一个 Spark 应用程序的完整执行流程

一个 Spark 应用程序的完整执行流程

1、编写 Spark Application 应用程序
2、打 jar 包，通过 spark-submit 提交执行
3、SparkSubmit 提交执行
4、执行 Spark Application 的 main 方法
5、初始化 SparkContext，这一步主要是把执行 Application 所需要的一个 Driver 和多个 Executor 启动起来
6、执行到 Action 算子，这个阶段会产生 DAG 血缘依赖关系，但是并没有真正执行
7、执行 Action 算子，生成一个 Job 提交执行
8、DAGScheduler 会对提交的 Job 进行 Stage 切分
9、TaskSchedule 通过 TaskSet 获取 job 的所有 Task，然后序列化分给 Exector
....
shuffle

Application、Job、Stage 和 Task

1、Application：初始化一个 SparkContext 即生成一个 Application；
2、Job：一个 Action 算子就会生成一个 Job；
3、Stage：Stage 等于宽依赖的个数加 1；
4、Task：一个 Stage 阶段中，最后一个 RDD 的分区个数就是 Task 的个数。

注意：Application->Job->Stage->Task每一层都是1对n的关系

Spark Application 提交分析

入口：spark application 中的 action 算子！（SparkPi 程序中的 reduce 函数）

以 SparkPi 程序举例：reduce() 算子就是提交 job 的入口

最后到：

dagScheduler.handleJobSubmitted(jobId, rdd, func, partitions, callSite, listener, properties)

从此，任务的提交就交给了 dagScheduler

Spark App Stage 切分分析

入口：EventLoop 中的 eventQueue.take() 方法

如果任务提交，则有 JobSubmitted 事件提交到 eventQueue 中，则 eventQueue.take() 阻塞返回，此时的 event 就是 JobSubmitted。

根据事件机制，跳转到：DAGScheduler.handleJobSubmitted()

两个核心的方法：

// stage切分入口
finalStage = createResultStage(finalRDD, func, partitions, jobId, callSite)

// 提交stage执行入口
submitStage(finalStage)

方法依赖关系：

1、createResultStage(传入finalRDD获得ResultStage) ->2
2、getOrCreateParentStages(传入rdd获得父stage) ->3->4
	3、getShuffleDependencies(传入rdd获得宽依赖)
	4、getOrCreateShuffleMapStage(传入宽依赖获得ShuffleMapStage) ->5->6
		5、getMissingAncestorShuffleDependencies(传入一个rdd获得所有宽依赖) ->3
		6、createShuffleMapStage(传入宽依赖获得ShuffleMapStage) ->2

Spark Task 分发和执行分析

入口：

taskScheduler.submitTasks(new TaskSet(tasks.toArray, stage.id, stage.latestInfo.attemptNumber, jobId, properties))

backend.reviveOffers()

总结一下：

1、用户编写 spark 应用程序
2、达成jar包
3、通过spark-submit 提交执行
4、sparkSessioin sparkContext 初始化
5、执行action算子
6、sparkContext.runJob()
7、dagScheduler.handleJobSubmitted()
8、dagScheduler.runJob()
	createResultStage() stage切分
	submitStage()
9、taskScheduler.submitTasks(new TaskSet())
10、schedulerBackEnd.reviveOffers();
11、Driver发送 LaunchTask 消息给 Executor
12、Executor 就会封装Task 为一个 TaskRunner 对象，提交给该 Executor 的线程池执行
13、Executor 执行的Task 有可能是 ShuffleMapTask,也有可能是ResultTask
14、ShuffleMapTask 会后续的 Shuffle操作，具体有 Writer 完成

Spark Suffle 源码分析

入口：

Task.runTask()