of
// the ApplicationMaster's reporting thread will take care of allocating.
numExecutorsRunning.decrementAndGet()
// Hadoop 2.2.X added a ContainerExitStatus we should switch to use
// there are some exit status' we shouldn't necessarily count against us, but for
// now I think its ok as none of the containers are expected to exit.
val exitStatus = completedContainer.getExitStatus
val (exitCausedByApp, containerExitReason) = exitStatus match {
case ContainerExitStatus.SUCCESS =>
.....
case ContainerExitStatus.PREEMPTED =>
....
case VMEM_EXCEEDED_EXIT_CODE =>
....
case PMEM_EXCEEDED_EXIT_CODE =>
....
}
if (exitCausedByApp) {
logWarning(containerExitReason)
} else {
logInfo(containerExitReason)
}
ExecutorExited(exitStatus, exitCausedByApp, containerExitReason)
} else {
// 如果我们释放了这个Container，那么说明一定是Driver直接通过 killExecutor
// 释放掉了这个Container，而不是它自行结束
ExecutorExited(completedContainer.getExitStatus, exitCausedByApp = false,
s"Container $containerId exited from explicit termination request.")
}
// 解除host -> container 以及 container -> host mapping
for {
host <- hostOpt // 这个Container对应的Host
containerSet <- allocatedHostToContainersMap.get(host) // 这个Container对应的Host上的所有container
} {
containerSet.remove(containerId) // 删除这个container
if (containerSet.isEmpty) { // 这个container是这个host上的最后一个container
allocatedHostToContainersMap.remove(host) // 删除host
} else {
allocatedHostToContainersMap.update(host, containerSet)
}
allocatedContainerToHostMap.remove(containerId) // 解除container -> host map
}
// 解除container -> executor mapping
containerIdToExecutorId.remove(containerId).foreach { eid =>
executorIdToContainer.remove(eid)
....
if (!alreadyReleased) {
// The executor could have gone away (like no route to host, node failure, etc)
// Notify backend about the failure of the executor
numUnexpectedContainerRelease += 1
driverRef.send(RemoveExecutor(eid, exitReason))
}
}
}
}
可以看到，方法processCompletedContainers()会遍历Yarn返回的每一个Completed(注意，Completed只是代表Container运行结束，但是运行结果可能是Succeed可能是Fail)，然后逐个处理：
-
如果Container此时并没有被释放，说明Container是自行结束，而不是Driver所杀死的。根据Container的退出状态和退出原因，打印日志：
val alreadyReleased = releasedContainers.remove(containerId) // alreadyReleased记录这个Container是否已经被释放 val exitReason = if (!alreadyReleased) { val alreadyReleased = releasedContainers.remove(containerId) // alreadyReleased记录这个Container是否已经被释放 val exitStatus = completedContainer.getExitStatus val (exitCausedByApp, containerExitReason) = exitStatus match { case ContainerExitStatus.SUCCESS => ..... case ContainerExitStatus.PREEMPTED => .... case VMEM_EXCEEDED_EXIT_CODE => .... case PMEM_EXCEEDED_EXIT_CODE => .... } if (exitCausedByApp) { logWarning(containerExitReason) } else { logInfo(containerExitReason) } } -
如果我们发现这个Container已经在ReleasedContainer中存在，说明只能是Driver通过KillExecutor的方式将Container给Release了，而不是Container自行退出：
// 如果我们释放了这个Container，那么说明一定是Driver直接通过 killExecutor // 释放掉了这个Container，而不是它自行结束 ExecutorExited(completedContainer.getExitStatus, exitCausedByApp = false, s"Container $containerId exited from explicit termination request.")如果是Driver杀死了Executor，Driver会向AMEndpoint发送KillExecutor消息，AMEndpoint会将这个Executor从其维护的元数据信息中删除，将这个Kill掉的Executor的Container添加到
releasedContainers中，同时通过AMRMClient向Yarn发送释放container的请求：def killExecutor(executorId: String): Unit = synchronized { val container = executorIdToContainer.get(executorId).get internalReleaseContainer(container) numExecutorsRunning.decrementAndGet() } private def internalReleaseContainer(container: Container): Unit = { releasedContainers.add(container.getId()) // 将这个Container从releasedContainer中删除 amClient.releaseAssignedContainer(container.getId()) // 向Yarn发送释放Container的请求 } -
删除这个Container和Host之间的映射关系，包括Host -> Container的映射关系以及反向的Container-> Host的映射关系
for { host <- hostOpt // 这个Container所在的Hosts containerSet <- allocatedHostToContainersMap.get(host) // 这个Host上的所有Container } { containerSet.remove(containerId) if (containerSet.isEmpty) { allocatedHostToContainersMap.remove(host) } else { allocatedHostToContainersMap.update(host, containerSet) } allocatedContainerToHostMap.remove(containerId) } -
删除Container和Executor之间的映射关系，同时，如果不是Driver主动release的这个container，那么会向Driver发送RemoveExecutor消息
containerIdToExecutorId.remove(containerId).foreach { eid => executorIdToContainer.remove(eid) ........ if (!alreadyReleased) { // 这个Container不是Driver自行释放的，那么需要像Driver汇报一个RemoveExecutor消息 driverRef.send(RemoveExecutor(eid, exitReason)) }
基于资源分配结果进行任务调度
上面讲到对于新分配的Container的处理，在收到Yarn返回的分配的Container以后，ApplicationMaster会启动对应的Executor。这些Executor启动以后，会向Driver注册自己以告知Driver自己的存在，Driver进而将Task调度到Executor中。
其实，Task的调度的触发不仅仅是新分配了Container或者新Launch了Executor，基本上在集群的资源可能发生变化的情况下，都会触发Task的调度，因此，Task的调度是一个不断将Pending Task与可用资源进行匹配然后调度出去的过程。
我列举了下面四种可以触发Driver端的CoarseGrainedSchedulerBackend通过运行makeOffers(或者只针对某一个Executor的makeOffer)来进行任务调度：
-
来自Executor的注册：上面说过Executor启动以后会向Driver注册自己。此时，Driver认为集群中有了新的可用资源，因此尝试进行Task到Executor的调度。Executor的注册是通过Executor启动的时候向DriverEndpoint发送RegisterExecutor消息来触发的。
Driver将Executor能够提供的可用资源(Memory , CPU)叫做Resource Offer。因此，当收到了新的Executor的注册，Driver端会调用makeOffers()方法，为这个Executor生成对应的WorkerOffer，代表这个Executor剩余可用的CPU和Memory:
------------------------------------ DriverEndpoint ------------------------------- override def receiveAndReply(context: RpcCallContext): PartialFunction[Any, Unit] = { // 收到 RegisterExecutor 请求，这个请求发生在Executor启动以后，向Driver发送的信息 case RegisterExecutor(executorId, executorRef, hostname, cores, logUrls) => ...... executorRef.send(RegisteredExecutor) ..... makeOffers() // 尝试进行task的调度，针对所有可用的executor } -
