继上篇《Spark源码分析之Job的调度模型与运行反馈》之后,我们继续来看第二阶段--Stage划分。
Stage划分的大体流程如下图所示:
前面提到,对于JobSubmitted事件,我们通过调用DAGScheduler的handleJobSubmitted()方法来处理。那么我们先来看下代码:
// 处理Job提交的函数
private[scheduler] def handleJobSubmitted(jobId: Int,
finalRDD: RDD[_],
func: (TaskContext, Iterator[_]) => _,
partitions: Array[Int],
callSite: CallSite,
listener: JobListener,
properties: Properties) {
var finalStage: ResultStage = null
// 利用最后一个RDD(finalRDD),创建最后的stage对象:finalStage
try {
// New stage creation may throw an exception if, for example, jobs are run on a
// HadoopRDD whose underlying HDFS files have been deleted.
// 根据最后一个RDD获取最后的stage
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
}
// 创建一个ActiveJob对象
val job = new ActiveJob(jobId, finalStage, callSite, listener, properties)
// 清除RDD分区位置缓存
// private val cacheLocs = new HashMap[Int, IndexedSeq[Seq[TaskLocation]]]
clearCacheLocs()
// 调用logInfo()方法记录日志信息
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()
// 将jobId-->ActiveJob的对应关系添加到HashMap类型的数据结构jobIdToActiveJob中去
jobIdToActiveJob(jobId) = job
// 将ActiveJob添加到HashSet类型的数据结构activeJobs中去
activeJobs += job
finalStage.setActiveJob(job)
//2 获取stageIds列表
// jobIdToStageIds存储的是jobId--stageIds的对应关系
// stageIds为HashSet[Int]类型的
// jobIdToStageIds在上面newResultStage过程中已被处理
val stageIds = jobIdToStageIds(jobId).toArray
// stageIdToStage存储的是stageId-->Stage的对应关系
val stageInfos = stageIds.flatMap(id => stageIdToStage.get(id).map(_.latestInfo))
listenerBus.post(
SparkListenerJobStart(job.jobId, jobSubmissionTime, stageInfos, properties))
// 提交最后一个stage
submitStage(finalStage)
// 提交其他正在等待的stage
submitWaitingStages()
}
这个handleJobSubmitted()方法一共做了这么几件事:
第一,调用newResultStage()方法,生成Stage,包括最后一个Stage:ResultStage和前面的Parent Stage:ShuffleMapStage;
第二,创建一个ActiveJob对象job;
第三,清除RDD分区位置缓存;
第四,调用logInfo()方法记录日志信息;
第五,维护各种数据对应关系涉及到的数据结构:
(1)将jobId-->ActiveJob的对应关系添加到HashMap类型的数据结构jobIdToActiveJob中去;
(2)将ActiveJob添加到HashSet类型的数据结构activeJobs中去;
第六,提交Stage;
下面,除了提交Stage留在第三阶段外,我们挨个分析第二阶段的每一步。
首先是调用newResultStage()方法,生成Stage,包括最后一个Stage:ResultStage和前面的Parent Stage:ShuffleMapStage。代码如下:
/**
* Create a ResultStage associated with the provided jobId.
* 用提供的jobId创建一个ResultStage
*/
private def newResultStage(
rdd: RDD[_],
func: (TaskContext, Iterator[_]) => _,
partitions: Array[Int],
jobId: Int,
callSite: CallSite): ResultStage = {
// 根据fianl RDD获取parent stage及id,这个id为ResultStage的stageId
val (parentStages: List[Stage], id: Int) = getParentStagesAndId(rdd, jobId)
// 创建一个ResultStage,即为整个Job的finalStage
// 参数:id为stage的id,rdd为stage中最后一个rdd,func为在分区上执行的函数操作,
// partitions为rdd中可以执行操作的分区,parentStages为该stage的父stages,jobId为该stage
val stage = new ResultStage(id, rdd, func, partitions, parentStages, jobId, callSite)
// 将stage加入到stageIdToStage中
stageIdToStage(id) = stage
// 更新数据结构jobIdToStageIds
updateJobIdStageIdMaps(jobId, stage)
// 返回stage
stage
}
首先,根据fianl RDD获取parent stages及id,这个id为ResultStage的stageId;
其次,创建一个ResultStage,即为整个Job的finalStage;
然后,将stage加入到数据结构stageIdToStage中;
接着,更新数据结构jobIdToStageIds;
最后,返回这个ResultStage。
我们一步步来看。首先调用getParentStagesAndId()方法,根据fianl RDD获取parent stages及id,这个id为ResultStage的stageId。代码如下:
/**
* Helper function to eliminate some code re-use when creating new stages.
