Spark的运行流程详解

最新推荐文章于 2024-07-25 09:48:00 发布

Lyy1016

最新推荐文章于 2024-07-25 09:48:00 发布

阅读量1.4k

点赞数

文章标签：大数据 ui

原文链接：http://www.cnblogs.com/Komorebi-john/p/11263945.html

版权

一、Spark提交应用任务的四个阶段：

总共提交的任务分为四个阶段，提交+执行：

1、在分配完毕executor以后，解析代码生成DAG有向无环图；

2、将生成的DAG图提交给DAGScheduler，这个组件在driver内，DAGScheduler负责切分阶段，按照DAG图中的shuffle算子进行stage阶段的切分，切分完毕阶段以后，按照每个阶段分别生成对应task任务的集合，将每个阶段所有的task任务放入到对应的set集合中，提交这个set集合，即一次性提交每个stage阶段的所有任务（每个阶段准备好就提交哪个阶段）

3、将任务的集合提交给taskScheduler【driver端组件】,这个组件会将数据通过集群管理器提交给集群（executor），对任务进行监控，分配资源，负责提交，负责执行，负责故障重试，负责落后任务的重启

4、真正提交到executor端，在executor中进行执行，保存执行过后的数据，或者存储数据

二、Spark的运行流程详解【重点】：

♎ spark-submit 提交命令的解析：

通过查看底层，我们可以了解到，使用spark-submit方法提交任务的时候的时候，实际上是运行的 Spark内的 SparkSubmit 类

提交任务的命令：

spark-submit --master xxx --class xxx --name xxx xxx.jar input   output

　　我们使用命令提交任务的时候，设置的参数实际上就是给SparkSubmit 的参数；

A、查看SparkSubmit的源码：spark-submit 提交任务时，实际上是运行sparksubmit中的main方法

spark-submit 提交任务时，实际上是运行sparksubmit中的main方法：

所以--master xxx --class com.bw.spark.wordcount --name xxx xxx.jar input output 这些东西都是main方法的参数

♈ main方法中会接收传入的参数，将传入的参数解析后，使用匹配模式，判断输入的参数并执行不同的操作；

1、submit 提交一个应用任务：

spark-submit --master spark://master:7077 --class com.bw.spark.wordcount --name xxx xxx.jar input output

A、可以看到在 submit 方法内解析出了四个参数：①

a) childArgs == 子类的参数列表，是提交的参数列表内的输入参数【input】和输出路径【output】，数据用于要运行的jar包内的main方法

b) childClasspath == 子类的类的路径，是 --class 的参数【com.bw.spark】，数据用于SparkSubmit 类中的main方法

c) sysProps == 系统属性，即 --master 的参数，指定集群模式【spark://master:7077】，数据用于SparkSubmit 类中的main方法

d) childMainClass == --class 参数中类内的入口（main方法）【wordcount 】，数据用于SparkSubmit 类中的main方法

由SparkSubmit类中的main方法管理并启动自定义的类中的main方法

B、通过 runMain 方法使用解析出来的参数继续向下执行②

C、通过反射机制，将mainClass的字符串转换成一个主类

D、根据主类找到这个类中的main方法

E、通过反射机制执行main方法，将传递近来的参数放置到main方法中执行

总结：其实任务的提交就是运行main方法，解析代码解析main方法，解析到此进入等待状态

2、开始初始化driver端的东西，初始化上下文 ①sparkContext ②DAGScheduler ③TaskScheduler【属于预提交的阶段】

A、 SparkContext中需要初始化的组件：

B、在提交任务的时候就要初始化的重要组件：

DAGScheduler 【划分DAG并按阶段提交】
TaskScheduler 【任务的向集群提交，监控执行】
SchedulerBackEnd 【提交任务的通信组件】

1--2、根据部署的集群模式不一样。创建不同的DAGScheduler和TaskScheduler

3、根据部署模式不一样创建的SchedulerBackEnd也不一样，根据资源分配不同的核数：

本地模式时，根据设置的线程数创建不同的SchedulerBackEnd；

集群模式时，不需要设置，线程数由集群管理；

3、组件的创建实例完毕以后，开始解析代码：

driver初始化完成以后开始解析代码，（executors已经启动），记录textFile从什么位置开始读取数据，记录每个算子生成rdd的数量，分区个数，逻辑，各个rdd之间的血缘关系，只有遇见真正的action算子才开始执行，会生成DAG有向无环图，rdd就是点，算子就是线；

A、开始将DAG有向无环图提交给DAGScheduler进行阶段的切分：

从saveASTextFile开始进入，找到最后一步，可以发现是将任务提交给DAGScheduler，进行任务阶段的切分：

B、到DAGScheduler中进行任务的切分阶段，将每一个准备好的阶段提交给TaskScheduler

Ⅰ、在DAGScheduler中的doOnReceive方法接收传进DAGScheduler的任务，进行任务的处理

Ⅱ、DAGScheduler中负责将任务进行拆分，按照shuffle算子进行拆分不同的stage

❶ 找到最后一个RDD，创建一个resultStage：

❷ 根据最后一个resultStage，找到这个result的父stage，如果父stage为空，那么表明已经到了最开始的stage，直接进行提交

如果父stage不为空，那么继续调用自身以递归的形式进行倒序的向前排查，直到找到初始stage为止；

❸ Stage的划分：通过最后一个rdd向前推，如果这个RDD是宽依赖就将stage+1，如果是窄依赖就将当前stage阶段中的rdd+1；当每个阶段都推衍完毕以后，将每个阶段中的所有的task组成一个taskSet。

