spark源码阅读二-spark-submit执行过程

在spark-shell提交spark任务或者在某个clinet机器命令行运行spark-submit脚本提交任务，其实都执行的spark-submit脚本。

spark-submit脚本代码

if [ -z "${SPARK_HOME}" ]; then

  source "$(dirname "$0")"/find-spark-home

fi

# disable randomized hash for string in Python 3.3+

export PYTHONHASHSEED=0

exec "${SPARK_HOME}"/bin/spark-class org.apache.spark.deploy.SparkSubmit "$@“

这段代码很简单，先检查是否设置了${SPARK_HOME}，没有则去寻找；然后调用spark-class运行SparkSubmit代码。那再看看spark-class

脚本，只看重要的几个片段：

# Find the java binary

if [ -n "${JAVA_HOME}" ]; then

  RUNNER="${JAVA_HOME}/bin/java"

else

  if [ "$(command -v java)" ]; then

    RUNNER="java"

  else

    echo "JAVA_HOME is not set" >&2

    exit 1

  fi

fi

…

build_command() {

  "$RUNNER" -Xmx128m -cp "$LAUNCH_CLASSPATH" org.apache.spark.launcher.Main "$@"

  printf "%d\0" $?

}

…

CMD=()

while IFS= read -d '' -r ARG; do

  CMD+=("$ARG")

done < <(build_command "$@“)

…

exec "${CMD[@]}"

使用java命令来运行main函数，前面传入的SparkSubmit和参数都作为这个main的参数。这个main函数功能就是根据输入生成最终要执行的命令。

来看看org.apache.spark.launcher.Main main函数的流程：

public static void main(String[] argsArray) throws Exception {

  checkArgument(argsArray. length > 0, "Not enough arguments: missing class name.");

  List<String> args = new ArrayList<>(Arrays. asList(argsArray));

  String className = args.remove(0);

  boolean printLaunchCommand = ! isEmpty(System. getenv( "SPARK_PRINT_LAUNCH_COMMAND"));

  AbstractCommandBuilder builder;

  if (className.equals( "org.apache.spark.deploy.SparkSubmit")) {

    try {

      builder = new SparkSubmitCommandBuilder(args);

    } catch (IllegalArgumentException e) {

      …

   }

  List<String> cmd = builder.buildCommand(env);

  ...

}

第一个参数是 org.apache.spark.deploy.SparkSubmit，那么就使用剩下的参数传入 SparkSubmitCommandBuilder。

@Override public List<String> buildCommand(Map<String, String> env)

    throws IOException, IllegalArgumentException {

  if ( PYSPARK_SHELL.equals( appResource) && isAppResourceReq) {

    return buildPySparkShellCommand(env);

  } else if ( SPARKR_SHELL.equals( appResource) && isAppResourceReq) {

    return buildSparkRCommand(env);

  } else {

    return buildSparkSubmitCommand(env);

  }

}

根据不同的场景输出不同的命令字符串，最后在spark-class脚本执行，见spark-class脚本最后一行exec命令。

不管怎样，最终都会运行org.apache.spark.deploy.SparkSubmit main函数。

override def main(args: Array[String]): Unit = {

  val appArgs = new SparkSubmitArguments(args)

  if (appArgs. verbose) {

    // scalastyle:off println     printStream.println(appArgs)

    // scalastyle:on println   }

  appArgs. action match {

    case SparkSubmitAction. SUBMIT => submit(appArgs)

    case SparkSubmitAction. KILL => kill(appArgs)

    case SparkSubmitAction. REQUEST_STATUS => requestStatus(appArgs)

  }

}

我们进入submit流程看看，主要是2个流程，先解析args参数获得要运行的类、class路径，以及其他参数。

val (childArgs, childClasspath, sysProps, childMainClass) = prepareSubmitEnvironment(args)

然后调用 runMain(childArgs, childClasspath, sysProps, childMainClass, args. verbose)

runMain会使用java反射功能取出childMainClass main函数并执行，childMainClass就是提交任务时输入的任务类。