*/
private def getParentStagesAndId(rdd: RDD[_], firstJobId: Int): (List[Stage], Int) = {
// 获取parent stages
val parentStages = getParentStages(rdd, firstJobId)
// 获取下一个stageId,为AtomicInteger类型,getAndIncrement()能保证原子操作
val id = nextStageId.getAndIncrement()
// 返回parentStages和id
(parentStages, id)
}
这个id即为下一个stageId,通过AtomicInteger类型的getAndIncrement()获得,能够保证原子性。继续分析getParentStages()方法,通过它来获取final RDD的parent stage。代码如下:
/**
* Get or create the list of parent stages for a given RDD. The new Stages will be created with
* the provided firstJobId.
*/
private def getParentStages(rdd: RDD[_], firstJobId: Int): List[Stage] = {
// 用HashSet存储parents stage
val parents = new HashSet[Stage]
// 用HashSet存储已经被访问过的RDD
val visited = new HashSet[RDD[_]]
// We are manually maintaining a stack here to prevent StackOverflowError
// caused by recursively visiting
// 存储需要被处理的RDD。Stack中得RDD都需要被处理
val waitingForVisit = new Stack[RDD[_]]
// 定义一个visit函数,根据传入的RDD,如果之前没有处理过,标记为已处理,循环此RDD的依赖关系dependencies
// 如果是ShuffleDependency,获取其parents;如果不是,则说明为同一stage,并压入Stack:waitingForVisit顶部
def visit(r: RDD[_]) {
if (!visited(r)) {// visited中没有的话
// 将RDD r加入到visited,表示已经处理过了
visited += r
// Kind of ugly: need to register RDDs with the cache here since
// we can't do it in its constructor because # of partitions is unknown
// 循环Rdd r的依赖关系
for (dep <- r.dependencies) {
dep match {
case shufDep: ShuffleDependency[_, _, _] =>
// 如果是ShuffleDependency,获取其parents,添加到parents中去
parents += getShuffleMapStage(shufDep, firstJobId)
case _ =>
// 否则,属于同一个stage,压入Stack顶部,后续再递归处理
waitingForVisit.push(dep.rdd)
}
}
}
}
// 将rdd压入Stack顶部
waitingForVisit.push(rdd)
// 循环waitingForVisit,弹出每个rdd
while (waitingForVisit.nonEmpty) {
// 调用visit()方法,处理每个rdd
visit(waitingForVisit.pop())
}
// 返回得到的parents列表
parents.toList
}
getParentStages()方法在其内部定义了如下数据结构:
parents:用HashSet存储parents stages,即finalRDD的所有parent stages,也就是ShuffleMapStage;
visited:用HashSet存储已经被访问过的RDD,在RDD被处理前先存入该HashSet,保证存储在里面的RDD将不会被重复处理;
waitingForVisit:存储需要被处理的RDD。Stack中得RDD都需要被处理。
getParentStages()方法在其内部还定义了一个visit()方法,传入一个RDD,如果之前没有处理过,标记为已处理,并循环此RDD的依赖关系dependencies,如果是ShuffleDependency,调用getShuffleMapStage()方法获取其parent stage;如果不是,则说明为同一stage,并压入Stack:waitingForVisit顶部,等待后续通过visit()方法处理。所以,getParentStages()方法从finalRDD开始,逐渐往上查找,如果是窄依赖,证明在同一个Stage中,继续往上查找,如果是宽依赖,通过getShuffleMapStage()方法获取其parent stage,就能得到整个Job中所有的parent stages,也就是ShuffleMapStage。
接下来,我们看下getShuffleMapStage()方法的实现。代码如下:
/**
* Get or create a shuffle map stage for the given shuffle dependency's map side.
