spark源码分析--spark的任务调度（standalone模式）

原创，转载请注明出处 http://baishuo491.iteye.com/blog/1994026 ,作者邮箱：[email protected],新浪微博：爱看历史的码农--白硕

在sparkContext的建立过程中(更细致的说是clientActor的preStart回调函数中)，会向master发送RegisterApplication消息

master ! RegisterApplication(appDescription)
  当master收到RegisterApplication请求后：
  app = addApplication(description, sender)
  .....
  waitingApps += app
  .....
  schedule()

通过传入的(appDescription)和发送者，创建一个addApplication，然后把app加入到等待队列waitingApps中，之后再调用schedule函数进行调度
再来看看schedule的流程：
当等待队列waitingApps里有数据的时候，对waitingApps里的每个元素app做如下操作：
从已经注册的works里面，选择合适的works列表usableWorkers

val usableWorkers = workers.toArray.filter(_.state == WorkerState.ALIVE).filter(canUse(app, _)).sortBy(_.coresFree).reverse

从usableWorkers的空闲cpu中，选择合适数量的cpu，为当前app进行分配
这之后调用launchExecutor，并把app的状态设置为running

launchExecutor(usableWorkers(pos), exec, app.desc.sparkHome);
app.state = ApplicationState.RUNNING

再来看看launchExecutor这个函数
先在每个传入的workerInfo参数里面，记录当前的app，和已经消耗的cpu和内存
接着向worker发送LaunchExecutor消息，向client发送ExecutorAdded消息

 worker.addExecutor(exec)
      worker.actor ! LaunchExecutor(
      exec.application.id, exec.id, exec.application.desc, exec.cores, exec.memory, sparkHome)
      exec.application.driver ! ExecutorAdded(
      exec.id, worker.id, worker.hostPort, exec.cores, exec.memory)

我们再来看看worker收到LaunchExecutor后的执行步骤：
创建一个实际执行任务的ExecutorRunner并启动它
      更新已经使用的cpu和内存数量
      然后向master发送ExecutorStateChanged消息

 val manager = new ExecutorRunner(
        appId, execId, appDesc, cores_, memory_, self, workerId, host, new File(execSparkHome_), workDir)
      executors(appId + "/" + execId) = manager
      manager.start()
      coresUsed += cores_
      memoryUsed += memory_
      master ! ExecutorStateChanged(appId, execId, ExecutorState.RUNNING, None, None)

ExecutorRunner的start的函数，主要任务就是启动一个java后台线程，这个线程执行fetchAndRunExecutor函数，这个函数的主要流程如下：
      拼接出一个字符串，其内容是用JAVA_HOME\bin\java命令，执行一个类StandaloneExecutorBackend
      这个执行过程不在当前的jvm下执行。而是通过ProcessBuilder新建了一个jvm进程，单独执行的，相当于就是启动了一个StandaloneExecutorBackend实例

val command = buildCommandSeq()
      val builder = new ProcessBuilder(command: _*).directory(executorDir)
      val env = builder.environment()
      for ((key, value) <- appDesc.command.environment) {
        env.put(key, value)
      }
      ......
      process = builder.start()

看看StandaloneExecutorBackend做了什么：
      创建了一个actor，在这个actor的在构造过程中，就是向客户端的driver发送RegisterExecutor(executorId, hostPort, cores)消息，然后开始等待消息
上面发送的那个消息，会被driver端的StandaloneSchedulerBackend接受到
      它回复一个 RegisteredExecutor(sparkProperties)消息，在修改了一系列的资源记录后，调用makeOffers()函数
      makeOffers()的作用是在拼装好要执行的任务列表tasks之后，把一个重要的变量hasLaunchedTask设置成true（借助scheduler.resourceOffers函数）
      这之后，向StandaloneExecutorBackend发送 LaunchTask(task)消息
      这里可以看到 RegisteredExecutor和 LaunchTask消息都是发送给了StandaloneExecutorBackend，我们来看看它收到消息后的动作
      在StandaloneExecutorBackend收到 RegisteredExecutor(sparkProperties)消息后，会创建一个excutor变量，里面有创建了一个ThreadPoolExecutor线程池，名叫threadPool
      当它再收到 LaunchTask(task)消息之后，就通过executor.launchTask(this, taskDesc.taskId, taskDesc.serializedTask)函数，调用刚刚创建的threadPool线程池，执行传入的task任务

threadPool.execute(new TaskRunner(context, taskId, serializedTask))

而TaskRunner就是这个任务真正被执行的地方

spark源码分析--spark的任务调度（standalone模式）

猜你喜欢