Spark Core Runtime分析: DAGScheduler, TaskScheduler, SchedulerBackend

Spark Runtime里的主要层次分析，梳理Runtime组件和运行流程，

DAGScheduler

Job=多个stage，Stage=多个同种task, Task分为ShuffleMapTask和ResultTask，Dependency分为ShuffleDependency和NarrowDependency

面向stage的切分，切分依据为宽依赖

维护waiting jobs和active jobs。维护waiting stages、active stages和failed stages，以及与jobs的映射关系

主要职能

1. 接收提交Job的主入口。submitJob(rdd, ...)或runJob(rdd, ...)。在SparkContext里会调用这两个方法。
   • 生成一个Stage并提交，接着推断Stage是否有父Stage未完毕，若有。提交并等待父Stage。以此类推。结果是：DAGScheduler里添加了一些waiting stage和一个running stage。
   • running stage提交后。分析stage里Task的类型，生成一个Task描写叙述，即TaskSet。

   • 调用TaskScheduler.submitTask(taskSet, ...)方法，把Task描写叙述提交给TaskScheduler。TaskScheduler依据资源量和触发分配条件，会为这个TaskSet分配资源并触发运行。
   • DAGScheduler提交job后。异步返回JobWaiter对象。能够返回job运行状态，能够cancel job，运行成功后会处理并返回结果
2. 处理TaskCompletionEvent
   
   • 假设task运行成功，相应的stage里减去这个task。做一些计数工作：
     • 假设task是ResultTask，计数器Accumulator加一。在job里为该task置true，job finish总数加一。

       加完后假设finish数目与partition数目相等。说明这个stage完毕了，标记stage完毕。从running stages里减去这个stage，做一些stage移除的清理工作

     • 假设task是ShuffleMapTask。计数器Accumulator加一，在stage里加上一个output location。里面是一个MapStatus类。MapStatus是ShuffleMapTask运行完毕的返回，包含location信息和block size(能够选择压缩或未压缩)。同一时候检查该stage完毕，向MapOutputTracker注冊本stage里的shuffleId和location信息。然后检查stage的output location里是否存在空。若存在空。说明一些task失败了，整个stage又一次提交；否则，继续从waiting stages里提交下一个须要做的stage
   • 假设task是重提交，相应的stage里添加这个task
   • 假设task是fetch失败，立即标记相应的stage完毕。从running stages里减去。

     假设不同意retry。abort整个stage；否则，又一次提交整个stage。

     另外，把这个fetch相关的location和map任务信息。从stage里剔除，从MapOutputTracker注销掉。最后，假设这次fetch的blockManagerId对象不为空，做一次ExecutorLost处理，下次shuffle会换在还有一个executor上去运行。

   • 其它task状态会由TaskScheduler处理，如Exception, TaskResultLost, commitDenied等。

3. 其它与job相关的操作还包含：cancel job， cancel stage, resubmit failed stage等

其它职能

1. cacheLocations 和 preferLocation

private val cacheLocs = new HashMap[Int, Array[Seq[TaskLocation]]]

TaskScheduler

维护task和executor相应关系，executor和物理资源相应关系。在排队的task和正在跑的task。

内部维护一个任务队列。依据FIFO或Fair策略，调度任务。

TaskScheduler本身是个接口，spark里仅仅实现了一个TaskSchedulerImpl。理论上任务调度能够定制。以下是TaskScheduler的主要接口：

def start(): Unit
def postStartHook() { }
def stop(): Unit
def submitTasks(taskSet: TaskSet): Unit
def cancelTasks(stageId: Int, interruptThread: Boolean)
def setDAGScheduler(dagScheduler: DAGScheduler): Unit
def executorHeartbeatReceived(execId: String, taskMetrics: Array[(Long, TaskMetrics)],
    blockManagerId: BlockManagerId): Boolean

主要职能

1. submitTasks(taskSet)，接收DAGScheduler提交来的tasks
   • 为tasks创建一个TaskSetManager，加入到任务队列里。

     TaskSetManager跟踪每一个task的运行状况，维护了task的很多详细信息。

   • 触发一次资源的索要。
     
     • 首先。TaskScheduler对比手头的可用资源和Task队列。进行executor分配(考虑优先级、本地化等策略)，符合条件的executor会被分配给TaskSetManager。
     • 然后。得到的Task描写叙述交给SchedulerBackend。调用launchTask(tasks)。触发executor上task的运行。

       task描写叙述被序列化后发给executor，executor提取task信息。调用task的run()方法运行计算。

2. cancelTasks(stageId)，取消一个stage的tasks
   
   • 调用SchedulerBackend的killTask(taskId, executorId, ...)方法。

     taskId和executorId在TaskScheduler里一直维护着。

3. resourceOffer(offers: Seq[Workers])，这是很重要的一个方法，调用者是SchedulerBacnend，用途是底层资源SchedulerBackend把空余的workers资源交给TaskScheduler。让其依据调度策略为排队的任务分配合理的cpu和内存资源。然后把任务描写叙述列表传回给SchedulerBackend
   
   • 从worker offers里。搜集executor和host的相应关系、active executors、机架信息等等
   • worker offers资源列表进行随机洗牌，任务队列里的任务列表依据调度策略进行一次排序
   • 遍历每一个taskSet，依照进程本地化、worker本地化、机器本地化、机架本地化的优先级顺序，为每一个taskSet提供可用的cpu核数，看是否满足
     
