Spark-Scheduler：三、DAGScheduler实现过程

前言：

通过前面部分内容，我们知道DAGScheduler会根基RDD的计算逻辑，将DAG划分为不同的Stage，每个Stage可以并发执行一组逻辑完全相同的Task，只是分布作用于不同数据集上面。

 

现在从一个简单的RDD count为例，来看一下Spark的内部实现原理。

 

1、SparkContext#runJob

def count(): Long = sc.runJob(this, Utils.getIteratorSize _).sum

其实SparkContext实现了很多runJob，这些函数的区别就是调用参数不同，但是这些runJob最后都会

调用DAGScheduler的runJob:

dagScheduler.runJob(rdd, cleanedFunc, partitions, callSite, allowLocal, resut)

在DAGScheduler的runJob会开始对用户提交的Job进行处理，包括Stage的划分、Task的生成等。

TaskScheduler是通过SparkContext#createTaskScheduler创建，而DAGScheduler时直接调用它的构造函数创建。只不过DAGScheduler保存了TaskScheduler的引用，因此需要在TaskScheduler创建之后进行创建。

在sparkContext中创建DAGScheduler；

dagScheduler = new DAGScheduler(this);

这个构造函数的实现是：

def this(sc: SparkContext) = this(sc, sc.taskScheduler)

继续看this(sc, sctaskScheduler)的实现：

def this(sc: SparkContext, taskScheduler:TaskScheduler) = {
this(
sc,
taskScheduler,
sc.listenerBus,
sc.env.mapOutTracker.asInstanceOf[MapOutputTrackerMaster],
sc.env.blockManager.master
sc.env
)
}

this(sc, sc,taskScheduler)通过调用下面的构造函数完成DAGScheduler的创建：

private[spark]

class DAGScheduler(

private[scheduler] val sc : SparkContext,

private[scheduler] val taskScheduler: TaskScheduler,

listenerBus: LiverListenerBus,

mapOutputTracker: MapOutputTrackerMaster, //shuffle map task 的输出，下游的task可以获取shuffle的位置信息

blockManagerMaster: BlockManagerMaster, //在Driver端管理整个Job的Block的信息。

env: SparkEnv,

clock: Clock = SystemClock

)extends Logging{}

这里我们看见DAGScheduler初始化的都是集群状态信息的数据结构，对于监管它还会创建一个Actor（org.apache.spark.scheduler.DAGSchedulerEventProcessActor），变量名为event-ProcessActor

。这个Actor的主要职责就是处理DAGScheduler发送给它的各种消息；

def receive = {

case p: Props => sender ! context.actorOf(p)

case _=> logWarning("received unknown message in DAGSchedulerActorSupervis")

}

//DAGSchedulerEventProcessActor的创建过程

implicit val timeout = Timeout(30 seconds)

val initEventActorReply = dagSchedulerActorSupervisor ? Props(new DAGSchedulerEventProcessActor(this))

eventProcesActor = Await.result(initEventActorReply, timeout.duration).asInstanceOf[ActorRef]

而DAGSchedulerActorSupervisor来完成eventProcessActor的创建。如果Actor出现错误，则取消DAGScheduler的所有job，停止SparkContext，最终退出。

2、count具体的执行过程

言归正传前面是介绍了DAGScheduler的内部创建机制，以及我们在调用count的时候sparkContext是如何调用，已经如何创建DAGScheduler和TaskScheduler的。

那么抛开方法里面的细节，整个count的执行流程如下

 

由上面图可大致了解count执行的具体过程，第三到第四步的实现：

val waiter = submitJob(rdd, func, partitions, callSite, allowLocal, resultHandler)

waiter.awaitResult() match{

case JobSucceeded => {

logInfo("Job %d finished: %s, took %f s".format(waiter.jobId,callSite.shotForm,(System.nanoTime - strat)/1e9))

case JobFailed(exception: Exception) =>

logInfo("Job %d failed: %s, took %f s").format(waiter.jobId, callSite.shortForm, (System.nanoTIme - start)/1e9)

}

}

上述submitJob首先会为这个Job生成一个Job ID，并且生成一个JobWaiter的实里来监听Job的执行情况：

val waiter = new JobWaiter(this, jobId, partitions.size, resultHandler)

JobWaiter会监听Job的执行状态，而Job是由多个Task组成的，因此只有Job的所有Task都成功完成，Job才标记成功。当其中一个Task失败，都会标记Job失败，这是DAGScheduler通过调用org.apache.spark.scheduler.JobWaiter#jobFailed实现的。

最后，DAGScheduler会向eventProcessActor提交该Job：

eventProcessActor ! JobSubmitted()