❹将每个阶段中的所有的task组成一个taskSet集合：

每个阶段匹配一下，如果是shuffleMapStage就组装一个集合,这个集合中装入的都是shuffleMapTask；如果是resultStage那么这个stage中装入的就是resultTask；

C、将任务集合提交给TaskScheduler,TaskScheduler进行任务的提交到集群中，然后执行操作，负责监控，申请资源，故障重试

TaskScheduler是一个接口：

TaskScheduler的其中一个实现类【TaskSchedulerImpl】：

实现类中存在各项组件方法，实现对任务进行各项初始化与管理，在配置好任务之后提交给Executor 执行；

ctrl+alt+b找到TaskScheduler接口的实现类【TaskSchedulerImpl】：

在taskSchedulerImpl中通过submitTasks方法将任务提交SchedulerBackEnd组件进行提交任务：

 //提交任务的一个组件：
 override def submitTasks(taskSet: TaskSet) {

  //取出集合内所有的Task任务
  val tasks = taskSet.tasks

  logInfo("Adding task set " + taskSet.id + " with " + tasks.length + " tasks")

  this.synchronized {
    
    //创建一个Stage管理器，对不同的stage阶段的task任务集合进行管理
    val manager = createTaskSetManager(taskSet, maxTaskFailures)
    
    //得到当前处理的stage是第几个阶段的
    val stage = taskSet.stageId

    val stageTaskSets =

      taskSetsByStageIdAndAttempt.getOrElseUpdate(stage, new HashMap[Int, TaskSetManager])

    stageTaskSets(taskSet.stageAttemptId) = manager

    val conflictingTaskSet = stageTaskSets.exists { case (_, ts) =>

      ts.taskSet != taskSet && !ts.isZombie

    }

    if (conflictingTaskSet) {

      throw new IllegalStateException(s"more than one active taskSet for stage $stage:" +

        s" ${stageTaskSets.toSeq.map{_._2.taskSet.id}.mkString(",")}")

    }

    schedulableBuilder.addTaskSetManager(manager, manager.taskSet.properties)

  

    if (!isLocal && !hasReceivedTask) {

      starvationTimer.scheduleAtFixedRate(new TimerTask() {

        override def run() {

          if (!hasLaunchedTask) {

            logWarning("Initial job has not accepted any resources; " +

              "check your cluster UI to ensure that workers are registered " +

              "and have sufficient resources")

          } else {

            this.cancel()

          }

        }

      }, STARVATION_TIMEOUT_MS, STARVATION_TIMEOUT_MS)

    }

    hasReceivedTask = true

  }
  
  //将所有的task取出之后，使用 SchedulerBackEnd 通信方式将任务提交给executor执行
  backend.reviveOffers()

}

D、SchedulerBackEnd 通信组件：接收TaskScheduler 发送的任务，将任务转发给 executor

SchedulerBackEnd 是一个接口，这个接口存在两个实现类，一个是本地通信的实现类，一个是负责集群通信的实现类

♈ 集群模式的通信方式：

1、接收TaskScheduler 发送的任务

2、遍历将接收到的TaskScheduler 任务进行序列化以用于传输

3、通过rpc协议进行任务传输，到executor端

4、运行任务：【executor开始执行任务】

A、 executor的本质就是线程池

B、 Task类包装为多线程类：

executor 执行器就是一个线程池，但是这个线程池中能够执行的只有多线程的类，而task任务不是多线程的，所以用一个taskRunner多线程的类对task进行包装后，Task就成为了多线程的，可以放入到线程池中运行！！！！

C、Task在executor中的运行流程：

在运行任务的时候调用taskRunner中的run方法，先进行任务的反序列化，计算时间，以及分配资源，然后交给执行器进行执行，将执行完毕的任务从Taskset中去除

D、执行器【runTask方法】：任务真正运行的地方

task 分为 shuffleMapTask 和 resultTask 两种，都在task中调用runTask方法执行：

5、任务管理：

driver端是所有应用的老大，他会管理每一个executor中的任务执行；监听，数据管理，任务重启。。。。 TaskScheduler

所有的组件，以及代码，变量等数据都在driver端，只有运行的时候会被传送至executor端，因此在driver中运行的程序+变量，都需要被实例化

三、spark任务的四大调度

1、application

spark-submit spark-shell提交的任务就是一个应用，会生成一个application

2、job

遇见一个action算子就会生成一个job

3、stage

遇见shuffle就会切分stage, stage 数量 = shuffle算子数+1

4、task

运行任务的最小单位，一个stage中最后一个rdd的分区数量就是这个stage中task任务的个数

四、几个重要的数值：

读取外部文件的时候，rdd的分区数量是，这个被读取的文件存在多少个block快就有多少个分区；但是当文件只有一个分区时，产生两个分区；
每个stage中task的个数取决于最后一个rdd的分区数量
写入到hdfs中的文件个数（saveAsTextFile）,是存储的rdd的分区数量
一个job每个能够运行多少个task任务？这个job区段内每个stage中的最后一个rdd的分区的总和
同时并行能够运行多少task任务？集群中总核数，一个线程对应一个Task任务，如果任务数量比总的核数多，则等待执行
带有shuffle的算子切分stage，产生的依赖是宽依赖；判断是否是宽依赖的最简单依据就是看算子是否会产生shuffle；
不带shuffle的算子，都在一个stage内，产生依赖是窄依赖
在整个应用任务流程中，action行动类算子会产生job任务使懒加载开始执行；shuffle算子切割stage，产生不同的pipeline管道形式的stage提交阶段；两者不是对等关系，job 的阶段 ≠ stage的阶段；

转载于:https://www.cnblogs.com/Komorebi-john/p/11263945.html