Spark源码 —— 从 SparkSubmit 到 Driver启动

前言

本文主要是以笔记的整理方式写的，
仅以分享的方式供你阅读，
如有不对的地方欢迎指点错误。
读完本文可以学到：
当你用 shell 命令执行 spark-submit 之后，
到你的代码开始正式运行的一些列知识和细节，
恩...粗略的，要看的更细，可以按照流程自己撸源码哈~~~~

SparkSubmit

• Spark-Submit脚本执行后，
  会执行到org.apache.spark.deploy.SparkSubmit
  所以我们从SparkSubmit 类开始,
  以下是org.apache.spark.deploy.SparkSubmit简单的时序图

image.png

• main方法：
  1. 解析我们传入的参数
  2. 根据 action 执行相对应的功能
     当然这里我们的 Action 是：SparkSubmitAction.SUBMIT

  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)
    }
  }

• prepareSubmitEnvironment:
  该方法主要是进行四个参数的解析：

···
private[deploy] def prepareSubmitEnvironment(args: 
SparkSubmitArguments)    : (Seq[String], Seq[String], Map[String, String], String) = {  // Return values  
val childArgs = new ArrayBuffer[String]() 
val childClasspath = new ArrayBuffer[String]()  
val sysProps = new HashMap[String, String]()  
var childMainClass = ""
 ...
 返回值
  (childArgs, childClasspath, sysProps, childMainClass)

1. childArgs： 主要就是一些参数的
2. childClasspath：这个就是classPath，jvm运行的class路径
3. sysProps：一些系统参数
4. childMainClass：接下来将要运行的主类
   • 如果是 Client模式，则该类就是我们自己编写的
   • 如果是Cluster 模式，则根据集群的不同返回不同的类：
     isStandaloneCluster：org.apache.spark.deploy.Client
     isYarnCluster: org.apache.spark.deploy.yarn.Client

• runMain
  1. 加载 childClasspath下的 jars
  2. 设置系统参数 sysProps
  3. 运行 mainMethod，并传递参数

  mainMethod.invoke(null, childArgs.toArray)
  

至此Sumbmit任务完成，接下来我们以 Standalone Client为列，
进行org.apache.spark.deploy.Client相关源码分析

ClientEendpoint

image.png

• 创建ClientEendpoint，并将Master注册到 ClientEendpoint
• ClientEendpoint 的 onstart 方法被调起，
  构建 DriverDescription，
  并指定 Drive r的主类是org.apache.spark.deploy.worker.DriverWrapper
  向 Master 申请RequestSubmitDriver(driverDescription)
• Master 端收到请求后构建DriverInfo并加入到队列：
  waitingDrivers += driver
drivers.add(driver)
• master开始调度schedule(),并回复客户端申请成功的消息
• 在Master的 schedule() 里面开始准备启动Driver

这里主要是将整条线理清楚了，
没有纠结细节，
如果有兴趣你可以按照这个线自己去看下源码
那么接下来就是启动Driver的过程了

Master调度

注意查看源码里面写的注释，
千万不要略过，
要不然本文就没啥意思了~~~

 private def schedule(): Unit = {
    if (state != RecoveryState.ALIVE) { return }
    // 将worker打乱，主要就是为了负载均衡
    val shuffledWorkers = Random.shuffle(workers)
    //筛选存活的 worker
    for (worker <- shuffledWorkers if worker.state == WorkerState.ALIVE) {
      // 遍历等待启动的Driver
      for (driver <- waitingDrivers) {
        //如果该worker内存和core都满足要求
        if (worker.memoryFree >= driver.desc.mem && worker.coresFree >= driver.desc.cores) {
         // 启动Driver
          launchDriver(worker, driver)
          waitingDrivers -= driver
        }
      }
    }
    //实际上还会去启动Executor，
    //但是我们目前不关注这里，略过
    startExecutorsOnWorkers()
  }

我们重点看下 launchDriver做了什么

  private def launchDriver(worker: WorkerInfo, driver: DriverInfo) {
   //将driver的信息记录下来
    worker.addDriver(driver)
    // driver现在知道他该在哪个worker启动了
    driver.worker = Some(worker)
    // 向worker节点发送 LaunchDriver
    worker.endpoint.send(LaunchDriver(driver.id, driver.desc))
    // 标记driver已经运行，实际是Driver可能还没启动呢！！！
    driver.state = DriverState.RUNNING
  }

launchDriver主要就是给 Worker 发送了启动 Driver 的消息
接下来就可以看看 Worker 端是怎么处理 LaunchDriver 这个消息的了。

Wroker调度

//节选代码，不要介意是 case 开头
 case LaunchDriver(driverId, driverDesc) => {
      logInfo(s"Asked to launch driver $driverId")
      //new一个 DriverRunner 
      val driver = new DriverRunner(
        conf,
        driverId,
        workDir,
        sparkHome,
        driverDesc.copy(command = Worker.maybeUpdateSSLSettings(driverDesc.command, conf)),
        self,
        workerUri,
        securityMgr)
        
      //DriverRunner start
      drivers(driverId) = driver
      driver.start()
      //记录下消耗的资源
      coresUsed += driverDesc.cores
      memoryUsed += driverDesc.mem
    }

重点看到 DriverRunner 的 Start 方法

new Thread("DriverRunner for " + driverId) {
    override def run(){
        ...
       //创建driver工作目录
       val driverDir = createWorkingDirectory()
       //下载一些jars
       val localJarFilename = downloadUserJar(driverDir)
        ...
        // 通过系统的指令创建 jvm进程，至此正式启动
        launchDriver(builder, driverDir, driverDesc.supervise)
    }
}.start()

driver的启动是通过一个 DriverRunner类开启一个线程异步启动的，
其过程没有什么特殊的地方，
至此 Driver 正式启动完成了。
接下来就是分析 Driver 主类的启动了
org.apache.spark.deploy.worker.DriverWrapper
而实际上，该类主要的作用就是会：

// Delegate to supplied main class
val clazz = Utils.classForName(mainClass)
val mainMethod = clazz.getMethod("main", classOf[Array[String]])
mainMethod.invoke(null, extraArgs.toArray[String])

调起我们自己写的主类方法，
至此，从我们敲下Spark-Submit之后，
终于执行到我们自己所写的代码了。

结言

Spark这部分源码流程比较简单清楚，
基本没有太多弯弯道道，
但是就算简单，那也是需要你自己去琢磨去看的，
否则你还是不能清楚的知道，
你的那个 spark-submit 敲下之后，
怎么就执行到你的代码了呢？
OK，就到这里了，
如果没有意外，
本人应该会继续更新一系列的Spark源码文章，
如果你有兴趣，不妨关注一下，

最后，求赞 ~~~~