* 针对给定的shuffle dependency的map端,获取或者创建一个ShuffleMapStage
*/
private def getShuffleMapStage(
shuffleDep: ShuffleDependency[_, _, _],
firstJobId: Int): ShuffleMapStage = {
// 从数据结构shuffleToMapStage中根据shuffleId获取,如果有直接返回,否则
// 获取ShuffleDependency中的rdd,调用getAncestorShuffleDependencies()方法,
// 循环每个parent,调用newOrUsedShuffleStage()方法,创建一个新的ShuffleMapStage,
// 并加入到数据结构shuffleToMapStage中去
//
// 它的定义为:private[scheduler] val shuffleToMapStage = new HashMap[Int, ShuffleMapStage]
shuffleToMapStage.get(shuffleDep.shuffleId) match {
case Some(stage) => stage // 有则直接返回
case None => // 没有
// We are going to register ancestor shuffle dependencies
// 调用getAncestorShuffleDependencies()方法,传入ShuffleDependency中的rdd
// 发现还没有在shuffleToMapStage中注册的祖先shuffle dependencies
getAncestorShuffleDependencies(shuffleDep.rdd).foreach { dep =>
// 并循环返回的parents,调用newOrUsedShuffleStage()方法,创建一个新的ShuffleMapStage,
// 并加入到数据结构shuffleToMapStage中去
shuffleToMapStage(dep.shuffleId) = newOrUsedShuffleStage(dep, firstJobId)
}
// Then register current shuffleDep
// 最后注册当前shuffleDep,并加入到数据结构shuffleToMapStage中,返回stage
val stage = newOrUsedShuffleStage(shuffleDep, firstJobId)
shuffleToMapStage(shuffleDep.shuffleId) = stage
stage
}
}
从getShuffleMapStage()方法的注释就能看出,这个方法的主要作用就是针对给定的shuffle dependency的map端,获取或者创建一个ShuffleMapStage。为何是Get or create呢?通过源码得知,getShuffleMapStage()方法首先会根据shuffleDep.shuffleId从数据结构shuffleToMapStage中查找哦是否存在对应的stage,如果存在则直接返回,如果不存在,则调用newOrUsedShuffleStage()方法创建一个Stage并添加到数据结构shuffleToMapStage中,方便后续需要使用此Stage者直接使用。在此之前,会根据入参ShuffleDependency的rdd发现还没有在shuffleToMapStage中注册的祖先shuffle dependencies,然后遍历每个ShuffleDependency,调用newOrUsedShuffleStage()方法为每个ShuffleDependency产生Stage并添加到数据结构shuffleToMapStage中。
下面,我们看下这个getAncestorShuffleDependencies()方法的实现,代码如下:
/** Find ancestor shuffle dependencies that are not registered in shuffleToMapStage yet */
// 根据传入的RDD,发现还没有在shuffleToMapStage中未注册过的祖先shuffle dependencies
private def getAncestorShuffleDependencies(rdd: RDD[_]): Stack[ShuffleDependency[_, _, _]] = {
// 存放parents的栈:Stack
val parents = new Stack[ShuffleDependency[_, _, _]]
// 存放已经处理过的RDD的哈希表:HashSet
val visited = new HashSet[RDD[_]]
// We are manually maintaining a stack here to prevent StackOverflowError
// caused by recursively visiting
// 存放等待调用visit的RDD的栈:Stack
val waitingForVisit = new Stack[RDD[_]]
// 定义方法visit()
def visit(r: RDD[_]) {
if (!visited(r)) {// 如果之前没有处理过
visited += r // 标记为已处理
// 循环RDD的所有依赖
for (dep <- r.dependencies) {
dep match {
case shufDep: ShuffleDependency[_, _, _] => // 如果是ShuffleDependency
// 如果shuffleToMapStage中没有,添加到parents中
if (!shuffleToMapStage.contains(shufDep.shuffleId)) {
parents.push(shufDep)
}
case _ =>
}
// 将该dependence的rdd压入waitingForVisit栈顶部