     • 默认一个task须要一个cpu。设置參数为"spark.task.cpus=1"
     • 为taskSet分配资源，校验是否满足的逻辑，终于在TaskSetManager的resourceOffer(execId, host, maxLocality)方法里
     • 满足的话，会生成终于的任务描写叙述。而且调用DAGScheduler的taskStarted(task, info)方法。通知DAGScheduler，这时候每次会触发DAGScheduler做一次submitMissingStage的尝试，即stage的tasks都分配到了资源的话，立即会被提交运行
4. statusUpdate(taskId, taskState, data),还有一个很重要的方法，调用者是SchedulerBacnend，用途是SchedulerBacnend会将task运行的状态汇报给TaskScheduler做一些决定
   
   • 若TaskLost，找到该task相应的executor。从active executor里移除。避免这个executor被分配到其它task继续失败下去。

   • task finish包含四种状态：finished, killed, failed, lost。仅仅有finished是成功运行完毕了。

     其它三种是失败。

   • task成功运行完，调用TaskResultGetter.enqueueSuccessfulTask(taskSet, tid, data)，否则调用TaskResultGetter.enqueueFailedTask(taskSet, tid, state, data)。TaskResultGetter内部维护了一个线程池，负责异步fetch task运行结果并反序列化。默认开四个线程做这件事，可配參数"spark.resultGetter.threads"=4。

TaskResultGetter取task result的逻辑

• 对于success task。假设taskResult里的数据是直接结果数据。直接把data反序列出来得到结果。假设不是。会调用blockManager.getRemoteBytes(blockId)从远程获取。

  假设远程取回的数据是空的，那么会调用TaskScheduler.handleFailedTask，告诉它这个任务是完毕了的可是数据是丢失的。

  否则。取到数据之后会通知BlockManagerMaster移除这个block信息，调用TaskScheduler.handleSuccessfulTask。告诉它这个任务是运行成功的。而且把result data传回去。

• 对于failed task。从data里解析出fail的理由，调用TaskScheduler.handleFailedTask。告诉它这个任务失败了，理由是什么。

SchedulerBackend

在TaskScheduler下层。用于对接不同的资源管理系统，SchedulerBackend是个接口。须要实现的主要方法例如以下：

def start(): Unit
def stop(): Unit
def reviveOffers(): Unit // 重要方法：SchedulerBackend把自己手头上的可用资源交给TaskScheduler。TaskScheduler依据调度策略分配给排队的任务吗，返回一批可运行的任务描写叙述，SchedulerBackend负责launchTask，即终于把task塞到了executor模型上，executor里的线程池会运行task的run()
def killTask(taskId: Long, executorId: String, interruptThread: Boolean): Unit =
    throw new UnsupportedOperationException

粗粒度：进程常驻的模式。典型代表是standalone模式，mesos粗粒度模式，yarn

细粒度：mesos细粒度模式

这里讨论粗粒度模式，更好理解：CoarseGrainedSchedulerBackend。

维护executor相关信息(包含executor的地址、通信端口、host、总核数。剩余核数)，手头上executor有多少被注冊使用了。有多少剩余，总共还有多少核是空的等等。

主要职能

1. Driver端主要通过actor监听和处理以下这些事件：
   • RegisterExecutor(executorId, hostPort, cores, logUrls)。这是executor加入的来源，通常worker拉起、重新启动会触发executor的注冊。CoarseGrainedSchedulerBackend把这些executor维护起来，更新内部的资源信息。比方总核数添加。最后调用一次makeOffer()，即把手头资源丢给TaskScheduler去分配一次。返回任务描写叙述回来。把任务launch起来。

     这个makeOffer()的调用会出如今不论什么与资源变化相关的事件中，以下会看到。

   • StatusUpdate(executorId, taskId, state, data)。task的状态回调。首先，调用TaskScheduler.statusUpdate上报上去。然后。推断这个task是否运行结束了。结束了的话把executor上的freeCore加回去，调用一次makeOffer()。
   • ReviveOffers。

     这个事件就是别人直接向SchedulerBackend请求资源，直接调用makeOffer()。

   • KillTask(taskId, executorId, interruptThread)。这个killTask的事件。会被发送给executor的actor，executor会处理KillTask这个事件。
   • StopExecutors。通知每一个executor，处理StopExecutor事件。

   • RemoveExecutor(executorId, reason)。从维护信息中，那这堆executor涉及的资源数减掉。然后调用TaskScheduler.executorLost()方法，通知上层我这边有一批资源不能用了，你处理下吧。

     TaskScheduler会继续把executorLost的事件上报给DAGScheduler，原因是DAGScheduler关心shuffle任务的output location。

     DAGScheduler会告诉BlockManager这个executor不可用了，移走它，然后把全部的stage的shuffleOutput信息都遍历一遍，移走这个executor，而且把更新后的shuffleOutput信息注冊到MapOutputTracker上，最后清理下本地的CachedLocationsMap。

2. reviveOffers()方法的实现。

   直接调用了makeOffers()方法，得到一批可运行的任务描写叙述。调用launchTasks。

3. launchTasks(tasks: Seq[Seq[TaskDescription]])方法。
   
   • 遍历每一个task描写叙述。序列化成二进制。然后发送给每一个相应的executor这个任务信息
     • 假设这个二进制信息太大，超过了9.2M(默认的akkaFrameSize 10M 减去 默认 为akka留空的200K)。会出错，abort整个taskSet。并打印提醒增大akka frame size
     • 假设二进制数据大小可接受，发送给executor的actor。处理LaunchTask(serializedTask)事件。

Executor

Executor是spark里的进程模型。能够套用到不同的资源管理系统上。与SchedulerBackend配合使用。

内部有个线程池，有个running tasks map，有个actor，接收上面提到的由SchedulerBackend发来的事件。

事件处理

1. launchTask。

   依据task描写叙述。生成一个TaskRunner线程，丢尽running tasks map里。用线程池运行这个TaskRunner

2. killTask。从running tasks map里拿出线程对象，调它的kill方法。

全文完 :)