来自Executor的StatusUpdate：在Executor上Task的运行状态发生变化，都会告知Driver，Driver认为此时集群的资源状态发生了变化，因此尝试进行一次task的调度。但是这次的Task的调度是针对这个Executor的，即只会调度适合运行在这个Executor上的Pending Task到这个Exeuctor上：
------------------------------------ DriverEndpoint ----------------------------------- override def receive: PartialFunction[Any, Unit] = { case StatusUpdate(executorId, taskId, state, data) => scheduler.statusUpdate(taskId, state, data.value) if (TaskState.isFinished(state)) { executorDataMap.get(executorId) match { case Some(executorInfo) => executorInfo.freeCores += scheduler.CPUS_PER_TASK makeOffers(executorId) // 尝试进行Task的调度，但是只针对这一个Executor ... } -
来自TaskScheduler中的任务的相关变化，比如，Task的提交，Executor的丢失，Task的失败，推测执行等等，由于系统的可用资源发生了变化，因此TaskScheduler都会通过向DriverEndpoint发送ReviveOffers消息，以触发新一轮的Pending Task的调度。
----------------------------------- DriverEndpoint -------------------------------- override def receive: PartialFunction[Any, Unit] = { ..... case ReviveOffers => makeOffers() -
来自SchedulerBackend的自我触发：在DriverEndpoint作为一个RpcEndpoint启动的时候，会启动一个ReviveThread，以固定频率，向自己发送ReviveOffers的本地消息(发送给自己)，以触发Pending 的 Task到Container的调度：
-------------------------------- DriverEndpoint --------------------------------------- override def onStart() { // 定期恢复offer，以允许延迟调度工作 // Periodically revive offers to allow delay scheduling to work val reviveIntervalMs = conf.getTimeAsMs("spark.scheduler.revive.interval", "1s") reviveThread.scheduleAtFixedRate(new Runnable { override def run(): Unit = Utils.tryLogNonFatalError { Option(self).foreach(_.send(ReviveOffers)) } }, 0, reviveIntervalMs, TimeUnit.MILLISECONDS) }
在以Locality为考虑重点的Task的调度，就是根据locality从高到低(executor-local 优先级最高)，参照当前允许的优先级，取出对应的Task进行调度。如果当前优先级的Task已经调度完毕，或者当前locality的一部分或者全部Task经过了很久还没有完成调度(即当前的系统资源无法完全满足当前的locality需求)，那么就需要降低locality再次尝试进行调度。
下文会详细讲解makeOffers()的具体流程。
PendingTask的生成:
Task的调度的重要逻辑是满足Task 的Location Preference， 即每一个Task对运行位置 (Executor, Host, Rack等等)上的偏好。我们先看看TaskLocation的含义和生成过程，然后看看Spark的Driver是怎样通过Locality-Aware的调度方式，尽最大可能满足每一个Task的本地性需求。
TaskLocation详解
在Spark中，一个Task的Location归根结底是由这个Task的Split决定的，Split代表了一个切分，比如，对一个HDFS文件的切分。在Hadoop上，一个Split表示为一个InputSplit接口的实现类的一个实例。
一个HDFS文件的一个Split是由FileSplit对象表达，对象中hostInfos存放了一个SplitLocationInfo数组，每一个SplitLocationInfo对象存放了一个这个Split的一个Replica的Location信息(因为在HDFS上文件是多副本的)，包括具体的Hostname(即DataNode所在的节点)以及这个Host是否在内存中缓存了这个Split的标记位。
当然，在HDFS的维度，我们说一个Split被缓存，其实缓存的是这个Split对应的Replica。在Hadoop中一个文件的Split对应一个FileSplit对象，代码如下：
--------------------------------------- FileSplit ------------------------------------------------
public FileSplit(Path file, long start, long length, String[] hosts,
String[] inMemoryHosts) {
this(file, start, length, hosts);
hostInfos = new SplitLocationInfo[hosts.length];
for (int i = 0; i < hosts.length; i++) {
// because N will be tiny, scanning is probably faster than a HashSet
boolean inMemory = false;
for (String inMemoryHost : inMemoryHosts) {
if (inMemoryHost.equals(hosts[i])) {
inMemory = true;
break;
}
}
hostInfos[i] = new SplitLocationInfo(hosts[i], inMemory);
}
}
其中，一个Replica的Location信息对应了一个SplitLocationInfo对象，包含了这个Split是否在对应的Host上缓存了，以及，对应的Host(DataNode) 信息。在多副本的环境下，一个FileSplit对应的是一个数组 SplitLocationInfo[]：
------------------------------------------ SplitLocationInfo -----------------------------------------
public class SplitLocationInfo {
private boolean inMemory;
private String location;
public SplitLocationInfo(String location, boolean inMemory) {
this.location = location;
this.inMemory = inMemory;
}
我们看一下Spark在提交Stage和Task的过程中是怎么获取和处理Task的Location信息的。
在HDFS的场景下，Spark是将每一个Stage对应的RDD(newHadoopRDD)中的Partition(newHadoopPartition)的Location信息(如果有)存放在这个newHadoopPartition的serializableHadoopSplit中，其实是对InputSplit的封装:
--------------------------------------- NewHadoopPartition ------------------------------------
private[spark] class NewHadoopPartition(
rddId: Int,
val index: Int,
rawSplit: InputSplit with Writable) // 这个HadoopPartition对应的InputSplit
extends Partition {
val serializableHadoopSplit = new SerializableWritable(rawSplit)
Stage以及Partiton的生成是在提交以前进行的，即执行计划的生成阶段形成的。那么，到了Stage的提交阶段，是怎么利用Stage和Partition中的Location信息，生成具有Location Preference的Task信息的呢？
下面的这段代码是一段经典代码，Spark中DagScheduler提交Stage的时候，会首先检查这个Stage是否有未提交的Parent Stage：
- 如果有，会首先递归提交Parent Stage，然后把当前Stage放入到waitingStages中。waitingStage指的是那些parentStage还没有完成、因此需要等待的Stage;
- 如果没有Missing Parent Stage，那么就可以提交当前的Stage
/** Submits stage, but first recursively submits any missing parents. */
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) { // 没有missing parent stage，那么提交这个Stage的所有task
submitMissingTasks(stage, jobId.get)
} else {
for (parent <- missing) { // 有missing parent stage，那么先提交
submitStage(parent)
}
waitingStages += stage // 将当前stage放入到waitingStages中随后提交
}
}
}
}
在提交Stage的时候，会提交这个Stage所有的Task。我们忽略其他细节，从下面的代码可以看到，Spark会通过方法getPreferredLocs()针对这个Stage的每一个Partition获取这个Partition的Location信息，放到一个taskIdToLocations: Map[Int, Seq[TaskLocation]]中，然后，会提交这些已经带有Location信息的Task：
-------------------------------------- DAGScheduler --------------------------------------
/** Called when stage's parents are available and we can now do its task. */
private def submitMissingTasks(stage: Stage, jobId: Int) {
.....
