【原】SparkContex源码解读（一）

版权声明：本文为原创文章，未经允许不得转载。

SparkContext（简称sc）是Spark程序的主入口，代表一个连接到Spark集群（Standalone、YARN、Mesos三种集群部署模式）的连接，能被用来在集群上创建RDDs、计数器（accumulators）和广播（broadcast）变量等。一旦和集群连接，sc首先得到集群中节点的executor信息，然后把app代码（jar形式或python文件）发送给executors，最后把job细分后的tasks派发给具体的executor执行。



Spark集群架构图

1.属性

（1）Spark异步事件监听器总线，可以理解为监听器的管家

private[spark] val listenerBus = new LiveListenerBus

（2）两个map集合，用于存储为每个静态文件和jar存放对应的URL和本地时间戳

private[spark] val addedFiles = HashMap[String, Long]

private[spark] val addedJars = HashMap[String, Long]

（3）用一个弱引用类型的Map，记录所有的持久化的RDDs，若值被gc后，那么引用将为null，每当插入N个元素后，就会从Map移除引用为空的entry

private[spark] val persistentRdds = new TimeStampedWeakValueHashMap[Int, RDD[_]]

（4）根据sparkconf、isLocal、监听总线创建Spark运行环境

private var _env: SparkEnv = createSparkEnv(_conf, isLocal, listenerBus)

（5）构造SparkContext的元数据清理器，使用了Timer周期性地清理日志信息,元数据类型不同，清理周期也可能不同

private var _metadataCleaner: MetadataCleaner = new MetadataCleaner(MetadataCleanerType.SPARK_CONTEXT, this.cleanup, _conf)

（6）默认executor的执行内存为1024M

private var _executorMemory: Int = _conf.getOption("spark.executor.memory")

.orElse(Option(System.getenv("SPARK_EXECUTOR_MEMORY")))

.orElse(Option(System.getenv("SPARK_MEM"))

.map(warnSparkMem))

.map(Utils.memoryStringToMb)

.getOrElse(1024)

（7）一个Spark application唯一的主键，它的形式取决于调度的实现，例如本地模式为'local-1433865536131'、YARN模式为 'application_1433865536131_34483'

private var _applicationId: String = _

（8）DAG调度器，把job根据shuffle边界划分为TaskSets

@volatile private var _dagScheduler: DAGScheduler = _

（9）Task调度器，目前只有一个实现子类TaskSchedulerImpl，负责接受从DAG调度器生成的TaskSets然后把他们分配到executor中执行，而TaskSetManager负责TaskSet的调度

private var _taskScheduler: TaskScheduler = _

（10）一个后端的调度接口，用于不同集群模式的调度

private var _schedulerBackend: SchedulerBackend = _

（11）设置一个心跳接收器，driver接受executor的心跳

private var _heartbeatReceiver: RpcEndpointRef = _

（12）JobProgressListener 用于处理Job及Stage相关的事件监听器

private var _jobProgressListener: JobProgressListener = _

2.方法

构造方法有8个，比较简单就不介绍了。

2.1.创建RDD的方法如下所示：

创建RDD的方法总览

方法对应生成的RDD类型有：BinaryFileRDD、BlockRDD、CartesianRDD、CheckpointRDD、CoalescedRDD、CoGroupedRDD、EmptyRDD、HadoopRDD、LocalCheckpointRDD、MapPartitionsRDD、MapPartitionsWithPrepationRDD、NewHadoopRDD、ParallelCollectionRDD、ParititionerAwareUnionRDD、PartitionPruningRDD、PartitionwiseSampledRDD、PipeRDD、SampleRDD、ShuffleRDD、SubstractedRDD、UnionRDD、ZippedPartitionsRDD、ZippedWithIndexRDD，如此多的的RDD，可见RDD的重要性。

2.2.创建计数器（accumulators）的方法如下所示：

创建计数器的方法总览

2.3.创建广播（broadcast）变量的方法就一个：

def broadcast[T: ClassTag](value: T): Broadcast[T] = {

2.4.Spark程序程序job的运行是通过actions算子触发的，action算子如下所示：

action算子总览

每一个action算子其实是一个runJob方法的运行，job的运行是将JobSubmitted事件添加到DAGScheduler中的事件执行队列中,并用JobWaiter等待结果的返回。runJob方法如下所示：

runjob方法总览

5.SparkContext如何在三种部署模式Standalone、YARN、Mesos下实现任务的调度

SparkContext中有一句关键性的代码：

//根据master(masterURL)及SparkContext对象创建TaskScheduler，返回SchedulerBackend及TaskScheduler

val (sched, ts) = SparkContext.createTaskScheduler(this, master)

考虑到篇幅的长度，方法createTaskScheduler的实现下一篇再介绍。