Spark配置&启动脚本分析

我们主要关注3类文件，配置文件，启动脚本文件以及自带shell。

1 文件概览

conf/
├── docker.properties.template
├── fairscheduler.xml.template
├── log4j.properties.template
├── metrics.properties.template
├── slaves.template
├── spark-defaults.conf.template
└── spark-env.sh.template
sbin/
├── slaves.sh
├── spark-config.sh
├── spark-daemon.sh
├── spark-daemons.sh
├── start-all.sh
├── start-history-server.sh
├── start-master.sh
├── start-mesos-dispatcher.sh
├── start-mesos-shuffle-service.sh
├── start-shuffle-service.sh
├── start-slave.sh
├── start-slaves.sh
├── start-thriftserver.sh
├── stop-all.sh
├── stop-history-server.sh
├── stop-master.sh
├── stop-mesos-dispatcher.sh
├── stop-mesos-shuffle-service.sh
├── stop-shuffle-service.sh
├── stop-slave.sh
├── stop-slaves.sh
└── stop-thriftserver.sh
bin/
├── beeline
├── load-spark-env.sh
├── pyspark
├── run-example
├── spark-class
├── sparkR
├── spark-shell
├── spark-sql
└── spark-submit

0 directories, 38 files

2 分析

我们依据集群构建步骤，先分析集群服务脚本，从中穿插配置文件，最后分析自带shell执行流程。

2.1 服务启动脚本分析

我们以部署standalone，并且支持ON YARN，为例，启动集群使用到start-master.sh和start-slaves.sh两个脚本(脚本不再贴出)。

