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
- 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
- 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ResultTask,计数器
- 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。
- 假设task运行成功,相应的stage里减去这个task。做一些计数工作:
- 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
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。
- 首先。
- 为tasks创建一个
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。
- 调用
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
- 默认一个task须要一个cpu。设置參数为
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
。
- 若
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
- 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CachedLocations
Map。
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
。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。
- 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
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
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
killTask
。从running tasks map里拿出线程对象,调它的kill方法。
全文完 :)
Spark Core Runtime分析: DAGScheduler, TaskScheduler, SchedulerBackend的更多相关文章
- spark 源码分析之四 -- TaskScheduler的创建和启动过程
在 spark 源码分析之二 -- SparkContext 的初始化过程 中,第 14 步 和 16 步分别描述了 TaskScheduler的 初始化 和 启动过程. 话分两头,先说 TaskSc ...
- Spark Core源代码分析: Spark任务运行模型
DAGScheduler 面向stage的调度层,为job生成以stage组成的DAG,提交TaskSet给TaskScheduler运行. 每个Stage内,都是独立的tasks,他们共同运行同一个 ...
- Spark源码分析 – DAGScheduler
DAGScheduler的架构其实非常简单, 1. eventQueue, 所有需要DAGScheduler处理的事情都需要往eventQueue中发送event 2. eventLoop Threa ...
- Spark Core源代码分析: RDD基础
RDD RDD初始參数:上下文和一组依赖 abstract class RDD[T: ClassTag]( @transient private var sc: SparkContext, @tran ...
- Spark Core源代码分析: Spark任务模型
概述 一个Spark的Job分为多个stage,最后一个stage会包含一个或多个ResultTask,前面的stages会包含一个或多个ShuffleMapTasks. ResultTask运行并将 ...
- spark源码分析以及优化
第一章.spark源码分析之RDD四种依赖关系 一.RDD四种依赖关系 RDD四种依赖关系,分别是 ShuffleDependency.PrunDependency.RangeDependency和O ...
- 【Spark Core】任务运行机制和Task源代码浅析1
引言 上一小节<TaskScheduler源代码与任务提交原理浅析2>介绍了Driver側将Stage进行划分.依据Executor闲置情况分发任务,终于通过DriverActor向exe ...
- Spark源码分析 – 汇总索引
http://jerryshao.me/categories.html#architecture-ref http://blog.csdn.net/pelick/article/details/172 ...
- spark 源码分析之十九 -- Stage的提交
引言 上篇 spark 源码分析之十九 -- DAG的生成和Stage的划分 中,主要介绍了下图中的前两个阶段DAG的构建和Stage的划分. 本篇文章主要剖析,Stage是如何提交的. rdd的依赖 ...
随机推荐
- Web开发者不容错过的10段CSS代码
Web开发技术每年都在革新,浏览器已逐渐支持CSS3特性,并且网站设计师和前端开发者普遍采用这种新技术进行设计与开发.但仍然有一些开发者迷恋着一些CSS2代码. 本文将分享20段非常专业的CSS2/C ...
- eclipse全屏模式
- HDU 1247 Hat’s Words (字典树 && map)
分析:一開始是用递归做的,没做出来.于是就换了如今的数组.即,把每个输入的字符串都存入二维数组中,然后创建字典树.输入和创建完成后,開始查找. 事实上一開始就读错题目了,题目要求字符串是由其它两个输入 ...
- spring boot xml与dao 映射关系
mybatis的xml路径要和 dao的路径一模一样 dao 用@Mapper 注解
- [Node.js] Gzip + crypto in stream
We can using gzip and crypto with stream: const fs = require('fs') const zlib = require('zlib') cons ...
- Graphical vi-vim Cheat Sheet and Tutorial
主要内容: VIM编辑器的快捷命令cheat sheet(小抄),一共七张图,简单明了地介绍了vim的快捷命令,相比于满满的图表,分成七小块更易于记住. 更多关于vim的cheat sheet以及相关 ...
- ZH奶酪:JavaScript清空数组的三种方法
参考链接:http://snandy.iteye.com/blog/893955 方式1,length赋值为0 目前 Prototype中数组的 clear 方法和mootools库中数组的 empt ...
- MVC的Filter应用小结
一.概念定义 Filter是一种声明式编程方式,在Asp.net MVC中它只能限制于Action(或它的Controller). Filter用途广泛:(1)判断登录与否或用户权限:(2)决策输出缓 ...
- JDBC五数据源和数据池(web基础学习笔记十一)
一.为什么使用数据源和连接池 现在开发的应用程序,基本上都是基于数据的,而且是需要频繁的连接数据库的.如果每次操作都连接数据库,然后关闭,这样做性能一定会受限.所以,我们一定要想办法复用数据库的连接. ...
- VMWare虚拟机“锁定文件失败“怎么办?
虚拟机突然蓝屏了,然后就启动不了了,提示"锁定文件失败,打不开磁盘或快照所依赖的磁盘"的解决方法: 如果使用VMWare虚拟机的时候突然系统崩溃蓝屏,有一定几率会导致无法启动,会提 ...