val taskIdToLocations: Map[Int, Seq[TaskLocation]] = try {
stage match {
case s: ShuffleMapStage =>
// 计算每一个partition(这里的partition就是一个task)的prefered location的list
partitionsToCompute.map { id => (id, getPreferredLocs(stage.rdd, id))}.toMap
case s: ResultStage =>
partitionsToCompute.map { id =>
val p = s.partitions(id)
(id, getPreferredLocs(stage.rdd, p))
}.toMap
}
}
// 在获取了这个Stage的每一个task的location preference信息(如果有)以后，创建一个新的Stage Attempt
// 随后，在调度这个Stage的task的时候，这个task中就包含了对应的location preference
stage.makeNewStageAttempt(partitionsToCompute.size, taskIdToLocations.values.toSeq)
// 提交这个Stage。基于listenerBus的事件触发机制，调度方法就会将包含了Location Preference的Task调度出去
listenerBus.post(SparkListenerStageSubmitted(stage.latestInfo, properties))
.......
if (tasks.size > 0) {
// 提交task
taskScheduler.submitTasks(new TaskSet(
tasks.toArray, stage.id, stage.latestInfo.attemptNumber, jobId, properties))
}
}
下面的代码显示了getPreferredLocsInternal()方法的细节，即获取一个RDD中某一个Partion的location信息，返回对应的TaskLocation实现类：
-------------------------------------- DAGScheduler --------------------------------------
private def getPreferredLocsInternal(
rdd: RDD[_], // 当前Stage的RDD
partition: Int, // 这个Partitoin的index
visited: HashSet[(RDD[_], Int)]): Seq[TaskLocation] = {
// If the partition has already been visited, no need to re-visit.
// This avoids exponential path exploration. SPARK-695
if (!visited.add((rdd, partition))) {
// Nil has already been returned for previously visited partitions.
return Nil
}
// 如果这个partition已经缓存，那么就返回缓存以后的Partion的Location信息
val cached = getCacheLocs(rdd)(partition)
if (cached.nonEmpty) {
return cached
}
// 如果这个RDD含有一个Location Preference，那么就返回这个Location Preference
val rddPrefs = rdd.preferredLocations(rdd.partitions(partition)).toList
if (rddPrefs.nonEmpty) {
return rddPrefs.map(TaskLocation(_)) // 这里会根据getPreferredLocations()的返回值构造TaskLocation的实现类，比如
}
TaskLocation的apply()方法会根据传入的参数的类型，返回对应的不同实现类：
---------------------------------- TaskLocation ------------------------------------
/**
* Create a TaskLocation from a string returned by getPreferredLocations.
* These strings have the form executor_[hostname]_[executorid], [hostname], or
* hdfs_cache_[hostname], depending on whether the location is cached.
*/
def apply(str: String): TaskLocation = {
val hstr = str.stripPrefix(inMemoryLocationTag)
if (hstr.equals(str)) {
if (str.startsWith(executorLocationTag)) {
val hostAndExecutorId = str.stripPrefix(executorLocationTag)
val splits = hostAndExecutorId.split("_", 2)
val Array(host, executorId) = splits
new ExecutorCacheTaskLocation(host, executorId)
} else {
new HostTaskLocation(str)
}
} else {
new HDFSCacheTaskLocation(hstr)
}
}
}
可以看到，rdd.partitions(partition)方法根据这个partition index，返回了这个Partition对象。对于NewHadoopRDD，这个Partition的实现是NewHadoopPartition。一个NewHadoopPartition对象中存放了对应的InputSplit接口的实现类。比如，对于一个文件，InputSplit的实现是FileSplit，而InputSplit则包含了对应的Location信息:
然后，调用对应的RDD的getPreferredLocations()方法获取Location Preference，即一个NewHadoopRDD中包含了所有的Partition，每一个Partition由一个Partition接口的实现类NewHadoopPartition对象表示，每个NewHadoopPartition中存放了这个Partition的InputSplit信息：
----------------------------------- NewHadoopRDD ---------------------------------------
override def getPreferredLocations(hsplit: Partition): Seq[String] = {
// 返回这个 NewHadoopPartition对应的Hadoop层面的Split信息，比如，一个文件的FileSplit，
// 包含了这个File中这个split的起始位置，长度，replica的位置
val split = hsplit.asInstanceOf[NewHadoopPartition].serializableHadoopSplit.value
// 提取这个FileSplit的多个Replica位置信息
val locs = HadoopRDD.convertSplitLocationInfo(split.getLocationInfo)
locs.getOrElse(split.getLocations.filter(_ != "localhost"))
}
在Spark端，在生成每一个RDD中的Partition的信息的时候，其映射关系其实从底向上为 HDFS Split(InputSplit) -> Partition(NewHadoopPartition) -> Task 的关系，因此，在生成RDD Partition的时候，会将对应的Split的Location信息转换成Partition的Location信息，这个Partition的Location信息使用TaskLocation对象的具体实现类来表达的。这个转换是由方法convertSplitLocationInfo()负责的，即:
- 如果Split的是内存缓存，则构造HDFSCacheTaskLocation的location对象，代表这个partition已经被HDFS的对应Host缓存了。很显然，对应的Task如果直接调度到这台机器，则会提高读取效率;
- 如果Split不是内存缓存，则构造HostTaskLocation，显然，Task调度到这条机器上，读取效率会更高(没有跨机器的网络带宽，如果打开了短路读，还可以利用HDFS的短路读特性)
---------------------------------- HadoopRDD --------------------------------------- private[spark] def convertSplitLocationInfo( infos: Array[SplitLocationInfo]): Option[Seq[String]] = { Option(infos).map(_.flatMap { loc => val locationStr = loc.getLocation if (loc.isInMemory) { Some(HDFSCacheTaskLocation(locationStr).toString) } else { Some(HostTaskLocation(locationStr).toString) } }) }
TaskLocation的实现类除了HDFSCacheTaskLocation和HostTaskLocation，还有ExecutorCacheTaskLocation，即这个Task希望运行在这个Executor上，比如，下面两种情况，这个Partition的Locality Preference是希望精确到对应的Executor的:
- 在Streaming的Task的调度中，对于Receiver的调度，为了均匀调度，会首先将所有的Task均匀调度到Host上，剩下的Executor均匀调度到Executor上。这不不在赘述，详细逻辑可以查看ReceiverSchedulingPolicy的scheduleReceivers()方法;
- 这个Partition在这个Executor上被缓存，因此，对应的Task肯定需要精确运行在对应的Executor上。这不不在赘述，详细逻辑可以查看DAGScheduler的getCacheLocs()方法。
对应的TaskLocation接口的实现类的toString()方法就返回了这个TaskLocation的String表示。比如，HostTaskLocation.toString()就返回对应的Hostname:
----------------------------------------- HostTaskLocation ----------------------------------
/**
* A location on a host.
