从物理执行的角度透视spark Job

　　

本博文主要内容：

　 1、再次思考pipeline

　　2、窄依赖物理执行内幕

　　3、宽依赖物理执行内幕

　　4、Job提交流程

一：再次思考pipeline

　　即使采用pipeline的方式，函数f对依赖的RDD中的数据的操作也会有2种方式：

　　　　1：f(record), f作用于集合的每一条记录，每次只作用于一条记录。

　　　　2、f(redord), f一次性作用于集合的全部数据。

Spark采用的是第一种方式，原因：

　　　　1、spark无需等待，可以最大化的使用集群计算资源。

　　　　2、减少OOM的发生

　　　　3、最大化的有利于开发

　　　　4、可以精准的控制每一个Partition本身（Dependency）及内部的计算（computer）

　　　　5、基于lineage的算子流动函数式编程，节省了中间结果的产生，并可以最快的恢复

　　疑问：会不会增加网络通信？当然不会， 因为在pipeline！

二： 思考Spark Job 具体的物理执行

　　Spark Application 里面可以产生1个或者多个job,例如spark-shell默认启动的时候内部就没有Job，只是作为资源的分配程序，可以在spark-shell里面写代码

产生若干个Job，普通程序中一般而言可以有不同的Action，每一个Action一般也就触发一个/job.

　　Spark 是 MapReduce思想的一种更加精致和高效的实现，MapReduce有很多具体不同的实现，例如Hadoop 的Mapreduce基本计算流程如下

：首先是以JVM为对象的并发 执行Mapper，Mapper中map的执行会产生输出数据，输出数据会经过Partition指定的规则放在Local FileSystem中，然后

经由Shuffle、 sort、Aggreate变成Reducer中的reduce的输入，执行reduce产生最终的执行结果：Hadoop Mapreduce执行的流程虽然很简单，但是过于死板，尤其

在构造复杂算法（迭代）的时候非常不利于算法的实现。且执行效率极为低下。

　　Spark算法构造和物理执行是最基本核心算法：最大化pipeline!

　　基于Pipeline的思想，数据被使用的时候才开始计算，从数据流动的角度来讲，是数据流动到计算的位置！！！实际上从逻辑的角度来看， 是算子在数据上流动。

　　从算法构建的角度而言：肯定是算子作用于数据，所以是算子在数据上流动,方便算法的构建！

　　从物理执行的角度而言：是数据流动到计算的位置。方便系统最为高效的运行！

　　对于pipeline而言，数据计算的位置就是每个Stage中最后的RDD, 一个震撼人心的内幕真想就是：每个Stage中除了最后一个RDD 算子是真实的外，前面的算子都是假的。

由于计算的Lazy特性，导致计算从后往前回溯形成Computing  Chain，导致的结果就是需要首先计算出具体一个Stage内部左侧的RDD中本次计算依赖的Partiton。

　　

  三：窄依赖的物理执行内幕

　　1、 一个Stage内部的RDD都是窄依赖，窄依赖计算本身是逻辑上看是从Stage内部最左侧的RDD开始立即计算的，根据Computing Chain，数据

从一个计算步骤流动到下一个结算步骤，以此类推（算的时候从前往后）， 直到计算到Stage内部的最后一个RDD产生计算结果。

　　Computiing Chain 的构建是从后往前回溯构建而成，而实际的物理计算则是让数据从前往后在算子上流动，直到流动到不能在流动位置才开始计算下一个Record。这就导致一个美好的结果，后面的RDD 对前面RDD的依赖虽然是Partition级别数据集合的依赖，但是并不需要父RDD把partition中所有Records计算完毕才整体往后流动数据进行计算，这就极大的 提高了计算速率！

/*
 * Licensed to the Apache Software Foundation (ASF) under one or more
 * contributor license agreements.  See the NOTICE file distributed with
 * this work for additional information regarding copyright ownership.
 * The ASF licenses this file to You under the Apache License, Version 2.0
 * (the "License"); you may not use this file except in compliance with
 * the License.  You may obtain a copy of the License at
 *
 *    http://www.apache.org/licenses/LICENSE-2.0
 *
 * Unless required by applicable law or agreed to in writing, software
 * distributed under the License is distributed on an "AS IS" BASIS,
 * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
 * See the License for the specific language governing permissions and
 * limitations under the License.
 */

package org.apache.spark.rdd

import scala.reflect.ClassTag

import org.apache.spark.{Partition, TaskContext}

/**
 * An RDD that applies the provided function to every partition of the parent RDD.
 */
private[spark] class MapPartitionsRDD[U: ClassTag, T: ClassTag](
    prev: RDD[T],
    f: (TaskContext, Int, Iterator[T]) => Iterator[U],  // (TaskContext, partition index, iterator)
    preservesPartitioning: Boolean = false)
  extends RDD[U](prev) {

  override val partitioner = if (preservesPartitioning) firstParent[T].partitioner else None

  override def getPartitions: Array[Partition] = firstParent[T].partitions

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

四： 宽依赖物理执行内幕

　　提示：写代码的时候尽量减少宽依赖

　　必须等待依赖的父Stage中的最后一个RDD把全部数据彻底计算完成，才能够经过shuffle来计算当前的Stage

　　遇到 shuffle级别的就是形成stage

　　所有依赖父Stage，是拿所有Stage的数据还是拿一部分数据：拿一部分数据，算一部分。

　　计算数据是从Dependency来的;

　　spark作业提交都是触发Action

源码分析类：

    ShuffleDependency  

    --->

MapPartitionRDD   override def compute(split : org.apache.spark.Partition, context : org.apache.spark.TaskContext) : scala.Iterator[U]