# start-master.sh
1.判断SPARK_HOME是否有值，没有将其设置为当前文件所在目录的上级目录
2.设置CLASS="org.apache.spark.deploy.master.Master"
3.如果参数结尾包含--help或者-h则打印帮助信息，并退出
4.设置ORIGINAL_ARGS为所有参数
5.执行${SPARK_HOME}/sbin/spark-config.sh
6.执行${SPARK_HOME}/bin/load-spark-env.sh
7.SPARK_MASTER_PORT为空则赋值7077
8.SPARK_MASTER_HOST为空则赋值本主机名(hostname)
9.SPARK_MASTER_WEBUI_PORT为空则赋值8080
10.执行脚本：
"${SPARK_HOME}/sbin"/spark-daemon.sh start $CLASS 1 
  --host $SPARK_MASTER_HOST --port $SPARK_MASTER_PORT --webui-port $SPARK_MASTER_WEBUI_PORT 
  $ORIGINAL_ARGS
其中10肯定是重点，分析之前我们看看5，6都干了些啥，最后直译出最后一个脚本
# spark-config.sh
1.判断SPARK_HOME是否有值，没有将其设置为当前文件所在目录的上级目录
2.export SPARK_CONF_DIR，SPARK_CONF_DIR存在就用此目录，不存在用${SPARK_HOME}/conf
3.export PYTHONPATH="${SPARK_HOME}/python:${PYTHONPATH}"
4.export PYTHONPATH="${SPARK_HOME}/python/lib/py4j-0.10.1-src.zip:${PYTHONPATH}"
# load-spark-env.sh
1.判断SPARK_HOME是否有值，没有将其设置为当前文件所在目录的上级目录
2.判断SPARK_ENV_LOADED是否有值，没有将其设置为1
4.设置user_conf_dir为SPARK_CONF_DIR或SPARK_HOME/conf
3.执行"${user_conf_dir}/spark-env.sh" [注：set -/+a含义再做研究]
4.选择scala版本，2.10和2.11都存在的情况下，优先选择2.11
# spark-env.sh
列举很多种模式的选项配置，以YARN client mode为例
# Options read in YARN client mode
# - HADOOP_CONF_DIR, to point Spark towards Hadoop configuration files
# - SPARK_EXECUTOR_INSTANCES, Number of executors to start (Default: 2)
# - SPARK_EXECUTOR_CORES, Number of cores for the executors (Default: 1).
# - SPARK_EXECUTOR_MEMORY, Memory per Executor (e.g. 1000M, 2G) (Default: 1G)
# - SPARK_DRIVER_MEMORY, Memory for Driver (e.g. 1000M, 2G) (Default: 1G)
回过头来看看需要直译出的最后一个脚本,如下：
sbin/spark-daemon.sh start org.apache.spark.deploy.master.Master 1 --host hostname --port 7077 --webui-port 8080
上面搞了半天只是设置了变量，最终才进入主角，继续分析spark-daemon.sh脚本
# spark-daemon.sh
1.参数个数小于等于1，打印帮助
2.判断SPARK_HOME是否有值，没有将其设置为当前文件所在目录的上级目录
3.执行${SPARK_HOME}/sbin/spark-config.sh，见上述分析 [类似脚本是否有重复？原因是有的人是直接用spark-daemon.sh启动的服务，反正重复设置下变量不需要什么代价]
4.判断第一个参数是否是--config,如果是取空格后一个字符串，然后判断该目录是否存在，不存在则打印错误信息并退出，存在设置SPARK_CONF_DIR为该目录,shift到下一个参数[注：--config只能用在第一参数上]
5.分别设置option、command、instance为后面的三个参数(如：option=start,command=org.apache.spark.deploy.master.Master,instance=1)[注：很多人用spark-daemon.sh启动服务不成功的原因是名字不全]
6.日志回滚函数，主要耕宇更改日志名，如log-->log.1等，略过
7.执行${SPARK_HOME}/bin/load-spark-env.sh，见上述分析
8.判断SPARK_IDENT_STRING是否有值，没有将其设置为$USER(linux用户)
9.设置SPARK_PRINT_LAUNCH_COMMAND=1
10.判断SPARK_LOG_DIR是否有值，没有将其设置为${SPARK_HOME}/logs，并创建改目录，测试创建文件，修改权限
11.判断SPARK_PID_DIR是否有值，没有将其设置为/tmp
12.设置log和pid
	log="$SPARK_LOG_DIR/spark-$SPARK_IDENT_STRING-$command-$instance-$HOSTNAME.out"
	pid="$SPARK_PID_DIR/spark-$SPARK_IDENT_STRING-$command-$instance.pid"
13.判断SPARK_NICENESS是否有值，没有将其设置为0 [注：调度优先级，见后面]
14.定义run_command()函数，暂且略过，调用时再作分析
15.进入case语句，判断option值，进入该分支，我们以start为例
	执行run_command class "$@"，其中$@此时为空，经验证，启动带上此参数后，关闭也需，不然关闭不了，后面再分析此参数作用
	我们正式进入run_command()函数，分析
	I.设置mode=class,创建SPARK_PID_DIR，上面的pid文件是否存在，
	II.SPARK_MASTER不为空，同步删除某些文件
	III.回滚log日志
	IV.进入case，command=org.apache.spark.deploy.master.Master，最终执行
		nohup nice -n "$SPARK_NICENESS" "${SPARK_HOME}"/bin/spark-class $command "$@" >> "$log" 2>&1 < /dev/null &
		newpid="$!"
		echo "$newpid" > "$pid"
	重点转向bin/spark-class org.apache.spark.deploy.master.Master
16.研究spark-class脚本
# spark-class
1.判断SPARK_HOME是否有值，没有将其设置为当前文件所在目录的上级目录
2.执行${SPARK_HOME}/bin/load-spark-env.sh，见上述分析
3.判断JAVA_HOME是否为NULL，不是则设置RUNNER="${JAVA_HOME}/bin/java"，否则找系统自带，在没有则报未设置，并退出
4.查找SPARK_JARS_DIR，若${SPARK_HOME}/RELEASE文件存在，则SPARK_JARS_DIR="${SPARK_HOME}/jars"，否则SPARK_JARS_DIR="${SPARK_HOME}/assembly/target/scala-$SPARK_SCALA_VERSION/jars"
5.若SPARK_JARS_DIR不存在且$SPARK_TESTING$SPARK_SQL_TESTING有值[注：一般我们不设置这两变量]，报错退出，否则LAUNCH_CLASSPATH="$SPARK_JARS_DIR/*"
6.SPARK_PREPEND_CLASSES不是NULL，则LAUNCH_CLASSPATH="${SPARK_HOME}/launcher/target/scala-$SPARK_SCALA_VERSION/classes:$LAUNCH_CLASSPATH"，添加编译相关至LAUNCH_CLASSPATH
7.SPARK_TESTING不是NULL，则unset YARN_CONF_DIR和unset HADOOP_CONF_DIR，暂且当做是为了某种测试
8.build_command函数，略过
9.最终调用"$RUNNER" -Xmx128m -cp "$LAUNCH_CLASSPATH" org.apache.spark.launcher.Main "$@"，直译：java -Xmx128m -cp "$LAUNCH_CLASSPATH" org.apache.spark.launcher.Main "$@"
10.转向java类org.apache.spark.launcher.Main，这就是java入口类，有机会再做分析