*/
private [spark] case class HostTaskLocation(override val host: String) extends TaskLocation {
override def toString: String = host
}
-------------------------------------- HDFSCacheTaskLocation ----------------------------------
/**
* A location on a host that is cached by HDFS.
*/
private [spark] case class HDFSCacheTaskLocation(override val host: String) extends TaskLocation {
override def toString: String = TaskLocation.inMemoryLocationTag + host
}
这样，DAGScheduler.submitMissingTasks()就会提交这些带有Location Preference的Task。这些Task会在Driver端经过一些统计计算，让ApplicationMaster根据提供的资源量、Task的位置倾向等，向Yarn申请资源，申请到的资源向Driver注册，Driver再将Task和Container进行最有匹配，最大程度满足Task的位置需求。
根据TaskLocation信息，将Task添加到不同的pendingTask数组中
所有需要运行因此需要相应资源的Task，Driver都会将对应的Task添加到pendingTask中，这些pendingTask是由TaskSetManager维护的，一个TaskSetManager对象是一个stage的任务集合，主要负责这个Stage的Task的管理和调度。
根据每一个Task的资源本地性需求的不同，pendingTask分别维护在下面的Map中，代码如下:
// 希望在某一个Executor上运行的pendingTasks，Key是Executor ID，Value是希望在这个Executor上运行的TaskID的列表
private val pendingTasksForExecutor = new HashMap[String, ArrayBuffer[Int]]
// 希望在某一个Host上运行的pendingTasks,Key是对应的Host，Value是希望在这个Host上运行的TaskID的列表
private val pendingTasksForHost = new HashMap[String, ArrayBuffer[Int]]
// 希望在某个一Rack上运行的pendingTasks，Key是对应的Rack，Value是希望在这个Rack上运行的TaskID的列表
private val pendingTasksForRack = new HashMap[String, ArrayBuffer[Int]]
// 没有任何的本地性需求的pendingTasks的列表
private[scheduler] var pendingTasksWithNoPrefs = new ArrayBuffer[Int]
向PendingTask中添加任务的时候，会根据每一个task的本地性需求，将对应的pendingTask放入到上面不同的任务集合中，
/** Add a task to all the pending-task lists that it should be on. */
private[spark] def addPendingTask(index: Int) {
for (loc <- tasks(index).preferredLocations) {
loc match {
case e: ExecutorCacheTaskLocation =>
pendingTasksForExecutor.getOrElseUpdate(e.executorId, new ArrayBuffer) += index
case e: HDFSCacheTaskLocation =>
val exe = sched.getExecutorsAliveOnHost(loc.host)
exe match {
case Some(set) =>
for (e <- set) {
pendingTasksForExecutor.getOrElseUpdate(e, new ArrayBuffer) += index
}
}
case _ =>
}
pendingTasksForHost.getOrElseUpdate(loc.host, new ArrayBuffer) += index
for (rack <- sched.getRackForHost(loc.host)) {
pendingTasksForRack.getOrElseUpdate(rack, new ArrayBuffer) += index
}
}
if (tasks(index).preferredLocations == Nil) {
pendingTasksWithNoPrefs += index
}
allPendingTasks += index // No point scanning this whole list to find the old task there
}
其基本逻辑为:
-
遍历所有的Task，根据对应Task的location preference，将对应的Task添加到对应的pendingLocation数组中:
-
如果是ExecutorCacheTaskLocation，那么就将Task添加到pendingTasksForExecutor中
case e: ExecutorCacheTaskLocation => pendingTasksForExecutor.getOrElseUpdate(e.executorId, new ArrayBuffer) += index -
如果是HDFSCacheTaskLocation，并且这个Host上的确有active的Executor，那么就将这个task添加到这个Host上的每一个Executor上，即将这个Task添加到pendingTasksForExecutor中。但是，显然，这个Task最终只会在其中的某个Executor上运行一次，而不会重复运行。
val exe = sched.getExecutorsAliveOnHost(loc.host) exe match { case Some(set) => for (e <- set) { pendingTasksForExecutor.getOrElseUpdate(e, new ArrayBuffer) += index } -
无论是ExecutorCacheTaskLocation，还是HDFSCacheTaskLocation，都将这个Task添加到pendingTasksForHost中，因为这个Task肯定会运行着这个Host上的。
pendingTasksForHost.getOrElseUpdate(loc.host, new ArrayBuffer) += index -
获取这个Host所在的Rack，然后添加到这个对应的pendingTasksForRack中：
for (rack <- sched.getRackForHost(loc.host)) { pendingTasksForRack.getOrElseUpdate(rack, new ArrayBuffer) += index } -
如果这个Task没有任何location preference，那么就添加到pendingTasksWithNoPrefs中：
if (tasks(index).preferredLocations == Nil) { pendingTasksWithNoPrefs += index } -
无论怎样，将这个task添加到allPendingTasks中，这是当所有的locality都无法满足要求一户最坏的Locality选择。
总之，我们需要注意:
- 区分pendingTasksWithNoPrefs和allPendingTasks。前者意味着Task本身对locality没有任何要求，因此可以随意将Task进行分配。而allPendingTasks中存放了所有的task，意味着当我们无法满足task的localtiy要求以后的不得已的选择。比如一个在pendingTasksForRack中的task的locality要求无法满足，只能退化到选择其他Rack来运行该Task
- pendingTasksForExecutor、pendingTasksForHost、pendingTasksForRack之间存在的包含关系，即，如果一个Task是pendingTasksForExecutor，那么也会放入到这个Executor所在的host(pendingTasksForHost)和所在的rack(pendingTasksForRack)中，同理，如果一个Task的pendingTasksForHost，也会放入到这个Host所在的Rack(pendingTasksForRack)中。而且，所有的Task都会放入到allPendingTasks中。我们从后面的locality退化可以看到原因，即如果某个locality要求下无法分配完所有的task，那么会退化到低一级的优先级，而低一级的优先级列表中肯定包含了高一级优先级列表的Task，因此这个Task可以在低一级进行调度。
- 我们可以看到，pendingTasksForRack中的task并不是这个task的locality preference直接就是就是这个rack，而是这个task的locatiion是对应的某个host，因此将这个host所在的rack添加为这个task的rack locality。后面会看到，rack locality是比no preference更低一级的locality，其实就是这个原因，尽管表面上看起来比较疑惑，也与比如Yarn的任务调度逻辑似乎不同。
可用的LocationLevel的计算
Spark用一个枚举类型TaskLocality来表达不同的本地级别：
object TaskLocality extends Enumeration {
// Process local is expected to be used ONLY within TaskSetManager for now.
