6.Spark streaming技术内幕 : Job动态生成原理与源码解析

原创文章，转载请注明:转载自 周岳飞博客(http://zhou-yuefei.iteye.com/) 

 

Spark streaming 程序的运行过程是将DStream的操作转化成RDD的操作，Spark Streaming 和 Spark Core 的关系如下图（图片来自spark官网）

 

Spark Streaming 会按照程序设定的时间间隔不断动态生成Job来处理输入数据，这里的Job生成是指将Spark Streaming 的程序翻译成Spark内核的RDD操作，翻译的过程并不会触发Job的运行，Spark Streaming 会将翻译的处理逻辑封装在Job对象中，最后会将Job提交到集群上运行。这就是Spark Streaming 运行的基本过程。下面详细介绍Job动态生成和提交过程。

 

首先,当SparkStreaming的start方法调用后,整个Spark Streaming 程序开始运行,按照指定的时间间隔生成Job并提交给集群运行,在生成Job的工程中主要核心对象有

    1.JobScheduler   

    2.JobGenerator

    3.DStreamGraph

    4.DStream

其中,  JobScheduler  负责启动 JobGenerator生成Job,并提交生成的Job到集群运行,这里的Job不是在spark core 中提到的job,它只是作业运行的代码模板,是逻辑级别的,可以类比java线程中的Runnable接口实现,不是真正运行的作业,  它封装了由DStream转化而来的RDD操作.JobGenerator负责定时调用 DStreamingGraph的generateJob方法生成Job和清理Dstream的元数据,  DStreamGraph持有构成DStream图的所有DStream对象,并调用 DStream的generateJob方法生成具体Job对象.DStream生成最终的Job交给 JobScheduler  调度执行。整体过程如下图所示：

 

 

 

原创文章，转载请注明: 转载自 周岳飞博客( http://zhou-yuefei.iteye.com/ )

 

下面结合源码分析每一步过程 (源码中黄色背景部分为核心逻辑代码,例如 :  scheduler .start() ) :

首先，StreamingContext起动时调用start方法

try{

validate()

 

// Start the streaming scheduler in a new thread, so that thread local properties

// like call sites and job groups can be reset without affecting those of the

// current thread.

ThreadUtils.runInNewThread("streaming-start"){

sparkContext.setCallSite(startSite.get)

sparkContext.clearJobGroup()

sparkContext.setLocalProperty(SparkContext.SPARK_JOB_INTERRUPT_ON_CANCEL,"false")

savedProperties.set(SerializationUtils.clone(

sparkContext.localProperties.get()).asInstanceOf[Properties])

scheduler.start()

}

state =StreamingContextState.ACTIVE

}catch{

caseNonFatal(e)=>

logError("Error starting the context, marking it as stopped", e)

scheduler.stop(false)

state =StreamingContextState.STOPPED

throw e

}

 

其中调用了scheduler的start方法,此处的scheduler 就是  org.apache.spark.streaming.scheduler.JobScheduler   对象,

StreamingContext持有 org.apache.spark.streaming.scheduler.JobScheduler 对象的引用。

下面看一下 JobScheduler的start方法:

 

eventLoop =newEventLoop[JobSchedulerEvent]("JobScheduler"){

override protected def onReceive(event:JobSchedulerEvent):Unit= processEvent(event)

 

override protected def onError(e:Throwable):Unit= reportError("Error in job scheduler", e)

}

eventLoop.start()

 

// attach rate controllers of input streams to receive batch completion updates

for{

inputDStream <- ssc.graph.getInputStreams

rateController <- inputDStream.rateController

} ssc.addStreamingListener(rateController)

 

listenerBus.start()

receiverTracker =newReceiverTracker(ssc)

inputInfoTracker =newInputInfoTracker(ssc)

executorAllocationManager =ExecutorAllocationManager.createIfEnabled(

ssc.sparkContext,

receiverTracker,

ssc.conf,

ssc.graph.batchDuration.milliseconds,

clock)

executorAllocationManager.foreach(ssc.addStreamingListener)

receiverTracker.start()

jobGenerator.start()

executorAllocationManager.foreach(_.start())

logInfo("Started JobScheduler")

 

可以看到 JobScheduler调用了 jobGenerator的start方法和 eventLoop的start方法,eventLoop用来接收 JobSchedulerEvent消息,并交给 processEvent函数进行处理

代码如下:

private def processEvent(event:JobSchedulerEvent){

try{

event match {

caseJobStarted(job, startTime)=> handleJobStart(job, startTime)

caseJobCompleted(job, completedTime)=> handleJobCompletion(job, completedTime)

caseErrorReported(m, e)=> handleError(m, e)

}

}catch{

case e:Throwable=>

reportError("Error in job scheduler", e)

}

}

 

 可以看到 JobScheduler中的eventLoop只处理JobStarted,JobCompleted和ErrorReported 三类消息,这三类消息的处理不是Job动态生成的核心逻辑代码先略过,(注意:后面 JobGenerator中也有个eventLoop不要和这里的eventLoop混淆。)

