ContextCleaner详解

简介

ContextCleaner用于清理任务执行过程中生成的超出应用范围的RDD、Shuffle、Broadcast、Accumulator和检查点数据。Spark运行过程中会产生一堆临时文件和临时数据，比如持久化的RDD数据在磁盘上，没有持久化的在内存中，比如shuffle的临时数据等，如果不清理会产生大量的垃圾数据，最终会导致集群资源耗尽。

ContextCleaner类的组成

ContextCleaner类主要包括五个成员：

• referenceBuffer：缓存CleanupTaskWeakReference对象引用；

• refeerenceQueue：缓存从CleanupTaskWeakReference中加入的只剩余弱引用的引用队列；

• listeners：监听对象清理工作的监听器数组；

• cleaningThread：清理对象引用的守护线程，名称为Spark Context Cleaner，用于清理不被使用的对象引用。

• periodicGCService：单一守护线程池，名称为context-cleaner-periodic-gc，用于周期（默认30min）调用System.gc()方法，来清理JVM内存中不被使用的对象。

    /**
     * RDD、shuffle和broadcast状态的异步清理器
     * 保存每个感兴趣的RDD、ShuffleDependency和Broadcast对象的弱引用，当关联对象超出应用范围（出了变量作用域，或者无强引用）时进行处理。
     * 实际是由一个单独的后台线程来清理的。
     */
    private[spark] class ContextCleaner(sc: SparkContext) extends Logging {
    
      /**
       * 保证`CleanupTaskWeakReference`的对象只要不被`reference queue`处理，就不会被垃圾收集掉的缓冲队列。
       */
      private val referenceBuffer =
        Collections.newSetFromMap[CleanupTaskWeakReference](new ConcurrentHashMap)
    
      private val referenceQueue = new ReferenceQueue[AnyRef]
    
      // 仅为测试目的使用，当清理对象时调用注册的所有监听器
      private val listeners = new ConcurrentLinkedQueue[CleanerListener]()
      // 两个线程用不同的方式实现，clean线程一直执行，而gc线程周期调度执行
      private val cleaningThread = new Thread() { override def run() { keepCleaning() }}
    
      private val periodicGCService: ScheduledExecutorService =
        ThreadUtils.newDaemonSingleThreadScheduledExecutor("context-cleaner-periodic-gc")
  
      /** 注册一个待清理的对象 */
      private def registerForCleanup(objectForCleanup: AnyRef, task: CleanupTask): Unit = {
        referenceBuffer.add(new CleanupTaskWeakReference(task, objectForCleanup, referenceQueue))
      }
  
      ...
    }
  

ContextCleaner如何知道哪些数据对象是不再被使用的呢？

首先需要向ContextCleaner注册要清理的数据对象。然后ContextC