val PROCESS_LOCAL, NODE_LOCAL, NO_PREF, RACK_LOCAL, ANY = Value
PROCESS_LOCAL: 进程本地，即这个Task希望调度到某一个特定的Executor上
NODE_LOCAL： 节点本地，即这个Task希望调度到某一个特定的节点
NO_PREF: 没有本地倾向，即这个Task可以任意调度到集群中的任何节点
RACK_LOCAL： 机架本地，即这个Task希望调度到某一个特定的rack上
ANY: 无法满足要求，是前面四种本地性倾向都无法满足要求时的最后的选择策略，将有节点倾向的Task任意调度到集群中无法满足其本地性倾向的位置上。
这里需要注意的是:
- 显然，越靠前，数字越小，Locality级别越高
- RACK_LOCAL并不指的是这些任务的locality preference中本来就指明了运行在这个Rack上，而是NODE_LOCAL或者PROCESS_LOCAL的对应退化调度策略，即，如果对应的节点或者Executor由于资源问题无法满足其要求，就会退化到使用RACK_LOCAL，并不是Task本身声明调度到rack上。
- NO_PREF的优先级比RACK_LOCAL的优先级更高，这是因为NO_PREF指的是Task本身明确表明自己没有本地性偏好，因此不是一种退化策略，而是对其locality的一种完全的满足，而RACK_LOCAL其实是一种退化策略，因此RACK_LOCAL的优先级低于NO_PREF
- ANY的优先级最低，和RACK_LOCAL一样，也是一种退化策略。
在一个TaskSet的TaskSetManager构造的时候，以及后来一个新的Executor加入或者丢失的时候，都会重新计算这个TaskSet的Valid Locality Levels。所以，应该注意到：
- Valid Locality Levels 指的是根据当前的Pending Task的不同LOCALITY需求(比如，不同locality需求的pending task分别放在了pendingTasksForExecutor、pendingTasksForHost、pendingTasksWithNoPrefs、pendingTasksForRack和allTasks中)，计算我们目前可能需要的是哪些TaskLocality。这样，在对Task进行基于Locality 的分配(下文会讲到)的时候，只需要考虑这些valid locality levels。
- 必须注意，computeValidLocalityLevels是TaskSetManager的成员方法，即这里是为某一个TaskSet计算对应的Valid Locality Levels
下面的方法显示了计算valid locality level的基本过程：
------------------------------------- TaskSetManager --------------------------------------
private def computeValidLocalityLevels(): Array[TaskLocality.TaskLocality] = {
import TaskLocality.{PROCESS_LOCAL, NODE_LOCAL, NO_PREF, RACK_LOCAL, ANY}
val levels = new ArrayBuffer[TaskLocality.TaskLocality]
// 如果有任务在等待执行器（executor），并且这些执行器中有活着的执行器，那么就将PROCESS_LOCAL添加到有效级别列表中。
if (!pendingTasksForExecutor.isEmpty &&
pendingTasksForExecutor.keySet.exists(sched.isExecutorAlive(_))) {
levels += PROCESS_LOCAL
}
// 如果有任务在等待主机（host），并且这些主机上有活着的执行器，那么就将NODE_LOCAL添加到有效级别列表中。
if (!pendingTasksForHost.isEmpty &&
pendingTasksForHost.keySet.exists(sched.hasExecutorsAliveOnHost(_))) {
levels += NODE_LOCAL
}
if (!pendingTasksWithNoPrefs.isEmpty) {
levels += NO_PREF
}
// 如果有任务在等待机架（rack），并且这些机架上有活着的主机，那么就将RACK_LOCAL添加到有效级别列表中。
if (!pendingTasksForRack.isEmpty &&
pendingTasksForRack.keySet.exists(sched.hasHostAliveOnRack(_))) {
levels += RACK_LOCAL
}
levels += ANY
levels.toArray
}
该方法返回一个TaskLocality数组，即如果对应的pendingTask数组中有Task，那么就讲对应的TaskLocality添加到数组中。这里需要注意到往数组中添加TaskLocality是按照TaskLocality的值从低到高(Locality优先级从高到低)的顺序添加的，从下文介绍基于Locality的Task调度可以看到，调度时会遍历这个返回的TaskLocality数组，即调度时按照Locality优先级从高到低进行的。最后的TaskLocality.ANY一定会最后添加到结果中，作为一个优先级的保底操作。
基于Locality的Task调度
上文讲过，Task的调度的触发，以及其通过makeOffers()方法进行调度。在这里，我们详细讲解这个调度的基本细节。
makeOffers()的基本功能，就是为当前的Executor的资源剩余情况，生成对应的WorkerOffer，代表这些Executor可提供的运行资源，其中包含了对应的executorId，所在的host信息以及可用的vCore信息：
private[spark]
case class WorkerOffer(executorId: String, host: String, cores: Int)
然后TaskScheduler会根据这些剩余资源，将对应的pendingTask调度出去，当然，调度过程中需要依赖对应的Task的locality信息。
private def makeOffers() {
// 根据集群当前的可用资源状况，生成Task的调度结果
val taskDescs = CoarseGrainedSchedulerBackend.this.synchronized {
// Filter out executors under killing
val activeExecutors = executorDataMap.filterKeys(executorIsAlive)
val workOffers = activeExecutors.map {
case (id, executorData) =>
new WorkerOffer(id, executorData.executorHost, executorData.freeCores)
}.toIndexedSeq // 构造每一个Executor上的可用资源
scheduler.resourceOffers(workOffers) // 在这里依赖于TaskScheduler来调度对应的task到对应的worker上
}
launchTasks(taskDescs) // 启动这些tasks
}
resourceOffers()方法是TaskSchedulerImpl的成员方法，其输入是一系列的WorkerOffer，返回可以进行调度的所有Task(每一个Task由一个TaskDescription表示)。我们后面会看到，TaskSchedulerImpl会遍历当前需要调度的所有TaskSet尝试进行调度，而不是某一个TaskSet。
resourceOffers()代码如下所示:
def resourceOffers(offers: IndexedSeq[WorkerOffer]): Seq[Seq[TaskDescription]] = synchronized {
// Mark each slave as alive and remember its hostname
// Also track if new executor is added
var newExecAvail = false
for (o <- offers) { // 对于每一个WorkerOffer
if (!hostToExecutors.contains(o.host)) {
hostToExecutors(o.host) = new HashSet[String]() // 构建这个Host的Executor的map
}
// 是否有新增的executor进来。如果有，则维护executor相关的map信息
if (!executorIdToRunningTaskIds.contains(o.executorId)) {
hostToExecutors(o.host) += o.executorId // 将这个executor加到这个host -> executors 的map中
executorAdded(o.executorId, o.host)
executorIdToHost(o.executorId) = o.host // 将这个host加到executor -> host 的毛重
executorIdToRunningTaskIds(o.executorId) = HashSet[Long]() // 构建这个executor -> tasks的map
newExecAvail = true
}
for (rack <- getRackForHost(o.host)) {
hostsByRack.getOrElseUpdate(rack, new HashSet[String]()) += o.host // 构建rack -> hosts的map
}
}
// Before making any offers, remove any nodes from the blacklist whose blacklist has expired. Do
// this here to avoid a separate thread and added synchronization overhead, and also because
// updating the blacklist is only relevant when task offers are being made.
