Spark 资源调度 与 任务调度

• Spark 资源调度与任务调度的流程(Standalone):

  • 启动集群后, Worker 节点会向 Master 节点汇报资源情况, Master掌握了集群资源状况。

  • 当 Spark 提交一个 Application 后, 根据 RDD 之间的依赖关系将 Application 形成一个 DAG 有向无环图。

  • 任务提交后, Spark 会在任务端创建两个对象: DAGSchedular 和 TaskScheduler

  • DAGSchedular 是任务调度的高层调度器, 是一个对象

  • DAGScheduler 的主要作用是 将 DAG 根据 RDD 之间的宽窄依赖关系划分为一个个的Stage, 然后将 stage 以 TaskSet 的形式 提交给 TaskScheduler

    • TaskScheduler 是任务调度的底层调度器

    • TaskSet 其实就是一个集合, 里面封装的就是一个个task任务, 也就是stage中的并行度 task 任务

      package org.apache.spark.scheduler
      
      import java.util.Properties
      
      /**
       * A set of tasks submitted together to the low-level TaskScheduler,
       * usually representing missing partitions of a particular stage.
       * 一同被提交到低等级的任务调度器的 一组任务集, 通常代表了一个特定的 stage（阶
       * 段） 的 缺失的分区
       */
      private[spark] class TaskSet(
          // 任务数组
          val tasks: Array[Task[_]],
          // 阶段Id
          val stageId: Int,
          // 尝试的阶段Id(也就是下级Stage?)
          val stageAttemptId: Int,
          // 优先级
          val priority: Int,
          // 是个封装过的Hashtable
          val properties: Properties) {
          // 拼接 阶段Id 和 尝试的阶段Id
        val id: String = stageId + "." + stageAttemptId
        // 重写 toString
        override def toString: String = "TaskSet " + id
      }
      

    • TaskScheduler 会遍历 TaskSet 集合, 拿到每个 task 后将 task发送到 Executor 中执行

    • 其实就是发送到Executor中的线程池ThreadPool去执行

    • 当 task 执行失败时, 则由TaskSchedular负责重试, 将 task重新发送给 Executor 去执行, 默认重试 3 次

        //提交task,最后一行  backend.reviveOffers()  调用的是CoarseGrainedSchedulerBackend对象中的方法
        override def submitTasks(taskSet: TaskSet) {
          // 获取任务数组
          val tasks = taskSet.tasks
          logInfo("Adding task set " + taskSet.id + " with " + tasks.length + " tasks")
          // 加同步锁
          this.synchronized {
             // 创建任务集管理器 参数: 任务集, 最大容忍任务失败次数
            val manager = createTaskSetManager(taskSet, maxTaskFailures)
             // 阶段Id
            val stage = taskSet.stageId
      
              // taskSetsByStageIdAndAttempt 是一个 HashMap[Int, TaskSetManager]
              /* getOrElseUpdate(key: A, op: => B): B=
              * 如果 key 已经在这个 map 中, 就返回其对应的value
              * 否则就根据已知的表达式 'op' 计算其对应的value 并将其存储到 map中, 并返回该 value
              */
      val stageTaskSets =
              taskSetsByStageIdAndAttempt.getOrElseUpdate(stage, new HashMap[Int, TaskSetManager])
              // 将阶段任务集合设置为任务管理器
            stageTaskSets(taskSet.stageAttemptId) = manager
              // 获取冲突的任务集 如果 stageTaskSets 的任务集 不是传入的任务集 并且stageTaskSets的任务集不是僵尸进程 那么它就是冲突的任务集
            val conflictingTaskSet = stageTaskSets.exists { case (_, ts) =>
              ts.taskSet != taskSet && !ts.isZombie
            }
              // 如果有冲突的任务集
            if (conflictingTaskSet) {
              throw new IllegalStateException(s"more than one active taskSet for stage $stage:" +
                s" ${stageTaskSets.toSeq.map{_._2.taskSet.id}.mkString(",")}")
            }
              // 通过可调度的构造器创建一个任务集管理器
            schedulableBuilder.addTaskSetManager(manager, manager.taskSet.properties)
            // 如故不是本地提交 或者 没有接收到任务
            if (!isLocal && !hasReceivedTask) {
            	// 通过饥饿的计时器 来 根据 固定的比例进行调度
            	// scheduleAtFIxedRate 方法的三个参数: 时间任务, 延迟时间, 周期 如果延迟时间或周期值为父会抛出异常
              starvationTimer.scheduleAtFixedRate(new TimerTask() {
                override def run() {
                    // 如果没有发送任务
                  if (!hasLaunchedTask) {
                    logWarning("Initial job has not accepted any resources; " +
                      "check your cluster UI to ensure that workers are registered " +
                      "and have sufficient resources")
                  } else {
                      // 如果发送了任务, 就取消
                    this.cancel()
                  }
                }
                // 默认的饥饿超时临界值: 15s
              }, STARVATION_TIMEOUT_MS, STARVATION_TIMEOUT_MS)
            }
            hasReceivedTask = true
          }
          // 调用 CoarseGrainedSchedulerBackend对象中的方法
          backend.reviveOffers()
        }
      