     -->

   RDD  (count,--runJob-onReceive-doOnReceive)

　　

==========宽依赖物理执行内幕 ============

必须等到依赖的父Stage中的最后一个RDD把全部数据彻底计算完毕才能够经过shuffle来计算当前的Stage。

这样写代码的时候尽量避免宽依赖！！！

/**
 * Implemented by subclasses to return how this RDD depends on parent RDDs. This method will only
 * be called once, so it is safe to implement a time-consuming computation in it.
 */
protected def getDependencies: Seq[Dependency[_]] = deps

compute负责接受父Stage的数据流，计算出record

五、Job提交流程

　　

==========Job提交流程 ============

作业提交，触发Action

/**
 * Run a function on a given set of partitions in an RDD and pass the results to the given
 * handler function. This is the main entry point for all actions in Spark.
 */
def runJob[T, U: ClassTag](
    rdd: RDD[T],
    func: (TaskContext, Iterator[T]) => U,
    partitions: Seq[Int],
    resultHandler: (Int, U) => Unit): Unit = {
  if (stopped.get()) {
    throw new IllegalStateException("SparkContext has been shutdown")
  }
  val callSite = getCallSite
  val cleanedFunc = clean(func)
  logInfo("Starting job: " + callSite.shortForm)
  if (conf.getBoolean("spark.logLineage", false)) {
    logInfo("RDD‘s recursive dependencies:\n" + rdd.toDebugString)
  }
  dagScheduler.runJob(rdd, cleanedFunc, partitions, callSite, resultHandler, localProperties.get)
  progressBar.foreach(_.finishAll())
  rdd.doCheckpoint()
}

/**
 * Run an action job on the given RDD and pass all the results to the resultHandler function as
 * they arrive.
 *
 * @param rdd target RDD to run tasks on
 * @param func a function to run on each partition of the RDD
 * @param partitions set of partitions to run on; some jobs may not want to compute on all
 *   partitions of the target RDD, e.g. for operations like first()
 * @param callSite where in the user program this job was called
 * @param resultHandler callback to pass each result to
 * @param properties scheduler properties to attach to this job, e.g. fair scheduler pool name
 *
 * @throws Exception when the job fails
 */
def runJob[T, U](
    rdd: RDD[T],
    func: (TaskContext, Iterator[T]) => U,
    partitions: Seq[Int],
    callSite: CallSite,
    resultHandler: (Int, U) => Unit,
    properties: Properties): Unit = {
  val start = System.nanoTime
  val waiter = submitJob(rdd, func, partitions, callSite, resultHandler, properties)
  waiter.awaitResult() match {
    case JobSucceeded =>
      logInfo("Job %d finished: %s, took %f s".format
        (waiter.jobId, callSite.shortForm, (System.nanoTime - start) / 1e9))
    case JobFailed(exception: Exception) =>
      logInfo("Job %d failed: %s, took %f s".format
        (waiter.jobId, callSite.shortForm, (System.nanoTime - start) / 1e9))
      // SPARK-8644: Include user stack trace in exceptions coming from DAGScheduler.
      val callerStackTrace = Thread.currentThread().getStackTrace.tail
      exception.setStackTrace(exception.getStackTrace ++ callerStackTrace)
      throw exception
  }
}

/**
 * Submit an action job to the scheduler.
 *
 * @param rdd target RDD to run tasks on
 * @param func a function to run on each partition of the RDD
 * @param partitions set of partitions to run on; some jobs may not want to compute on all
 *   partitions of the target RDD, e.g. for operations like first()
 * @param callSite where in the user program this job was called
 * @param resultHandler callback to pass each result to
 * @param properties scheduler properties to attach to this job, e.g. fair scheduler pool name
 *
 * @return a JobWaiter object that can be used to block until the job finishes executing
 *         or can be used to cancel the job.
 *
 * @throws IllegalArgumentException when partitions ids are illegal
 */
def submitJob[T, U](
    rdd: RDD[T],
    func: (TaskContext, Iterator[T]) => U,
    partitions: Seq[Int],
    callSite: CallSite,
    resultHandler: (Int, U) => Unit,
    properties: Properties): JobWaiter[U] = {
  // Check to make sure we are not launching a task on a partition that does not exist.
  val maxPartitions = rdd.partitions.length
  partitions.find(p => p >= maxPartitions || p < 0).foreach { p =>
    throw new IllegalArgumentException(
      "Attempting to access a non-existent partition: " + p + ". " +
        "Total number of partitions: " + maxPartitions)
  }

  val jobId = nextJobId.getAndIncrement()
  if (partitions.size == 0) {
    // Return immediately if the job is running 0 tasks
    return new JobWaiter[U](this, jobId, 0, resultHandler)
  }

  assert(partitions.size > 0)
  val func2 = func.asInstanceOf[(TaskContext, Iterator[_]) => _]
  val waiter = new JobWaiter(this, jobId, partitions.size, resultHandler)
  eventProcessLoop.post(JobSubmitted(
    jobId, rdd, func2, partitions.toArray, callSite, waiter,
    SerializationUtils.clone(properties)))
  waiter
}

作业：

　　写一下我理解中的spark job物理执行。

感谢下面的博主：

http://feiweihy.blog.51cto.com/6389397/1743588