blacklistTrackerOpt.foreach(_.applyBlacklistTimeout())
val filteredOffers = blacklistTrackerOpt.map { blacklistTracker =>
offers.filter { offer =>
!blacklistTracker.isNodeBlacklisted(offer.host) &&
!blacklistTracker.isExecutorBlacklisted(offer.executorId)
}
}.getOrElse(offers)
// 将offer进行随机shuffle，返回打乱顺序以后的IndexedSeq[WorkerOffer]
val shuffledOffers = shuffleOffers(filteredOffers)
// Build a list of tasks to assign to each worker.
// 根据当前的WorkerOffer，预构建一个TaskDescription的二维数组
val tasks = shuffledOffers.map(o => new ArrayBuffer[TaskDescription](o.cores / CPUS_PER_TASK))
val availableCpus = shuffledOffers.map(o => o.cores).toArray // 构建WorkerOffer -> 可用CPU的对应关系
val sortedTaskSets = rootPool.getSortedTaskSetQueue
for (taskSet <- sortedTaskSets) {
if (newExecAvail) { // 如果有新的Executor加入进来
taskSet.executorAdded() // 重新计算这个TaskSet的locality的相关信息
}
}
// Take each TaskSet in our scheduling order, and then offer it each node in increasing order
// of locality levels so that it gets a chance to launch local tasks on all of them.
// NOTE: the preferredLocality order: PROCESS_LOCAL, NODE_LOCAL, NO_PREF, RACK_LOCAL, ANY
for (taskSet <- sortedTaskSets) { // 按照调度顺序，取出每一个TaskSet
var launchedAnyTask = false
var launchedTaskAtCurrentMaxLocality = false
// locality从低到高遍历这个TaskSet中的每一个可用的localityLevels，locality越低代表本地性越好
for (currentMaxLocality <- taskSet.myLocalityLevels) {
do {
launchedTaskAtCurrentMaxLocality = resourceOfferSingleTaskSet(
taskSet, currentMaxLocality, shuffledOffers, availableCpus, tasks)
launchedAnyTask |= launchedTaskAtCurrentMaxLocality
} while (launchedTaskAtCurrentMaxLocality)
}
if (!launchedAnyTask) { // 没有launch任何一个task
taskSet.abortIfCompletelyBlacklisted(hostToExecutors)
}
}
if (tasks.size > 0) {
hasLaunchedTask = true
}
return tasks
}
makeOffers()的基本流程如下图所示：
其基本流程为:
- 根据生成的每一个WorkerOffer，TaskScheduler会维护executor <-> host <-> rack之间的映射关系。刚刚说过，resourceOffers()调用有可能来自于Executor的注册，因此有必要根据WorkerOffer来更新这个新的Executor和Host以及Rack之间的映射关系
for (o <- offers) { // 对于每一个WorkerOffer if (!hostToExecutors.contains(o.host)) { hostToExecutors(o.host) = new HashSet[String]() // 构建这个Host的Executor的map } // 是否有新增的executor进来。如果有，则维护executor相关的map信息 if (!executorIdToRunningTaskIds.contains(o.executorId)) { hostToExecutors(o.host) += o.executorId // 将这个executor加到这个host -> executors 的map中 executorAdded(o.executorId, o.host) executorIdToHost(o.executorId) = o.host // 将这个host加到executor -> host 的毛重 executorIdToRunningTaskIds(o.executorId) = HashSet[Long]() // 构建这个executor -> tasks的map newExecAvail = true } for (rack <- getRackForHost(o.host)) { hostsByRack.getOrElseUpdate(rack, new HashSet[String]()) += o.host // 构建rack -> hosts的map } } - 过滤掉部分不考虑的WorkerOffer，比如，这个WorkerOffer的Node或者Executor在黑名单中
val filteredOffers = blacklistTrackerOpt.map { blacklistTracker => offers.filter { offer => !blacklistTracker.isNodeBlacklisted(offer.host) && !blacklistTracker.isExecutorBlacklisted(offer.executorId) } }.getOrElse(offers) - 为了避免每次都将Task调度到某一个WorkerOffer上(假如这个WorkerOffer资源足够多)，每次调用resourceOffers()的时候都会对WorkerOffer进行一次重新随机排序。注意，这个重新排序只是将WorkerOffer重新排序，没有将Locality重新排序，locality永远从高到低(值从小到大)进行考虑。
// 将offer进行随机shuffle，返回打乱顺序以后的IndexedSeq[WorkerOffer]
val shuffledOffers = shuffleOffers(filteredOffers)
// Build a list of tasks to assign to each worker.
