Spark之Task的定义

一个供Executor执行的可执行的逻辑单元，Spark目前提供了两类Task，分别为ShuffleMapTask和ResultTask。Job会由一个或者多个Stage，一个Spark Job基于Stage构建成逻辑执行计划和物理执行计划。如： Job A={S1,S2,S3} 由三个Stage构成，那么S1、S2会由ShuffleMapTasks构成，S3作为Job的最后一个Stage由多个ResultTasks构成。Task在Driver侧构建，在Executor侧执行，执行完一个ResultTask会把Task的输出发送给Driver侧的应用程序，执行完一个ShuffleMapTask后基于Task的Partitioner把Task的输出划分多份进行存储。

如上图：一个Stage内只会存在同一种Task，Task数量与Stage的Partition数量保持一致(运行的Task数量可能会大于Partition数量)

构造函数：

private[spark] abstract class Task[T](

//Task对应的Stage唯一ID号

val stageId: Int,

//stageAttemptId表示Stage被执行的次数，第一次为1
val stageAttemptId: Int,

//Task对应的partitionid，一个Task对一个唯一的partitionid
val partitionId: Int,
@transient var localProperties: Properties = new Properties,
// The default value is only used in tests.
serializedTaskMetrics: Array[Byte] =
      SparkEnv.get.closureSerializer.newInstance().serialize(TaskMetrics.registered).array(),
val jobId: Option[Int] = None,
val appId: Option[String] = None,
val appAttemptId: Option[String] = None) extends Serializable {}

属性：

//在MapOutputTracker中定义的，记录Map侧失败的次数，由Driver侧维护。Executor每次执行Task的时候会检查loca epoch<epoch，会更新epoch，并清除Executor的缓存的mapStatuses。

//在Local Mode下epoch没有意义

var epoch: Long = -1

// TaskContext在run方法中初始化，即在Executor侧初始化
@transient var context: TaskContextImpl = _

TaskContextImpl记录了一个Task的上下文信息，包括Task的重要属性和执行结果。

上下文属性：

属性	说明
stageid	Stage的唯一ID号
stageAttemptNumber	Stage被执行次数，每失败一次加一，由Driver侧维护
partitionid	当前Task所对应的Partitionid，一对一的关系
attemptNumber	Task被执行的次数，每失败一次加一，由Driver侧维护

执行结果：

方法	说明
addTaskCompletionListener	添加任务完成的事件，任务失败后也会添加完成事件
addTaskFailureListener	添加任务失败事件

方法：

//由Executor执行，ShuffleMapTask、ResultTask分别实现了runTask，详情请见Task执行小节

def runTask(context: TaskContext): T 

 

综上述，Spark中的Task主要信息包括 Stage、Partitioner、TaskContext等这些Spark Core的概念，不包括RDD和用户的编程逻辑代码。Driver通过Broadcast把RDD广播给所有的Executor，通过Endpoint把Task点对点的发送到指定的Executor。

注意：RDD与Stage分开存在一个明显的性能问题，Executor每次执行Task的时候都需要返序列化一次，下图为ShuffleMapTask中反序列化的代码。

// RDD本身数据是通过BroadCast广播出去给所有Executor，这里通过BroadCast获取RDD并反序列化
val (rdd, dep) = ser.deserialize[(RDD[_], ShuffleDependency[_, _, _])](
  ByteBuffer.wrap(taskBinary.value), Thread.currentThread.getContextClassLoader)
_executorDeserializeTime = System.currentTimeMillis() - deserializeStartTime
_executorDeserializeCpuTime = if (threadMXBean.isCurrentThreadCpuTimeSupported) {
  threadMXBean.getCurrentThreadCpuTime - deserializeStartCpuTime
} else 0L

我们都知道反序列化是一个很消耗CPU的操作，对于大数据计算框架CPU资源显得更加珍贵。在DAGScheduler.submitMissingTasks方法中Spark的开发人员有考虑过把RDD放到Stage里面以避免多次的反序列化。通过BroadCast广播给所有的Executor，可以确保每个Task都可独占一个RDD序列化后的副本，在Task之间可以提供很强的隔离性。他们担心用户在RDD的Function闭包中通过对象引用修改对象的状态，例如：Hadoop中JobConf/Configuration对象不是线程安全的。

// TODO: Maybe we can keep the taskBinary in Stage to avoid serializing it multiple times.
// Broadcasted binary for the task, used to dispatch tasks to executors. Note that we broadcast
// the serialized copy of the RDD and for each task we will deserialize it, which means each
// task gets a different copy of the RDD. This provides stronger isolation between tasks that
// might modify state of objects referenced in their closures. This is necessary in Hadoop
// where the JobConf/Configuration object is not thread-safe.
var taskBinary: Broadcast[Array[Byte]] = null