一、源码分析
###入口 ###org.apache.spark.scheduler/DAGScheduler.scala // 最后，针对stage的task，创建TaskSet对象，调用taskScheduler的submitTasks()方法，提交taskSet // 默认情况下，我们的standalone模式，是使用的TaskSchedulerImpl，TaskScheduler只是一个trait taskScheduler.submitTasks( new TaskSet(tasks.toArray, stage.id, stage.newAttemptId(), stage.jobId, properties)) ###org.apache.spark.scheduler/TaskSchedulerlmpl.scala ###taskScheduler.submitTasks()方法，TaskSchedulerImpl的submitTasks()方法 /** * TaskScheduler提交任务的入口 * @param taskSet */ override def submitTasks(taskSet: TaskSet) { val tasks = taskSet.tasks logInfo("Adding task set " + taskSet.id + " with " + tasks.length + " tasks") this.synchronized { // 给每一个taskSet，都会创建一个TaskSetManager // TaskSetManager实际上，在后面，会负责他的那个TaskSet的任务执行状况的监视和管理 val manager = createTaskSetManager(taskSet, maxTaskFailures) // 加入内存缓存中 activeTaskSets(taskSet.id) = manager schedulableBuilder.addTaskSetManager(manager, manager.taskSet.properties) if (!isLocal && !hasReceivedTask) { starvationTimer.scheduleAtFixedRate(new TimerTask() { override def run() { if (!hasLaunchedTask) { logWarning("Initial job has not accepted any resources; " + "check your cluster UI to ensure that workers are registered " + "and have sufficient resources") } else { this.cancel() } } }, STARVATION_TIMEOUT, STARVATION_TIMEOUT) } hasReceivedTask = true } // sparkContext原理剖析的时候，创建TaskScheduler的时候，一件非常重要的事情，就是为TaskSchedulerImpl创建 // 一个SparkDeploySchedulerBackend，这里的backend，指的就是之前创建好的SparkDeploySchedulerBackend，而且这个 // backend是负责创建AppClient，向Master注册Application的 backend.reviveOffers() } ###org.apache.spark.scheduler/TaskSetManager.scala /** * 在TaskSchedulerImpl中，对一个单独的TaskSet的任务进行调度，这个类负责追踪每一个task，如果task失败的话， * 会负责重试task，直到超过重试的次数限制，并且会通过延迟调度，为这个TaskSet处理本地化调度机制。它的主要接口是resourceOffer， * 在这个接口中，TaskSet会希望在一个节点上运行一个任务，并且接受任务的状态改变消息，来知道它负责的task的状态改变了 */ private[spark] class TaskSetManager( sched: TaskSchedulerImpl, val taskSet: TaskSet, val maxTaskFailures: Int, clock: Clock = new SystemClock()) extends Schedulable with Logging { ###org.apache.spark.scheduler.cluster/CoarseGrainedSchedulerBackend.scala ###backend.reviveOffers()方法，CoarseGrainedSchedulerBackend的reviveOffers()方法 override def reviveOffers() { driverActor ! ReviveOffers } ###CoarseGrainedSchedulerBackend这个类的，DriverActor这个类的ReviveOffers case ReviveOffers => makeOffers() ###org.apache.spark.scheduler.cluster/CoarseGrainedSchedulerBackend.scala ###makeOffers()方法 // Make fake resource offers on all executors def makeOffers() { // 第一步，调用TaskSchedulerImpl的resourceOffers()方法，执行任务分配算法，将各个task分配到executor上去 // 第二步，分配好task到Executor之后，执行自己的的launchTasks()方法，将分配的task发送launchTask消息到对应的Executor上去，由Executor启动并执行task // 给resourceOffers方法传入的是这个Application所有可用的Executor，并且将其封装成了WorkerOffer，每个WorkerOffer代表了每个Executor可用的cpu资源数量 launchTasks(scheduler.resourceOffers(executorDataMap.map { case (id, executorData) => new WorkerOffer(id, executorData.executorHost, executorData.freeCores) }.toSeq)) } ###org.apache.spark.scheduler/TaskSchedulerImpl.scala ###resourceOffers() def resourceOffers(offers: Seq[WorkerOffer]): Seq[Seq[TaskDescription]] = synchronized { // Mark each slave as alive and remember its hostname // Also track if new executor is added var newExecAvail = false for (o <- offers) { executorIdToHost(o.executorId) = o.host activeExecutorIds += o.executorId if (!executorsByHost.contains(o.host)) { executorsByHost(o.host) = new HashSet[String]() executorAdded(o.executorId, o.host) newExecAvail = true } for (rack <- getRackForHost(o.host)) { hostsByRack.getOrElseUpdate(rack, new HashSet[String]()) += o.host } } // 首先，将可用的executor进行shuffle，也就是说，进行打散，从而做到，尽可能可以进行负载均衡 // Randomly shuffle offers to avoid always placing tasks on the same set of workers. val shuffledOffers = Random.shuffle(offers) // Build a list of tasks to assign to each worker. // 然后针对WorkerOffer，创建一堆需要用的东西 // 比如tasks，它可以理解为一个二维数组，即ArrayBuffer的元素又是一个ArrayBuffer，并且每个子ArrayBuffer的数量是固定的，也就是这个Executor可用的cpu数量 val tasks = shuffledOffers.map(o => new ArrayBuffer[TaskDescription](o.cores)) val availableCpus = shuffledOffers.map(o => o.cores).toArray // 