Spark Core源代码分析: Spark任务模型

概述

一个Spark的Job分为多个stage，最后一个stage会包含一个或多个ResultTask，前面的stages会包含一个或多个ShuffleMapTasks。

ResultTask运行并将结果返回给driver application。

ShuffleMapTask将task的output依据task的partition分离到多个buckets里。一个ShuffleMapTask相应一个ShuffleDependency的partition，而总partition数同并行度、reduce数目是一致的。

Task

Task的代码在scheduler package下。

抽象类Task构造參数例如以下：

private[spark] abstract class Task[T](val stageId: Int, var partitionId: Int) extends Serializable

Task相应一个stageId和partitionId。

提供runTask()接口、kill()接口等。

提供killed变量、TaskMetrics变量、TaskContext变量等。

除了上述基本接口和变量，Task的伴生对象提供了序列化和反序列化应用依赖的jar包的方法。原因是Task须要保证工作节点具备本次Task须要的其它依赖，注冊到SparkContext下，所以提供了把依赖转成流写入写出的方法。

Task的两种实现

ShuffleMapTask

ShuffleMapTask构造參数例如以下，

private[spark] class ShuffleMapTask(
    stageId: Int,
    var rdd: RDD[_],
    var dep: ShuffleDependency[_,_],
    _partitionId: Int,
    @transient private var locs: Seq[TaskLocation])
  extends Task[MapStatus](stageId, _partitionId)

RDD partitioner相应的是ShuffleDependency。

ShuffleMapTask复写了MapStatus向外读写的方法，由于向外读写的内容包含：stageId，rdd，dep，partitionId，epoch和split(某个partition)。对于当中的stageId，rdd，dep有统一的序列化和反序列化操作并会cache在内存里，再放到ObjectOutput里写出去。序列化操作使用的是Gzip，序列化信息会维护在serializedInfoCache = newHashMap[Int,
Array[Byte]]。这部分须要序列化并保存的原因是：stageId，rdd，dep真正代表了本次Shuffle Task的信息，为了减轻master节点负担，把这部分序列化结果cache了起来。

Stage运行逻辑

主要过程例如以下：

val ser = Serializer.getSerializer(dep.serializer)
shuffle = shuffleBlockManager.forMapTask(dep.shuffleId, partitionId, numOutputSplits, ser)

这一步是初始化一个ShuffleWriterGroup，Group里面是一个BlockObjectWriter数组。

for (elem <- rdd.iterator(split, context)) {
val pair = elem.asInstanceOf[Product2[Any, Any]]
  val bucketId = dep.partitioner.getPartition(pair._1)
  shuffle.writers(bucketId).write(pair)
}

这一步是为每一个Writer相应一个bucket，调用每一个BlockObjectWriter的write()方法写数据

var totalBytes = 0L
var totalTime = 0L
val compressedSizes: Array[Byte] =
shuffle.writers.map { writer: BlockObjectWriter =>
    writer.commit()
    writer.close()
val size = writer.fileSegment().length
    totalBytes += size
totalTime += writer.timeWriting()
MapOutputTracker.compressSize(size)
}

这一步是运行writer.commit()，并得到结果file segment大小，对总大小压缩

val shuffleMetrics = new ShuffleWriteMetrics
shuffleMetrics.shuffleBytesWritten = totalBytes
shuffleMetrics.shuffleWriteTime = totalTime
metrics.get.shuffleWriteMetrics = Some(shuffleMetrics)

success = true
new MapStatus(blockManager.blockManagerId, compressedSizes)

这一步是记录metrcis信息，最后返回一个MapStatus类，里面是本地ShuffleMapTask结果的相关信息。

最后会release writers，让相应的shuffle文件得到记录和重用(ShuffleBlockManager管理这些file，这些file是Shuffle Task中一组Writer写的对象)。

主要把下图看懂。

重要类

介绍涉及到的重要外部类，帮助理解。

ShuffleBlockManager

总体梳理：

ShuffleState维护了两个ShuffleFileGroup的ConcurrentLinkedQueue，以记录眼下shuffle的state。

ShuffleState记录了一次shuffle操作的文件组状态，在ShuffleBlockManager内用Map为每一个shuffleId维护了一个ShuffleState。

每一个shuffleId通过forMapTask()方法得到一组writer，即ShuflleWriterGroup。这组里的writers共享一个shuffleId和mapId，可是每一个相应不同的bucketId和file。在为writer分配FileGroup的时候，会从shuffleId相应的shuffle state里先取unusedFileGroup，假设不存在，则在HDFS上新建File。

对于HDFS上的目标file，writer是能够append写的。在新建file的时候，是依据shuffleId和bucket number和一个递增的fileId来创建新的文件的。