JobGenerator的start方法首先new了一个EventLoop对象eventLoop,并复 写onReceive(),将收到的JobGeneratorEvent 消息交给 processEvent 方法处理.源码如下:

 

/** Start generation of jobs */ def start(): Unit = synchronized { if (eventLoop != null) return // generator has already been started // Call checkpointWriter here to initialize it before eventLoop uses it to avoid a deadlock. // See SPARK-10125 checkpointWriter eventLoop = new EventLoop[JobGeneratorEvent]("JobGenerator") { override protected def onReceive(event: JobGeneratorEvent): Unit = processEvent(event) override protected def onError(e: Throwable): Unit = { jobScheduler.reportError("Error in job generator", e) } } eventLoop.start() if (ssc.isCheckpointPresent) { restart() } else { startFirstTime() } }

JobGenerator创建了eventLoop对象之后调用该对象的start方法,启动监听进程,准备接收JobGeneratorEvent类型消息交给processEvent函数处理,然后调用了startFirstTime方法,该方法启动DStreamGraph和定时器,定时器启动后根据程序设定的时间间隔给eventLoop对象发送GenerateJobs消息,如下图:

 

 

原创文章，转载请注明: 转载自 周岳飞博客( http://zhou-yuefei.iteye.com/ )

 

 

eventLoop对象收到  GenerateJobs 消息交个processEvent方法处理,processEvent收到该消息,调用generateJobs方法处理,源码如下:

 

/** Generate jobs and perform checkpoint for the given `time`. */

private def generateJobs(time:Time){

// Checkpoint all RDDs marked for checkpointing to ensure their lineages are

// truncated periodically. Otherwise, we may run into stack overflows (SPARK-6847).

ssc.sparkContext.setLocalProperty(RDD.CHECKPOINT_ALL_MARKED_ANCESTORS,"true")

Try{

jobScheduler.receiverTracker.allocateBlocksToBatch(time)// allocate received blocks to batch

graph.generateJobs(time)// generate jobs using allocated block

} match {

caseSuccess(jobs)=>

val streamIdToInputInfos = jobScheduler.inputInfoTracker.getInfo(time)

jobScheduler.submitJobSet(JobSet(time, jobs, streamIdToInputInfos))

caseFailure(e)=>

jobScheduler.reportError("Error generating jobs for time "+ time, e)

}

eventLoop.post(DoCheckpoint(time, clearCheckpointDataLater =false))

}

 

JobGenerator中的generateJobs方法主要关注两行代码,首先调用graph的generateJobs方法,给方法返回Success(jobs) 或者 Failure(e),其中的jobs就是该方法返回的Job对象集合,如果Job创建成功,再调用JobScheduler的submitJobSet方法将job提交给集群执行。

首先分析Job对象的产生，DStreamGraph 的start方法源码：

def generateJobs(time:Time):Seq[Job]={

logDebug("Generating jobs for time "+ time)

val jobs =this.synchronized{

outputStreams.flatMap { outputStream =>

val jobOption = outputStream.generateJob(time)

jobOption.foreach(_.setCallSite(outputStream.creationSite))

jobOption

}

}

logDebug("Generated "+ jobs.length +" jobs for time "+ time)

jobs

}

 

DStreamGraph 的start方法源码调用了outputStream对象的generateJob方法，ForeachDStream重写了该方法：

 

override def generateJob(time:Time):Option[Job]={

parent.getOrCompute(time) match {

caseSome(rdd)=>

val jobFunc =()=> createRDDWithLocalProperties(time, displayInnerRDDOps){

foreachFunc(rdd, time)

}

Some(newJob(time, jobFunc))

caseNone=>None

}

}

 

ForeachDStream的 generateJob 将用户编写的DStream处理函数封装在jobFunc中，并将其传入Job对象，至此Job的生成。

接下来分析Job提交过程，JobScheduler负责Job的提交，核心代码在submitJobSet方法中：

 

def submitJobSet(jobSet:JobSet){

if(jobSet.jobs.isEmpty){

logInfo("No jobs added for time "+ jobSet.time)

}else{

listenerBus.post(StreamingListenerBatchSubmitted(jobSet.toBatchInfo))

jobSets.put(jobSet.time, jobSet)

jobSet.jobs.foreach(job => jobExecutor.execute(newJobHandler(job)))

logInfo("Added jobs for time "+ jobSet.time)

}

}

 

其中jobExecutor对象是一个线程池，JobHandler实现了 Runnable接口，在JobHandler 的run方法中会调用传入的job对象的run方法。

 

疑问：Job的run方法执行是如何触发RDD的Action操作从而出发job的真正运行的呢？我们下次再具体分析，请随时关注博客更新!

 

原创文章，转载请注明: 转载自 周岳飞博客( http://zhou-yuefei.iteye.com/ )