上篇文章DAGScheduler主要是对DAGScheduler作用简要描述,本次结合源码解析DAGScheduler如何划分Stage。
spark在提交作业时,首先会提交给DAGScheduler,划分成若干个Stage,具体是如何划分的呢?首先根据最后一个RDD,创建一个Stage,在创建Stage时,会获取该Stage的所有的父Stage,在获取父Stage的过程中,完成了本次提交的作业Stage划分。
在newStage方法中,首先创建一个Stage,同时要注意创建时getParentStage()方法
在new Stage()方法中获取当前RDD的所有的Stage,获取给rdd的所有依赖,根据依赖进行划分,如果当前依赖为窄依赖,继续递归其父rdd的情况,直道所有的父级RDD结束。如果遇到宽依赖会创建Stage。创建Stage过程中也会获取其父Stage,这样讲整个RDD和及其依赖遍历完。
首先判断当前的RDD的依赖,如果是宽依赖,会调用getShuffleMapStage创建Stage,同时和之前遍历的Stage合并做为当前的parent stage。
在newOrUsedStage方法中,有调用之前的newStage()方法,同时判断mapOutputTracker中是否含有shuffleId,主要是对该Stage输出记录的。
经过一系列循环过程完成了Stage划分。同时看到在每一个Stage中都包含了其父类。