waitingForVisit.push(dep.rdd)
}
}
}
// 将RDD压入到waitingForVisit顶部
waitingForVisit.push(rdd)
// 循环waitingForVisit,针对每个RDD调用visit()方法
while (waitingForVisit.nonEmpty) {
visit(waitingForVisit.pop())
}
// 返回parents
parents
}
通过代码我们可以发现,它和getParentStages()方法的代码风格非常相似。在其内部也定义了三个数据结构:
parents:存放parents的栈,即Stack,用于存放入参RDD的在shuffleToMapStage中未注册过的祖先shuffle dependencies;
visited:存放已经处理过的RDD的哈希表,即HashSet;
waitingForVisit:存放等待被处理的RDD的栈,即Stack;
定义了一个visit()方法,入参为RDD,针对传入的RDD,如果之前没有处理过则标记为已处理,并循环RDD的所有依赖,如果是如果是ShuffleDependency,并且其依赖的shuffleId在shuffleToMapStage中没有,添加到parents中,否则直接跳过,最后无论为何种Dependency,都将该dependence的rdd压入waitingForVisit栈顶部,等待后续处理。
接下来,我们再看下newOrUsedShuffleStage()方法,其代码如下:
/**
* Create a shuffle map Stage for the given RDD. The stage will also be associated with the
* provided firstJobId. If a stage for the shuffleId existed previously so that the shuffleId is
* present in the MapOutputTracker, then the number and location of available outputs are
* recovered from the MapOutputTracker
*
* 为给定的RDD创建一个ShuffleStage
*/
private def newOrUsedShuffleStage(
shuffleDep: ShuffleDependency[_, _, _],
firstJobId: Int): ShuffleMapStage = {
// 从shuffleDep中获取RDD
val rdd = shuffleDep.rdd
// 获取RDD的分区个数,即未来的task数目
val numTasks = rdd.partitions.length
// 构造一个ShuffleMapStage实例
val stage = newShuffleMapStage(rdd, numTasks, shuffleDep, firstJobId, rdd.creationSite)
if (mapOutputTracker.containsShuffle(shuffleDep.shuffleId)) {
// 如果mapOutputTracker中存在
// 根据shuffleId从mapOutputTracker中获取序列化的多个MapOutputStatus对象
val serLocs = mapOutputTracker.getSerializedMapOutputStatuses(shuffleDep.shuffleId)
// 反序列化
val locs = MapOutputTracker.deserializeMapStatuses(serLocs)
// 循环
(0 until locs.length).foreach { i =>
if (locs(i) ne null) {
// locs(i) will be null if missing
// 将
stage.addOutputLoc(i, locs(i))
}
}
} else {
// 如果mapOutputTracker中不存在,注册一个
// Kind of ugly: need to register RDDs with the cache and map output tracker here
// since we can't do it in the RDD constructor because # of partitions is unknown
logInfo("Registering RDD " + rdd.id + " (" + rdd.getCreationSite + ")")
// 注册的内容为
// 1、根据shuffleDep获取的shuffleId;
// 2、rdd中分区的个数
mapOutputTracker.registerShuffle(shuffleDep.shuffleId, rdd.partitions.length)
}
stage
}
这个方法的主要完成了以下两件事:
1、构造一个ShuffleMapStage实例stage;
2、判断是否在mapOutputTracker中存在:
(1)如果不存在,调用mapOutputTracker的registerShuffle()方法注册一个,注册的内容为根据shuffleDep获取的shuffleId和rdd中分区的个数;
(2)如果存在,根据shuffleId从mapOutputTracker中获取序列化的多个MapOutputStatus对象,反序列化后循环,逐个添加到stage中。
紧接着,看下newShuffleMapStage()方法,其代码如下:
/**
* Create a ShuffleMapStage as part of the (re)-creation of a shuffle map stage in
* newOrUsedShuffleStage. The stage will be associated with the provided firstJobId.