    • 如果重试 3 次 依然失败, 那么这个 task 所在的 stage 就失败了

    • 如果 stage 失败了则由 DAGScheduler 来负责重试, 重新发送 TaskSet 到 TaskScheduler, Stage 默认重试 4 次。

    • 如果重试 4 次 以后依然失败, 那么 该 job 就失败了。

    • 一个 job 失败了, Application 就失败了。

  • TaskScheduler 不仅能重试失败的 task, 还会重试 straggling(直译是挣扎的, 这边可以意译为缓慢的) task(执行速度比其他task慢太多的task)

    /**
        * TaskScheduler 启动
        */
      override def start() {
        //StandaloneSchedulerBackend 启动
        backend.start()
    
        if (!isLocal && conf.getBoolean("spark.speculation", false)) {
          logInfo("Starting speculative execution thread")
            // 启动定期执行推测任务线程
          speculationScheduler.scheduleWithFixedDelay(new Runnable {
            override def run(): Unit = Utils.tryOrStopSparkContext(sc) {
                // 检查所有活跃的jon中是否有可推测的任务
              checkSpeculatableTasks()
            }
          }, SPECULATION_INTERVAL_MS, SPECULATION_INTERVAL_MS, TimeUnit.MILLISECONDS)
        }
      }
    

    // Check for speculatable tasks in all our active jobs.
    // 检查是否有可推测的任务
      def checkSpeculatableTasks() {
        // 是否应该重新激活
        var shouldRevive = false
        // 加同步锁
        synchronized {
           // 检查是否有可推测的任务(传入执行推测所需的最小时间)
          shouldRevive = rootPool.checkSpeculatableTasks(MIN_TIME_TO_SPECULATION)
        }
          // 如果需要重新激活
        if (shouldRevive) {
          // 就尝试运行推测任务
          backend.reviveOffers()
        }
      }
    

  • Spark 推测执行机制:

    • 如果有运行缓慢的 task, 那么 TaskScheduler 会启动一个新的 task 来与该运行缓慢的 task 执行相同的处理逻辑。

    • 两个 task 哪个先执行完, 就以哪个 task 的执行结果为准。

    • 在 Spark 中推测执行默认是关闭的。

    • 推测执行可以通过 spark.speculation 属性来配置

        /**
         * Return a speculative task for a given executor if any are available
         * 如果有卡壳的进程,就向已知的executor进程返回一个推测任务
         * The task should not have an attempt running on this host, in case
         * the host is slow.
         * 该任务不应有任何尝试任务在该主机上运行, 以防止该主机是有延迟的
         * In addition, the task should meet the given locality constraint.
         * 此外, 该任务需要满足已知的本地约束
         */
        // Labeled as protected to allow tests to override providing speculative tasks if necessary
        // 标注为 protected 以允许测试 来重写 提供的推测任务(如果需要的话)
        protected def dequeueSpeculativeTask(execId: String, host: String, locality: TaskLocality.Value)
          : Option[(Int, TaskLocality.Value)] =
        {
          // 从推测式执行任务列表中移除已经成功完成的task
          speculatableTasks.retain(index => !successful(index)) // Remove finished tasks from set
      