分析完了master，我们再来分析slaves
# start-slaves.sh
1.判断SPARK_HOME是否有值，没有将其设置为当前文件所在目录的上级目录
2.执行${SPARK_HOME}/sbin/spark-config.sh，见上述分析
3.执行${SPARK_HOME}/bin/load-spark-env.sh，见上述分析
4.SPARK_MASTER_PORT为空则设置为7077
5.SPARK_MASTER_HOST为空则设置为`hostname`
6.启动slaves，
	"${SPARK_HOME}/sbin/slaves.sh" cd "${SPARK_HOME}" ; "${SPARK_HOME}/sbin/start-slave.sh" "spark://$SPARK_MASTER_HOST:$SPARK_MASTER_PORT"
	遍历conf/slaves中主机，其中有设置SPARK_SSH_OPTS，ssh每一台机器执行"${SPARK_HOME}/sbin/start-slave.sh" "spark://$SPARK_MASTER_HOST:$SPARK_MASTER_PORT"
7.转向start-slave.sh
# start-slave.sh
1.判断SPARK_HOME是否有值，没有将其设置为当前文件所在目录的上级目录
2.设置CLASS="org.apache.spark.deploy.worker.Worker"
3.如果参数结尾包含--help或者-h则打印帮助信息，并退出
4.执行${SPARK_HOME}/sbin/spark-config.sh，见上述分析
5.执行${SPARK_HOME}/bin/load-spark-env.sh，见上述分析
6.MASTER=$1,这里MASTER=spark://hostname:7077，然后shift，也就是说单独启动单个slave使用start-slave.sh spark://hostname:7077
7.SPARK_WORKER_WEBUI_PORT为空则设置为8081
8.函数start_instance，略过
9.判断SPARK_WORKER_INSTANCES(可以认为是单节点Worker进程数)是否为空
	为空，则start_instance 1 "$@"
	不为空，则循环
		  for ((i=0; i<$SPARK_WORKER_INSTANCES; i++)); do
		    start_instance $(( 1 + $i )) "$@"
		  done
10.转向start_instance函数
	设置WORKER_NUM=$1
	"${SPARK_HOME}/sbin"/spark-daemon.sh start $CLASS $WORKER_NUM 
 	--webui-port "$WEBUI_PORT" $PORT_FLAG $PORT_NUM $MASTER "$@"
	直译：spark-daemon.sh start org.apache.spark.deploy.worker.Worker 1 --webui-port 7077 spark://hostname:7077
11.代码再次转向spark-daemon.sh，见上诉分析

分析完了master和slaves，分析下start-all.sh
# start-all.sh
1.判断SPARK_HOME是否有值，没有将其设置为当前文件所在目录的上级目录
2.执行${SPARK_HOME}/sbin/spark-config.sh，见上述分析
3.执行"${SPARK_HOME}/sbin"/start-master.sh，见上诉分析
4.执行"${SPARK_HOME}/sbin"/start-slaves.sh，见上诉分析

还剩下start-history-server.sh、start-shuffle-service.sh和start-thriftserver.sh
# start-history-server.sh
1.判断SPARK_HOME是否有值，没有将其设置为当前文件所在目录的上级目录
2.执行${SPARK_HOME}/sbin/spark-config.sh，见上述分析
3.执行${SPARK_HOME}/bin/load-spark-env.sh，见上述分析
4.exec "${SPARK_HOME}/sbin"/spark-daemon.sh start org.apache.spark.deploy.history.HistoryServer 1 $@ ，见上诉分析
# start-shuffle-service.sh
1.判断SPARK_HOME是否有值，没有将其设置为当前文件所在目录的上级目录
2.执行${SPARK_HOME}/sbin/spark-config.sh，见上述分析
3.执行${SPARK_HOME}/bin/load-spark-env.sh，见上述分析
4.exec "${SPARK_HOME}/sbin"/spark-daemon.sh start org.apache.spark.deploy.ExternalShuffleService 1 ，见上诉分析
# start-thriftserver.sh 开启thriftserver，略

2.2 自带各种shell分析

主要脚本关系如下：

run-example
sparkR
spark-shell				===>  spark-submit  ===>  spark-class
spark-sql

3 小结

启动脚本的分析，有助于理解运行时依赖关系，脚本作如下：

1.初始化运行时变量，配置系统参数
2.加载依赖包，运行java实例