* Production of shuffle map stages should always use newOrUsedShuffleStage, not
* newShuffleMapStage directly.
*/
private def newShuffleMapStage(
rdd: RDD[_],
numTasks: Int,
shuffleDep: ShuffleDependency[_, _, _],
firstJobId: Int,
callSite: CallSite): ShuffleMapStage = {
// 获得parentStages和下一个stageId
val (parentStages: List[Stage], id: Int) = getParentStagesAndId(rdd, firstJobId)
// 创建一个ShuffleMapStage
val stage: ShuffleMapStage = new ShuffleMapStage(id, rdd, numTasks, parentStages,
firstJobId, callSite, shuffleDep)
// 将stage加入到数据结构stageIdToStage
stageIdToStage(id) = stage
updateJobIdStageIdMaps(firstJobId, stage)
stage
}
可以发现,这个方法也调用了getParentStagesAndId()方法,这样,就形成了一个递归,按照RDD的依赖关系,由后往前,逐渐生成Stage。代码剩余的部分就是创建一个ShuffleMapStage,并将stage加入到数据结构stageIdToStage,以及调用updateJobIdStageIdMaps()方法更新相关数据结构。这个updateJobIdStageIdMaps()方法留待下面分析。
下面,简单看下mapOutputTracker注册的代码。
// 注册shuffle
def registerShuffle(shuffleId: Int, numMaps: Int) {
// 将shuffleId、numMaps大小和MapStatus类型的Array数组的映射关系,放入mapStatuses中
// mapStatuses为TimeStampedHashMap[Int, Array[MapStatus]]类型的数据结构
if (mapStatuses.put(shuffleId, new Array[MapStatus](numMaps)).isDefined) {
throw new IllegalArgumentException("Shuffle ID " + shuffleId + " registered twice")
}
}
很简单,将shuffleId、numMaps大小和MapStatus类型的Array数组的映射关系,放入mapStatuses中,mapStatuses为TimeStampedHashMap[Int, Array[MapStatus]]类型的数据结构。
经历了这多又长又大篇幅的叙述,现在返回newResultStage()方法,在通过getParentStagesAndId()方法获取parent stages及其result stage的id后,紧接着创建一个ResultStage,并将stage加入到stageIdToStage中,最后在调用updateJobIdStageIdMaps()更新数据结构jobIdToStageIds后,返回stage。
下面,简单看下updateJobIdStageIdMaps()方法。代码如下:
/**
* Registers the given jobId among the jobs that need the given stage and
* all of that stage's ancestors.
*/
private def updateJobIdStageIdMaps(jobId: Int, stage: Stage): Unit = {
// 定义一个函数updateJobIdStageIdMapsList()
def updateJobIdStageIdMapsList(stages: List[Stage]) {
if (stages.nonEmpty) {
// 获取列表头元素
val s = stages.head
// 将jobId添加到Stage的jobIds中
s.jobIds += jobId
// 更新jobIdToStageIds,将jobId与stageIds的对应关系添加进去
jobIdToStageIds.getOrElseUpdate(jobId, new HashSet[Int]()) += s.id
val parents: List[Stage] = getParentStages(s.rdd, jobId)
val parentsWithoutThisJobId = parents.filter { ! _.jobIds.contains(jobId) }
updateJobIdStageIdMapsList(parentsWithoutThisJobId ++ stages.tail)
}
}
// 调用函数updateJobIdStageIdMapsList()
updateJobIdStageIdMapsList(List(stage))
}
这个方法的实现比较简单,在其内部定义了一个函数updateJobIdStageIdMapsList(),首选传入result stage,将jobId添加到stage的jobIds中,更新jobIdToStageIds,将jobId与stageIds的对应关系添加进去,然后根据给定stage的RDD获取其parent stages,过滤出不包含此JobId的parents stages,再递归调用updateJobIdStageIdMapsList()方法,直到全部stage都处理完。
至此,第二阶段Stage划分大体流程已分析完毕,有遗漏或不清楚的地方,以后再查缺补漏以及细化及更正错误。