Spark执行原理概述

版权声明：本文为博主原创文章，未经博主允许不得转载。http://blog.csdn.net/aspirinvagrant https://blog.csdn.net/fenghuangdesire/article/details/53141120

Spark优点

• 速度快
  基于内存的计算比MapReduce快100倍以上；
• 简单易用
  支持多种语言API，快速构建不同应用；
• 通用
  提供统一的解决方案：SQL、Streaming、MLib、GraphX；
• 可融合
  资源管理和调度：YARN、Mesos；
  数据存储：HDFS、HBase；

整体架构

整体上架构有三部分组成 Master、 Work和 Client，它们之间通过akka通信，具体的职责如下：
- Master：管理Worker，向Worker提交Application；
- Work：根据Master发送的Application，启动ExecutorBackend；
- Client：向Master注册并监控Application；



它们之间的消息传递：
- Master -> Worker：响应Worker注册、Worker重新注册、让Worker启动（停止）Executor和Driver；
- Worker -> Master：注册Worker、汇报Executor和Driver的运行状态、汇报心跳；
- Master -> Driver Client：响应Driver的注册状态、KillDriver的结果、查询Driver当前的运行状态；
- Driver Client -> Master：提交Driver、KillDriver、获取Driver的运行状态；
- Master -> AppClient（ClientActor）：回复Application注册结果、告诉AppClient Worker启动了Executor和Executor状态更新了、ApplicationRemoved、Master故障恢复；
- AppClient（ClientActor） -> Master：注册Application、响应Master的故障恢复；
- Executor-> Driver：注册Executor、汇报Executor中运行的Task状态；
- Driver-> Executor：启动（停止）Task、响应Executor的注册请求

任务调度

DAGScheduler

当最后一个RDD(finalRDD)触发action操作之后，调用 SparkContext#runJob，然后调用 DAGScheduler#handleJobSubmitted完成整个job的提交。






DAGScheduler将Job从后往前的回溯划分多个 Stage，根据宽依赖中的 ShuffleDependency生成ParentStage，每个Stage由多个逻辑完全相同的、并行执行的Task组成，只是每个Task处理的数据不同。DAGScheduler通过 TaskSet的方式，把其构造的所有Task提交给底层调度器TaskScheduler。
调用链路：

DAGScheduler#handleJobSubmitted 
->  DAGScheduler#submitStage   // 递归地将finalStage依赖的父stage先提交，最后提交finalStage
    -> DAGScheduler#submitMissingTasks  //ShuffleMapStage或者ResultStage创建ShuffleMapTask或ResultTask，即TaskSet 
        -> TaskScheduler#submitTasks

TaskSchedulerImpl

TaskScheduler是一个与具体资源调度解耦合的接口，目前资源调度模式主要有：StandAlone（TaskSchedulerImpl）、Yarn、Mesos、Local、EC2或者其他自定义的资源调度器。
TaskScheduler负责Application的不同Job之间的调度、在Task执行失败重启以及为慢Task启动备份任务。
TaskScheduler#submitTasks是将TaskSet加入到TaskSetManager中进行管理。 SchedulerBuilder#addTaskSetManger确定TaskSetManager的调度顺序，然后按照TaskSetManager的本地特性确定每个Task具体运行在那个ExecutorBackend中。
TaskScheduler通过SparkDeploySchedulerBackend创建AppClient，而AppClient(ClientActor)向Standalone的Master注册Application，然后Master会通过Application的信息为它分配Worker，包括每个worker上使用CPU core的数目等。

CoarseGrainedSchedulerBackend

CoarseGrainedSchedulerBackend负责于Cluster Manager交互，负责收集Worker上的计算资源（Executor），并将这些资源传递给TaskSchedulerImpl，由它为Task最终分配资源。Standalone模式下，继承CoarseGrainedSchedulerBackend的SparkDeploySchedulerBackend负责集群资源的获取和调度。
SparkDeploySchedulerBackend#start 启动创建AppClient， AppClient#start启动创建ClientEndPoint(ClientActor)，ClientActor向Master注册当前Application；同时SparkDeploySchedulerBackend的父类CoarseGrainedSchedulerBackend启动的时候会创建DriverEndPoint(DriverActor)，当CoarseGrainedExecutorBackend启动的时候向DriverActor注册，SparkDeploySchedulerBackend就获取了当前Application拥有的计算资源，TaskSchedulerImpl通过SparkDeploySchedulerBackend获取的计算资源运行Task。
对应到代码当中，CoarseGrainedSchedulerBackend的输入是Executor列表，输出是TaskDescription（Task Id、Executor Id和Task执行环境的依赖信息）二维数组。最后， CoarseGrainedSchedulerBackend.DriverActor#launchTasks将分配到Executor的Task进行分配；
调用链路：

TaskSchedulerImpl#submitTasks  // 
-> CoarseGrainedSchedulerBackend#reviveOffers  // 发送ReviveOffers消息
  -> CoarseGrainedSchedulerBackend.DriverActor#makeOffers // 处理发送来的ReviveOffers消息，WorkOffer表示Executor上可用的资源
     -> TaskSchedulerImpl#resourceOffers  // 为Task运行分配资源
        -> CoarseGrainedSchedulerBackend.DriverActor#launchTasks // 启动Task的运行

CoarseGrainedExecutorBackend

前面提到，ClientActor向Master注册当前Application，Master根据AppClient提交为Application分配资源选择Worker(Executor)。在选择Worker和确定Executor需要的CPU cores数量之后，Master向Worker发送LaunchExecutor请求，向ClientActor发送Executor已添加的消息，同时更新Master中的Worker信息。
Worker接收到来自Master的LaunchExecutor的消息后，会创建ExecutorRunner。ExecutorRunner会将SparkDeploySchedulerBackend中准备好的ApplicationDescription（CoarseGrainedExecutorBackend）以进程的形式启动起来，CoarseGrainedExecutorBackend启动后，通过传入的driverUrl向在CoarseGrainedSchedulerBackend.DriverActor发送RegisterExecutor，DriverActor接受到RegisterExecutor消息之后，将Executor的信息保存下来，并通过 CoarseGrainedExecutorBackend.DriverActor#launchTasks 实现在Executor上启动Task，同时DriverActor回复RegisteredExecutor，此时CoarseGrainedExecutorBackend收到RegisteredExecutor，会创建一个Executor。

Task

Executor为每个Task生成一个TaskRunner，TaskRunner最终放到ThreadPool中执行，调用Task的run方法来获得任务执行的结果。
ShuffleMapTask#runTask调用RDD的iterator()计算Task，ResultTask计算过程与之类似。区别： ShuffleMapTask#runTask在计算具体的partition后实际上会通过shuffleManager把当前Task的计算结果写入到具体的文件中，操作结束后会把MapStatus发送给DAGScheduler；而 ResultTask#runTask会根据前面Stage的执行结果进行Shuffle，产生整个Job最后的结果。

CoarseGrainedSchedulerBackend#launchTasks 
-> CoarseGrainedExecutorBackend#launchTask 
    -> TaskRunner#run
        -> Task#run
            -> ResultTask#runTask 
                -> RDD#iterator

参考资料：
- Spark技术内幕：Executor分配详解
- Spark系统运行内幕机制循环流程
- 玄畅，图解Spark core.