// 根据当前的WorkerOffer，预构建一个TaskDescription的二维数组
val tasks = shuffledOffers.map(o => new ArrayBuffer[TaskDescription](o.cores / CPUS_PER_TASK))
val availableCpus = shuffledOffers.map(o => o.cores).toArray // 构建WorkerOffer -> 可用CPU的对应关系
- 根据TaskSet的调度策略，获取排序以后的TaskSet列表。对于列表中的每一个TaskSet，如果这个TaskSet刚刚有新的Host加入，需要通过调用TaskSet的executorAdded()方法，这个方法主要是重新计算locality信息。上文已经介绍过TaskSet的locality信息的计算。 TaskSet的调度策略不在本文介绍范围内，感兴趣的读者可以自行了解
val sortedTaskSets = rootPool.getSortedTaskSetQueue // 根据TaskSet调度策略，返回排序以后的TaskSet数组 for (taskSet <- sortedTaskSets) { if (newExecAvail) { // 如果有新的Executor加入进来 taskSet.executorAdded() // 重新计算这个TaskSet的locality的相关信息 } } - 根据排序以后的TaskSet，遍历每一个TaskSet，基于这个TaskSet的locality数组，对这个TaskSet的task进行调度。
上文讲过locality数组的生成过程，可以看到locality数组从前到手的locality从高到低，因此，这里的逻辑是，对于每一个TaskSet，尝试先调度locality最高的Task，并且，如果当前要求的locality在指定的超时时间内无法将所有task调度完毕，将尝试更低一级的locality进行调度。到最后，locality会降低到TaskLocality.ANY，即进行任意调度。for (taskSet <- sortedTaskSets) { // 按照调度顺序，取出每一个TaskSet var launchedAnyTask = false var launchedTaskAtCurrentMaxLocality = false // locality从低到高遍历这个TaskSet中的每一个可用的localityLevels，locality越低代表本地性越好 for (currentMaxLocality <- taskSet.myLocalityLevels) { do { launchedTaskAtCurrentMaxLocality = resourceOfferSingleTaskSet( taskSet, currentMaxLocality, shuffledOffers, availableCpus, tasks) launchedAnyTask |= launchedTaskAtCurrentMaxLocality } while (launchedTaskAtCurrentMaxLocality) } if (!launchedAnyTask) { // 没有launch任何一个task taskSet.abortIfCompletelyBlacklisted(hostToExecutors) } }
所以，对于一个TaskSet中的task根据当前要求的TaskLocality进行任务调度，发生在方法resourceOfferSingleTaskSet()中。这个方法根据允许的最大的locality(currentMaxLocality， 这里的最大指的是最低要求，即，不可以比这个locality更宽松了)，当前可用资源（shuffledOffers），需要调度的TaskSet，返回成功调度的这个TaskSet中的task：
private def resourceOfferSingleTaskSet(
taskSet: TaskSetManager, // 当前的TaskSet
maxLocality: TaskLocality, // 当前最大的locality，最大的意思是最优的locality
shuffledOffers: Seq[WorkerOffer], // 每一个WorkerOffer代表了一个可用资源
availableCpus: Array[Int], // 这个shuffledOffers中的每一个WorkerOffer所代表的可用的VCores
// 一个WorkerOffer按照可用cpu以及每个task的cpu，算出Task的数量
tasks: IndexedSeq[ArrayBuffer[TaskDescription]]) : Boolean = {
var launchedTask = false
// nodes and executors that are blacklisted for the entire application have already been
// filtered out by this point
for (i <- 0 until shuffledOffers.size) { // 遍历每一个WorkerOffer(每一个WorkerOffer对应了一个executor)
val execId = shuffledOffers(i).executorId
val host = shuffledOffers(i).host
for (task <- taskSet.resourceOffer(execId, host, maxLocality)) { // 往这个Offer上调度一个Task
tasks(i) += task // 保存调度结果
val tid = task.taskId
....
launchedTask = true
}
}
return launchedTask
}
从上面的代码可以看到，resourceOfferSingleTaskSet()方法会遍历当前所有的可用资源WorkerOffer，尝试按照当前的maxLocality，调用resourceOffer()方法，往这个Offer上面调度一个task。
resourceOffer()方法是TaskSet的成员方法，其根据executorID， hostname以及最大允许的locality(maxLocality， 即locality不可以再差了)，尝试从pendingTask中选出一个满足条件的task调度：
def resourceOffer(
execId: String, // executor id
host: String, // executor所在的host
maxLocality: TaskLocality.TaskLocality) // 所容许的locality，不能比这个locality更宽松
: Option[TaskDescription] =
{
....
val curTime = clock.getTimeMillis()
// allowedLocality 代表当前最宽松的locality是什么，显然，在开始的时候，我们希望allowedLocality严格一点儿，
// 后面如果分配失败了，再逐渐放松要求
var allowedLocality = maxLocality
// 如果 maxLocality == TaskLocality.NO_PREF，那么allowedLocality = maxLocality，
// 进入TaskLocality.NO_PREF本来就是对调度没有任何要求
if (maxLocality != TaskLocality.NO_PREF) {
allowedLocality = getAllowedLocalityLevel(curTime) // 根据当前的时间，更新当前时间节点下的allowedLocality
if (allowedLocality > maxLocality) { // allowedLocality比maxLocality更松弛
// We're not allowed to search for farther-away tasks
allowedLocality = maxLocality
}
}
// 根据当前计算得到的locality 弹出对应的tasks，然后调度起来
dequeueTask(execId, host, allowedLocality).map { case ((index, taskLocality, speculative)) =>
// Found a task; do some bookkeeping and return a task description
.....
currentLocalityIndex = getLocalityIndex(taskLocality)
lastLaunchTime = curTime // 更新这个TaskSetManager的最后一个task的启动时间
.....
....
addRunningTask(taskId)
sched.dagScheduler.taskStarted(task, info)
new TaskDescription(.....)
