Task执行内幕与结果处理解密(简约版)

个人分类： spark

这里写图片描述
1.当Driver中的CoarseGrainedSchedulerBackend给CoarseGrainedExecutorBackend发送LaunchTask之后，CoarseGrainedExecutorBackend在收到LaunchTask消息后，首先会反序列化TaskDescription：

val taskDesc = ser.deserialize[TaskDescription](data.value)

2.Executor会通过会通过launchTask来执行Task：

executor.launchTask(this, taskId = taskDesc.taskId, attemptNumber = taskDesc.attemptNumber,
  taskDesc.name, taskDesc.serializedTask)

3.TaskRunner在ThreadPool来运行具体的Task，在TaskRunner的run方法中首先会通过调用statusUpdate给Driver发信息汇报自己的状态说明自己是Running状态：

execBackend.statusUpdate(taskId, TaskState.RUNNING, EMPTY_BYTE_BUFFER)

4.TaskRunner内部会做一些准备工作：例如反序列化Task的依赖：

Task.deserializeWithDependencies(serializedTask)

然后通过网络来获取需要的文件、Jar等；

updateDependencies(taskFiles, taskJars)

5.然后是反序列Task本身；

task = ser.deserialize[Task[Any]](taskBytes, Thread.currentThread.getContextClassLoader)

6.调用反序列化后的Task.run方法来执行任务并获得执行结果

val (value, accumUpdates) = try {
  val res = task.run(
    taskAttemptId = taskId,
    attemptNumber = attemptNumber,
    metricsSystem = env.metricsSystem)
  threwException = false
  res

其中Task的run方法调用的时候会导致会导致Task的抽象方法runTask的调用，在Task的runTask内部会调用RDD的iterator()方法，该方法就是我们针对当前Task所对应的Partition进行计算的关键之所在，在具体的处理内部会迭代Partition的元素并交给我们自定义的function进行处理！

对于ShuffleMapTask，首先要对RDD以及其依赖关系进行反序列化：

val (rdd, dep) = ser.deserialize[(RDD[_], ShuffleDependency[_, _, _])](

最终计算会调用RDD的compute方法：

def compute(split: Partition, context: TaskContext): Iterator[T]

具体计算的时候有具体的RDD，例如MapPartitionsRDD的compute：

override def compute(split: Partition, context: TaskContext): Iterator[U] =
  f(context, split.index, firstParent[T].iterator(split, context))

其中的f就是我们在当前的Stage中计算具体Partition的业务逻辑代码；
对于ResultTask：

val (rdd, func) = ser.deserialize[(RDD[T], (TaskContext, Iterator[T]) => U)](
  ByteBuffer.wrap(taskBinary.value), Thread.currentThread.getContextClassLoader)
_executorDeserializeTime = System.currentTimeMillis() - deserializeStartTime

metrics = Some(context.taskMetrics)
func(context, rdd.iterator(partition, context))

7.把执行结果序列：

val valueBytes = resultSer.serialize(value)

并根据大小判断不同的结果传回给Driver的方式
8.CoarseGrainedExecutorBackend给DriverEndpoint发送StatusUpdate来传输执行结果，DriverEndpoint会把执行结果传递给TaskSchedulerImpl处理，然后交给TaskResultGetter内部通过线程去分别处理Task执行成功和失败时候的不同情况，然后告诉DAGScheduler任务处理结束的状况。

补充说明：

1.在执行具体Task的业务逻辑前会进行四次反序列：

a) TaskDescription的反序列化；

b) 反序列化Task的依赖；

c) Task的反序列化；

d) RDD反序列化；

2.在Spark 1.6中AkkaFrameSize是128MB，所有可以广播非常大的任务；而任务的执行结果可以最大达到1G。

Task执行内幕与结果处理解密(简约版)

猜你喜欢