承接上篇博文所述,接下来我对getShuffleMapStage以及newStage这两个方法的代码进行主要的介绍
getShuffleMapStage:该方法主要是通过调用newOrUsedStage生成stage
private def getShuffleMapStage(shuffleDep: ShuffleDependency[_,_], jobId: Int): Stage = {
shuffleToMapStage.get(shuffleDep.shuffleId) match {
case Some(stage) => stage//如果该stage已经存在,则返回这个stage
case None =>//否则生成新的stage
val stage =
newOrUsedStage(shuffleDep.rdd, shuffleDep.rdd.partitions.size, shuffleDep, jobId)
shuffleToMapStage(shuffleDep.shuffleId) = stage //将生成的stage存储在相应的容器中,以标志其已经存在,避免后续的过程中又生成
stage //返回stage
}
}
newOrUsedStage:该方法主要是通过调用newStage方法为特定的shuffle依赖生成stage,即生成Stage类,此外若MapOutTracker中已经存在该shuffle所对应的的stage,我们就恢复其输出位置,输出位置存储的其实就是MapStatus,否则MapOutTracker就会注册该stage,从之前MapOutTracker章节中已经得知MapOutTracker就是用于管理shuffle操作的
newStage:该方法真正的实现创建一个stage,同时在创建stage之后更新job和stage的关系,即更新前面最开头(Spark源码理解之DAGScheduler---part1)提到的几个重要的变量
private def newStage(
rdd: RDD[_],
numTasks: Int,
shuffleDep: Option[ShuffleDependency[_,_]],
jobId: Int,
callSite: Option[String] = None)
: Stage =
{
val id = nextStageId.getAndIncrement()//生成stage的id
val stage =
new Stage(id, rdd, numTasks, shuffleDep, getParentStages(rdd, jobId), jobId, callSite)//生成Stage类
stageIdToStage(id) = stage//更新消息
updateJobIdStageIdMaps(jobId, stage) //更新job和stage对应的关系
stageToInfos(stage) = StageInfo.fromStage(stage)
stage
}
updateJobIdStageIdMaps:该方法主要实现更新job和stage的映射关系,通过更新前面所说的相关容器实现
PS:生成shuffle mapstage的时候调用newOrUsedStage(),而生成final stage的时候直接调用newStage(),这在之后会提到,因为生成shuffle map stage的时候还要通过MapOutTracker进行各种shuffle注册,标记等等,newOrUsedStage()方法正好实现了这一部分,而newStage()方法没有
关于shuffle的依赖我觉得始终很模糊,希望有机会可以解决?????
此外,始终不太明白任务集不是由分区所进行的各个操作即函数所组成嘛,那这些函数都存放在哪里,调用Task.run的时候怎么运行的,难道是由Task类的回调函数所实现,如果是这样,那是在哪个部分进行的呢,回调函数是怎么将这些函数添加进来的呢????希望能得到各位博友的热心解答
Stage类中的变量只有一个RDD,那是不是说一个stage只有一个RDD,写程序时一般在创建完SparkContext对象之后就会将我们的scala集合通过parallize()方法转换为RDD,之后进行各种操作,那从这里可以看出我们最开始也就只有一个RDD,之后我们就是对这一个RDD进行操作,因此一个stage只有一个RDD这样的理解应该也是没错的,即使我们会生成多个RDD,但我认为在触发动作时多个RDD应该也会转换为一个RDD
接下来,可以看看DAGScheduler如何向TaskScheduler提交任务集
其大概思路可以概述为如下:
首先生成一个任务数组tasks,用来存放之后的任务集,tasks为该stage的任务集---->若该stage为shuffle map stage,则生成ShuffleMapTask,若为final stage,则生成ReusltTask,之后将生成的ShuffleMapTask或者ReusltTask存放在tasks中----->tasks生成TaskSet类,接着调用TaskScheduler的submitTasks()方法提交刚刚生成的任务集
至此,DAGScheduler完成了将任务集提交给TaskScheduler前面的文章中提及过Task的类型有ShuffleMapTask和ResultTask,下篇博文中我将就这两种任务的区别进行简单地讲述。。。
未完待续。。。。