前言
本文隶属于专栏《1000个问题搞定大数据技术体系》,该专栏为笔者原创,引用请注明来源,不足和错误之处请在评论区帮忙指出,谢谢!
本专栏目录结构和参考文献请见1000个问题搞定大数据技术体系
正文
经过专栏前面对 DAGScheduler 的介绍,现在我们可以用下图来表示 DAGScheduler 的调度流程。
这里对图中的记号进行介绍。
记号①: 表示应用程序通过对 Spark API 的调用,进行一系列 RDD 转换构建出 RDD 之间的依赖关系后,调用 DAGScheduler 的 runJob 方法将 RDD 及其血缘关系中的所有 RDD 传递给 DAGScheduler 进行调度。
记号②: DAGScheduler 的 runJob 方法实际通过调用 DAGScheduler 的 submitJob 方法向 DAGSchedulerEventProcessLoop 发送 JobSubmitted 事件。
DAGSchedulerEventProcessLoop 接收到 JobSubmitted 事件后,将 JobSubmitted 事件放入事件队列( EventQueue )。
这里面实际上蕴含着 reactor 的思想。
记号③: DAGSchedulerEventProcessLoop 内部的轮询线程 eventThread 不断从事件队列( EventQueue )中获取 DAGSchedulerEvent 事件,并调用 DAGSchedulerEventProcessLoop 的 doOnReceive 方法对事件进行处理。
记号④: DAGSchedulerEventProcessLoop 的 doOnReceive 方法处理 JobSubmitted 事件时,将调用 DAGScheduler 的 handleJobSubmitted 方法。
handleJobSubmitted 方法将对 RDD 构建 Stage 及 Stage 之间的依赖关系。
记号⑤: DAGScheduler 首先把最上游的 Stage 中的 Task 集合提交给 TaskScheduler ,然后逐步将下游的 Stage 中的 Task 集合提交给 TaskScheduler 。
TaskScheduler 将对 Task 集合进行调度。