}
}
可以看到，getAllowedLocalityLevel()方法根据当前传入的最大允许的locality和当前时间，计算真正的允许的locality，然后从当前的pendingTask中取出满足要求的Task返回。
- 根据传入的最大允许的locality(maxLocality)，计算实际使用的allowedLocality。之所以实际使用的allowedLocality可能与maxLocality不同，原因是maxLocality代表了这个TaskSet的locality数组的外层循环(resourceOffers()方法会按照locality从第到高进行Task的分配)，但是在延迟调度的场景下，在某一个locality level没有合适资源的情形下，在配置的退化时间到来之前，不急于将locality进行退化处理，即myLocalityLevels(currentLocalityIndex)不变，依然为NODE_LOCAL。在下一轮调度重新到来的时候(resourceOffers()方法重新运行)，在尝试到maxLocality = ALL的时候，突然有了可以满足locality = NODE_LOCAL的资源，这时候getAllowedLocalityLevel()就会返回myLocalityLevels(currentLocalityIndex) = NODE_LOCAL，因为这个locality level的超时时间还没到，进而maxLocality更新为NODE_LOCAL，从而在最大运行的locality为NODE_LOCAL的约束下进行任务调度
- 根据当前的host, executorID和maxLocality，尝试从pendingTask的队列中取出一个符合要求的Task。这里的符合要求指的是，这个Task的locality偏好是允许在这个host+executorID上运行的，并且如果在这个host + executorID上运行，其locality是不会比maxLocality更差的。
比如:
dequeueTask的逻辑如下所示。它根据当前的WorkerOffer(Executor ID + hostname)和允许的最大的locality(maxLocaltiy)，返回一个locality满足要求的Task准备运行。这里的满足要求指的是，这个Task如果运行在这个WorkerOffer上，能够满足所允许的最差的locality(maxLocality)的要求。
private def dequeueTask(execId: String, host: String, maxLocality: TaskLocality.Value)
: Option[(Int, TaskLocality.Value, Boolean)] =
{
// TaskLocality.isAllowed(maxLocality, TaskLocality.PROCESS_LOCAL) 永远返回true，因此不做判断
for (index <- dequeueTaskFromList(execId, host, getPendingTasksForExecutor(execId))) {
return Some((index, TaskLocality.PROCESS_LOCAL, false))
}
if (TaskLocality.isAllowed(maxLocality, TaskLocality.NODE_LOCAL)) {
for (index <- dequeueTaskFromList(execId, host, getPendingTasksForHost(host))) {
return Some((index, TaskLocality.NODE_LOCAL, false))
}
}
if (TaskLocality.isAllowed(maxLocality, TaskLocality.NO_PREF)) {
// Look for noPref tasks after NODE_LOCAL for minimize cross-rack traffic
for (index <- dequeueTaskFromList(execId, host, pendingTasksWithNoPrefs)) {
return Some((index, TaskLocality.PROCESS_LOCAL, false))
}
}
if (TaskLocality.isAllowed(maxLocality, TaskLocality.RACK_LOCAL)) {
for {
rack <- sched.getRackForHost(host)
index <- dequeueTaskFromList(execId, host, getPendingTasksForRack(rack))
} {
return Some((index, TaskLocality.RACK_LOCAL, false))
}
}
if (TaskLocality.isAllowed(maxLocality, TaskLocality.ANY)) {
for (index <- dequeueTaskFromList(execId, host, allPendingTasks)) {
return Some((index, TaskLocality.ANY, false))
}
}
// find a speculative task if all others tasks have been scheduled
dequeueSpeculativeTask(execId, host, maxLocality).map {
case (taskIndex, allowedLocality) => (taskIndex, allowedLocality, true)}
}
示例1：
当前的WorkerOffer信息如下:
- Hostname: testhost1.corp.com
- ExecutorID: 25536
当前的maxLocality = NODE_LOCAL， testhost1-rack1.corp.com所在的rack为rack1
在当前的TaskSet中pendingTasksForExecutor中有一个Task A，其preference正好是 Executor 25535。因此，根据上文所讲解的pendingTask的添加过程，Task A会同时存在于pendingTasksForExecutor，pendingTasksForHost，pendingTasksForRack以及allTasks中。
这时候dequeueTask()的运行过程为:
- 由于pendingTasksForExecutor中没有针对Executor 25536的Task A，因此返回Task A，Task A的实际locality是更好的PROCESS_LOCAL，满足了maxLocality = NODE_LOCAL的要求
示例2：
当前的WorkerOffer信息如下:
- Hostname: testhost1.corp.com
- ExecutorID: 25536
当前的maxLocality = NODE_LOCAL， testhost1-rack1.corp.com所在的rack为rack1
在当前的TaskSet中pendingTasksForExecutor中没有针对ExecutorID: 25536
的pending Task。但是在pendingTasksForHost中有一个Task B， 其 locality preference正好是Hostname: testhost1.corp.com。 根据上文所讲解的pendingTask的添加过程，Task B会同时存在于pendingTasksForHost，pendingTasksForRack以及allTasks中。
这时候dequeueTask()的运行过程为:
- 由于pendingTasksForExecutor中没有针对Hostname: testhost1.corp.com，因此跳过
- 由于pendingTasksForHost中有针对Hostname testhost1.corp.com的Task，因此取出并返回Task B，此时的实际locality正好等于maxLocality，为 NODE_LOCAL
示例3：
当前的WorkerOffer信息如下:
- Hostname: testhost1.corp.com
- ExecutorID: 25536
当前的maxLocality = RACK_LOCAL， testhost1-rack1.corp.com所在的rack为rack1
在当前的TaskSet中pendingTasksForExecutor中没有针对ExecutorID: 25536
的pending Task。但是在pendingTasksForHost中有一个Task B， 其 locality preference是Hostname: testhost2-rack1.corp.com，即它的locality preference同当前的WorkerOffer不在一个节点但是在一个机架上。 根据上文所讲解的pendingTask的添加过程，Task B会同时存在于pendingTasksForHost，pendingTasksForRack以及allTasks中。
这时候dequeueTask()的运行过程为:
- 由于pendingTasksForExecutor中没有针对Hostname: testhost1.corp.com，因此跳过
- 由于pendingTasksForHost中有针对Hostname testhost1.corp.com的Task，因此跳过
- 由于pendingTasksForHost中有针对rack1的Task C，因此取出并返回Task C，此时的实际locality是RACK_LOCAL
示例4：
当前的WorkerOffer信息如下:
- Hostname: testhost1.corp.com
- ExecutorID: 25536
当前的maxLocality = ANY， testhost1-rack1.corp.com所在的rack为rack1
在当前的TaskSet中pendingTasksForExecutor中没有针对ExecutorID: 25536的的pending Task。pendingTasksWithNoPrefs也没有Task。但是在pendingTasksForHost中有一个Task D， 其 locality preference是另外一个Hostname: testhost2-rack2.corp.com(这个testhost2所在的rack为rack2)。 根据上文所讲解的pendingTask的添加过程，Task D会同时存在于pendingTasksForHost，pendingTasksForRack以及allTasks中。
这时候dequeueTask()的运行过程为: - 由于pendingTasksForExecutor中没有针对ExecutorID: 25536，因此跳过
- 由于pendingTasksForHost中没有针对Hostname testhost2.corp.com的Task，因此跳过
- 由于pendingTasksWithNoPrefs中没有任何Task，因此跳过
- 由于getPendingTasksForRack中没有针对rack1的任何task，因此跳过
- 在allPendingTasks中取出Task D，满足maxLocality = NODE_LOCAL 要求，因此取出并返回Task D，此时实际的locality正好等于maxLocality，为ANY。
结语
Spark在Yarn上的资源管理是粗粒度的资源管理(Coarse Grained)，即资源和Task并不一一对应。ApplicationMaster作为资源请求的代理，充当了细粒度的Task和粗粒度的Yarn Container之间的桥梁，即，根据细粒度的、全量的Task资源需求状态不断生成增量的、粗粒度的资源请求，并将Yarn不断异步返回的资源和当前的Task进行匹配，以最优化Task的放置。
本文全面地讲解了整个资源请求和调度过程。读者从中可以看到基于Yarn的整个资源调度过程，Spark的不同角色之间的通信过程，整个过程虽然是以Yarn为基础，但是其反映的是一个通用的资源调度决策的基本思路，因此很有参考意义。
我觉得，感兴趣的读者，可以和Spark on K8S这种细粒度的资源调度过程作比较，将会有更多的收益。
![[笔记]Fluke3563 振动分析仪](https://i-blog.csdnimg.cn/direct/05e0c934beab4af5b80c92de6d758821.png)