这个很重要，从rootPool中取出了排序的TaskSet，之前讲解TaskScheduler初始化的时候，创建完TaskSchedulerImpl、SparkDeploySchedulerBackend之后，执行一个initialize() // 方法，在这个方法中，其实会创建一个调度池，这里，相当于是说，所有提交的taskSet，首先呢，会放入这个调度池，然后再执行task分配算法的时候，会从这个调度池中，取出排好队的TaskSet val sortedTaskSets = rootPool.getSortedTaskSetQueue for (taskSet <- sortedTaskSets) { logDebug("parentName: %s, name: %s, runningTasks: %s".format( taskSet.parent.name, taskSet.name, taskSet.runningTasks)) if (newExecAvail) { taskSet.executorAdded() } } // Take each TaskSet in our scheduling order, and then offer it each node in increasing order // of locality levels so that it gets a chance to launch local tasks on all of them. // NOTE: the preferredLocality order: PROCESS_LOCAL, NODE_LOCAL, NO_PREF, RACK_LOCAL, ANY // 这里，是任务分配算法的核心，双重for循环，遍历所有的taskSet，以及每一种本地化级别 // 本地化级别有 // PROCESS_LOCAL,进程本地化，rdd的partition和task，进入一个Executor内，速度当然快 // NODE_LOCAL,dd的partition和task，不在一个Executor重，不在一个进程，但是在一个worker节点上 // NO_PREF,无，没有所谓的本地化级别 // RACK_LOCAL,机架本地化，至少rdd的partition和task，在一个机架上 // ANY,任意的本地化级别 // 这几种本地化级别 是从小到大排列的 var launchedTask = false // 对每一个taskSet，从最好的一种本地化级别，开始遍历 for (taskSet <- sortedTaskSets; maxLocality <- taskSet.myLocalityLevels) { do { // 对当前taskSet，尝试优先使用最小的本地化级别，将taskset的task，在Executor上进行启动 // 如果启动不了，那么就跳出这个do while循环，进入下一种本地化级别，也就是放大本地化级别 // 以此类推，直到尝试将taskset在某些本地化级别下，在task在Executor上全部启动 launchedTask = resourceOfferSingleTaskSet( taskSet, maxLocality, shuffledOffers, availableCpus, tasks) } while (launchedTask) } if (tasks.size > 0) { hasLaunchedTask = true } return tasks } ###org.apache.spark.scheduler/TaskSchedulerImpl.scala ###resourceOfferSingleTaskSet() private def resourceOfferSingleTaskSet( taskSet: TaskSetManager, maxLocality: TaskLocality, shuffledOffers: Seq[WorkerOffer], availableCpus: Array[Int], tasks: Seq[ArrayBuffer[TaskDescription]]) : Boolean = { var launchedTask = false // 遍历所有Executor for (i <- 0 until shuffledOffers.size) { val execId = shuffledOffers(i).executorId val host = shuffledOffers(i).host // 如果当前Executor的cpu数量大于每个task要使用的cpu数量，默认是1 if (availableCpus(i) >= CPUS_PER_TASK) { try { // 调用taskSetManager的resourceOffer方法，去找到，在这个Executor，用这种本地化级别，taskset的哪些task可以启动 // resourceOffer()方法，就是说，会去判断这个task在这个这个本地化级别，之前的等待时间是多少，如果说，本地化级别的等待时间在一定范围内 // 那么就认为task使用本地化级别可以在executor上启动 for (task <- taskSet.resourceOffer(execId, host, maxLocality)) { tasks(i) += task val tid = task.taskId taskIdToTaskSetId(tid) = taskSet.taskSet.id taskIdToExecutorId(tid) = execId executorsByHost(host) += execId availableCpus(i) -= CPUS_PER_TASK assert(availableCpus(i) >= 0) launchedTask = true } } catch { case e: TaskNotSerializableException => logError(s"Resource offer failed, task set ${taskSet.name} was not serializable") // Do not offer resources for this task, but don't throw an error to allow other // task sets to be submitted. return launchedTask } } } return launchedTask } ###org.apache.spark.scheduler.cluster/CoarseGrainedSchedulerBackend.scala ###launchTasks()方法 // Launch tasks returned by a set of resource offers // 根据分配好的情况，去Executor上启动相应的task def launchTasks(tasks: Seq[Seq[TaskDescription]]) { for (task <- tasks.flatten) { // 首先将每个Executor要执行的task信息，统一进行序列化操作 val ser = SparkEnv.get.closureSerializer.newInstance() val serializedTask = ser.serialize(task) if (serializedTask.limit >= akkaFrameSize - AkkaUtils.reservedSizeBytes) { val taskSetId = scheduler.taskIdToTaskSetId(task.taskId) scheduler.activeTaskSets.get(taskSetId).foreach { taskSet => try { var msg = "Serialized task %s:%d was %d bytes, which exceeds max allowed: " + "spark.akka.frameSize (%d bytes) - reserved (%d bytes). Consider increasing " + "spark.akka.frameSize or using broadcast variables for large values." msg = msg.format(task.taskId, task.index, serializedTask.limit, akkaFrameSize, AkkaUtils.reservedSizeBytes) taskSet.abort(msg) } catch { case e: Exception => logError("Exception in error callback", e) } } } else { // 找到对应的executor val executorData = executorDataMap(task.executorId) // 给executor上的资源，减去要使用的cpu资源 executorData.freeCores -= scheduler.CPUS_PER_TASK // 向executor发送LaunchTask消息，来在executor上启动task executorData.executorActor ! LaunchTask(new SerializableBuffer(serializedTask)) } } }