          // 1.判断 task 是否可以在该executor对应的Host上执行, 判断条件为:
          // 2.没有taskAttempt在该Host上运行
          // 3. 该 executor 没有在 task 的黑名单中(task 在该executor上失败过, 并且仍在‘黑暗’时间中)
          def canRunOnHost(index: Int): Boolean = {
            !hasAttemptOnHost(index, host) &&
              !isTaskBlacklistedOnExecOrNode(index, execId, host)
          }
          // 判断推测执行任务集合是否为空
          if (!speculatableTasks.isEmpty) {
            // Check for process-local tasks;
            // 检查 本地进程任务
            // note that tasks can be process-local on multiple nodes when we replicate cached blocks, as in Spark Streaming
            // 需要注意的是: 当我们备份缓存块时, 任务可以以本地进程 或者 多节点的形式运行 (就像spark流那样)
            for (index <- speculatableTasks if canRunOnHost(index)) {
              val prefs = tasks(index).preferredLocations
              val executors = prefs.flatMap(_ match {
                case e: ExecutorCacheTaskLocation => Some(e.executorId)
                case _ => None
              });
              // 如果 executor 进程包含该任务Id
              if (executors.contains(execId)) {
              	// 就不推测该任务
                speculatableTasks -= index
                // 返回某个本地进程
                return Some((index, TaskLocality.PROCESS_LOCAL))
              }
            }
      
            // Check for node-local tasks 检查本地节点的任务
            if (TaskLocality.isAllowed(locality, TaskLocality.NODE_LOCAL)) {
              for (index <- speculatableTasks if canRunOnHost(index)) {
                val locations = tasks(index).preferredLocations.map(_.host)
                if (locations.contains(host)) {
                  speculatableTasks -= index
                  return Some((index, TaskLocality.NODE_LOCAL))
                }
              }
            }
      
            // Check for no-preference tasks 检查非优先级的任务
            if (TaskLocality.isAllowed(locality, TaskLocality.NO_PREF)) {
            	// 遍历 speculatableTasks, 如果有任务能够在主机上运行
              for (index <- speculatableTasks if canRunOnHost(index)) {
              	// 获取该task的优先级位置
                val locations = tasks(index).preferredLocations
                if (locations.size == 0) {
                  speculatableTasks -= index
                  return Some((index, TaskLocality.PROCESS_LOCAL))
                }
              }
            }
      
            // Check for rack-local tasks 监察本地构建的任务
            if (TaskLocality.isAllowed(locality, TaskLocality.RACK_LOCAL)) {
              for (rack <- sched.getRackForHost(host)) {
                for (index <- speculatableTasks if canRunOnHost(index)) {
                  val racks = tasks(index).preferredLocations.map(_.host).flatMap(sched.getRackForHost)
                  if (racks.contains(rack)) {
                    speculatableTasks -= index
                    return Some((index, TaskLocality.RACK_LOCAL))
                  }
                }
              }
            }
      
            // Check for non-local tasks 检查非本地性的任务
            if (TaskLocality.isAllowed(locality, TaskLocality.ANY)) {
              for (index <- speculatableTasks if canRunOnHost(index)) {
                speculatableTasks -= index
                return Some((index, TaskLocality.ANY))
              }
            }
          }
      
          None
        }
      

      • 需要注意的是:
        • 对于 ETL(Extract Transformation Load) 类型的需要导入数据库的业务需要关闭推测执行机制, 否则会有重复的数据导入数据库。
        • 如果遇到数据倾斜的情况, 开启推测执行则有可能导致一直会有 task 重新启动处理相同的逻辑, 任务可能一直处于处理不完的状态。

• 粗粒度资源申请 和 细粒度资源申请

  • 粗粒度资源申请(Spark)

    • 在 Application 执行之前, 将所有的资源申请完毕, 当资源申请成功后, 才会进行任务的调度, 当所有的 task 执行完成后才会释放这部分资源

    • 优点

      • 在 Application 执行之前, 所有的资源都申请完毕, 每一个 task 直接使用资源就可以了, 不需要 task 在执行前自己去申请资源。
      • task 执行快了 => stage 执行就快了 => job 执行就快了 => application 执行就快了

    • 缺点

      • 直到最后一个 task 执行完成才会释放资源, 集群的资源无法充分利用。(俗称: 占着M坑不拉S)

  • 细粒度资源申请(MR)

    • Application 执行之前不需要先去申请资源, 而是直接执行, 让 job 中的每一个 task 在执行前自己去申请资源, task执行完成就释放资源。

    • 优点

      • 集群的资源可以充分利用

    • 缺点

      • task自己去申请资源，task启动变慢，Application的运行就响应的变慢了。