前文稍微分析了一下standalone模式中几个集群核心角色的代码,这将是后面分析下去的基础。本文是前文的进一步补充。
TASK的产生
因为笔者习惯带着目的跟着线索走,所以对于shuffle过程实际上是在不同的task之间传递数据的过程,要找到相关的代码和流程,我们就先把着眼点定在task这端,先分析一下Spark中的task,再来看shuffle。
前文有提过,最终在executor中执行任务实际上是executor反序列化收到的task以及相关的file、jar文件,然后调用task的runTask方法来执行任务。在Spark中,抽象类Task有两个子类实现分别是ResultTask和ShuffleMapTask。ResultTask会将计算结果返回到driver application,而ShuffleMapTask是把RDD中的元素依照ShuffleDependency中的定义发送到多个bucket中。
其实在前面分析DAGScheduler时也提到过,创建task是job提交过程中,在DAGScheduler中做的诸多事情中的一项,在DAGScheduler中,创建Task的代码:
val tasks: Seq[Task[_]] = if (stage.isShuffleMap) {
partitionsToCompute.map { id =>
val locs = getPreferredLocs(stage.rdd, id)
val part = stage.rdd.partitions(id)
new ShuffleMapTa