ShuffleFileGroup的重用files和记录mapId，index，offset这块似懂非懂。

重要方法：

def forMapTask(shuffleId: Int, mapId: Int, numBuckets: Int, serializer: Serializer) = { new ShuffleWriterGroup {} }

该方法被一个ShuffleMapTask调用，传入了这次shuffle操作的id，mapId是partitionId。Buckects数目等于分区数目。该方法返回的ShuffleWriterGroup里面是一组DiskBlockObjectWriter，每个writer都属于这一次shuffle操作，所以他们有共同的shuffleId，mapId，可是他们相应了不同的bucket，而且各自相应一个file。

在shuffle run里的调用和參数传入：

val ser = Serializer.getSerializer(dep.serializer)
shuffle = shuffleBlockManager.forMapTask(dep.shuffleId, partitionId, numOutputSplits, ser)

shuffleId是由ShuffleDependency获得的全局唯一id，代表本次shuffle任务id

mapId等于partitionId

Bucket数目等于分区数目

产生writers：

Writer类型是DiskBlockObjectWriter，数目等于buckets数目。bufferSize的设置：

conf.getInt("spark.shuffle.file.buffer.kb", 100) * 1024

blockId产生自：

blockId = ShuffleBlockId(shuffleId, mapId, bucketId)

在生成writer的时候调用的是BlockManager的getDiskWriter方法，ShuffleBlockManager初始化的时候绑定BlockManager。

private[spark] class DiskBlockObjectWriter(
    blockId: BlockId,
    file: File,
    serializer: Serializer,
    bufferSize: Int,
    compressStream: OutputStream => OutputStream,
    syncWrites: Boolean)
  extends BlockObjectWriter(blockId)

ShuffleFileGroup：私有内部类，相应了一组shuffle files，每一个file相应一个reducer。一个Mapper会分到一个ShuffleFileGroup，把mapper的结果写到这组File里去。

MapStatus

注意到ShuffleMapTask的类型是MapStatus类。MapStatus类是ShuffleMapTask要返回给scheduler的运行结果，包含两个东西：

class MapStatus(var location: BlockManagerId, var compressedSizes: Array[Byte])

前者是run这次task的block manager地址（BlockManagerId是一个类，保存了executorId,host, port, nettyPort），后者是output大小，该值会传给接下来的reduce任务。该size是被MapOutputTracker压缩过的。

MapStatus类提供了两个方法例如以下，ShuffleMapTask进行了复写。

  def writeExternal(out: ObjectOutput) {
    location.writeExternal(out)
    out.writeInt(compressedSizes.length)
    out.write(compressedSizes)
  }

  def readExternal(in: ObjectInput) {
    location = BlockManagerId(in)
    compressedSizes = new Array[Byte](in.readInt())
    in.readFully(compressedSizes)
  }

BlockManagerId

BlockManagerId类构造依赖executorId, host, port, nettyPort这些信息。伴生对象维护了一个blockManagerIdCache ，实现为ConcurrentHashMap[BlockManagerId,BlockManagerId]() 。

比方MapStatus的readExternal方法把ObjectInput传入BlockManagerId构造函数的时候，BlockManagerId的apply()方法就会依据ObjectInput取出executorId, host, port,nettyPort信息，把这个BlockManagerIdobj维护到blockManagerIdCache内

ResultTask

构造參数

private[spark] class ResultTask[T, U](
    stageId: Int,
    var rdd: RDD[T],
    var func: (TaskContext, Iterator[T]) => U,
    _partitionId: Int,
    @transient locs: Seq[TaskLocation],
    var outputId: Int)
  extends Task[U](stageId, _partitionId) with Externalizable {

ResultTask比較简单，runTask方法调用的是rdd的迭代器：

  override def runTask(context: TaskContext): U = {
    metrics = Some(context.taskMetrics)
    try {
      func(context, rdd.iterator(split, context))
    } finally {
      context.executeOnCompleteCallbacks()
    }
  }

进程模型 vs. 线程模型

Spark同节点上的任务以多线程的方式执行在一个JVM进程中。

长处：

启动任务快

共享内存，适合内存密集型任务

Executor所占资源可反复利用

缺点：

同节点上的全部任务执行在一个进程中，会出现严重的资源争用，难以细粒度控制每一个任务的占用资源。MapReduce为Map Task和Reduce Task设置不同资源，细粒度控制任务占用资源量。

MapReduce的每一个Task都是一个JVM进程，都要经历：资源申请->执行任务->释放资源的过程

每一个节点能够有一个或多个Executor，Executor配有一定数量slots，Executor内能够跑多个Result Task和ShuffleMap Task。

在共享内存方面，broadcast的变量会在每一个executor里存一份，这个executor内的任务能够共享。

全文完 :)