Spark的运行流程详解
一、spark提交应用任务的四个阶段：
总共提交的任务分为四个阶段，提交+执行：
1、在分配完毕executor以后，解析代码生成dag有向无环图；
2、将生成的dag图提交给dagscheduler，这个组件在driver内，dagscheduler负责切分阶段，按照dag图中的shuffle算子进行stage阶段的切分，切分完毕阶段以后，按照每个阶段分别生成对应task任务的集合，将每个阶段所有的task任务放入到对应的set集合中，提交这个set集合，即一次性提交每个stage阶段的所有任务（每个阶段准备好就提交哪个阶段）
3、将任务的集合提交给taskscheduler【driver端组件】,这个组件会将数据通过集群管理器提交给集群（executor），对任务进行监控，分配资源，负责提交，负责执行，负责故障重试，负责落后任务的重启
4、真正提交到executor端，在executor中进行执行，保存执行过后的数据，或者存储数据
二、spark的运行流程详解【重点】：
♎ spark-submit 提交命令的解析：
通过查看底层，我们可以了解到，使用spark-submit方法提交任务的时候的时候，实际上是运行的 spark内的 sparksubmit 类
提交任务的命令：
spark-submit --master xxx --class xxx --name xxx xxx.jar input output
我们使用命令提交任务的时候，设置的参数实际上就是给sparksubmit 的参数；
a、查看sparksubmit的源码：spark-submit 提交任务时，实际上是运行sparksubmit中的main方法
spark-submit 提交任务时，实际上是运行sparksubmit中的main方法：
所以--master xxx --class com.bw.spark.wordcount --name xxx xxx.jar input output 这些东西都是main方法的参数
♈ main方法中会接收传入的参数，将传入的参数解析后，使用匹配模式，判断输入的参数并执行不同的操作；
1、submit 提交一个应用任务：
spark-submit --master spark://master:7077 --class com.bw.spark.wordcount --name xxx xxx.jar input output
a、可以看到在 submit 方法内解析出了四个参数：①
a) childargs == 子类的参数列表，是提交的参数列表内的 输入参数【input】 和 输出路径 【output】 ，数据用于要运行的jar包内的main方法
b) childclasspath == 子类的类的路径，是 --class 的参数【com.bw.spark】 ，数据用于sparksubmit 类中的main方法
c) sysprops == 系统属性，即 --master 的参数，指定集群模式【spark://master:7077】，数据用于sparksubmit 类中的main方法
d) childmainclass == --class 参数中类内的入口（main方法）【wordcount 】，数据用于sparksubmit 类中的main方法
由sparksubmit类中的main方法管理并启动自定义的类中的main方法
b、通过 runmain 方法使用解析出来的参数继续向下执行②
c、通过反射机制，将mainclass的字符串转换成一个主类
d、根据主类找到这个类中的main方法
e、通过反射机制执行main方法，将传递近来的参数放置到main方法中执行
总结：其实任务的提交就是运行main方法，解析代码解析main方法，解析到此进入等待状态
2、开始初始化driver端的东西，初始化上下文 ①sparkcontext ②dagscheduler ③taskscheduler【属于预提交的阶段】
a、 sparkcontext中需要初始化的组件：
b、 在提交任务的时候就要初始化的重要组件：
- dagscheduler 【划分dag并按阶段提交】
- taskscheduler 【任务的向集群提交，监控执行】
- schedulerbackend 【提交任务的通信组件】
1--2、根据部署的集群模式不一样。创建不同的dagscheduler和taskscheduler
3、根据部署模式不一样创建的schedulerbackend也不一样，根据资源分配不同的核数：
本地模式时，根据设置的线程数创建不同的schedulerbackend；
集群模式时，不需要设置，线程数由集群管理；
3、组件的创建实例完毕以后，开始解析代码：
driver初始化完成以后开始解析代码，（executors已经启动），记录textfile从什么位置开始读取数据，记录每个算子生成rdd的数量，分区个数，逻辑，各个rdd之间的血缘关系，只有遇见真正的action算子才开始执行，会生成dag有向无环图，rdd就是点，算子就是线；
a、开始将dag有向无环图提交给dagscheduler进行阶段的切分：
从saveastextfile开始进入，找到最后一步，可以发现是将任务提交给dagscheduler，进行任务阶段的切分：
b、到dagscheduler中进行任务的切分阶段，将每一个准备好的阶段提交给taskscheduler
ⅰ、在dagscheduler中的doonreceive方法接收传进dagscheduler的任务，进行任务的处理
ⅱ、dagscheduler中负责将任务进行拆分，按照shuffle算子进行拆分不同的stage
❶ 找到最后一个rdd，创建一个resultstage：
❷ 根据最后一个resultstage，找到这个result的父stage，如果父stage为空，那么表明已经到了最开始的stage，直接进行提交
如果父stage不为空，那么继续调用自身以递归的形式进行倒序的向前排查，直到找到初始stage为止；
❸ stage的划分：通过最后一个rdd向前推，如果这个rdd是宽依赖就将stage+1，如果是窄依赖就将当前stage阶段中的rdd+1；当每个阶段都推衍完毕以后，将每个阶段中的所有的task组成一个taskset。
❹将每个阶段中的所有的task组成一个taskset集合：
每个阶段匹配一下，如果是shufflemapstage就组装一个集合,这个集合中装入的都是shufflemaptask；如果是resultstage那么这个stage中装入的就是resulttask；
c、将任务集合提交给taskscheduler,taskscheduler进行任务的提交到集群中，然后执行操作，负责监控，申请资源，故障重试
taskscheduler是一个接口：
taskscheduler的其中一个实现类【taskschedulerimpl】：
实现类中存在各项组件方法，实现对任务进行各项初始化与管理，在配置好任务之后提交给executor 执行；
ctrl+alt+b找到taskscheduler接口的实现类【taskschedulerimpl】：
在taskschedulerimpl中通过submittasks方法将任务提交schedulerbackend组件进行提交任务：
//提交任务的一个组件：
override def submittasks(taskset: taskset) {
//取出集合内所有的task任务
val tasks = taskset.tasks
loginfo("adding task set " + taskset.id + " with " + tasks.length + " tasks")
this.synchronized {
//创建一个stage管理器，对不同的stage阶段的task任务集合进行管理
val manager = createtasksetmanager(taskset, maxtaskfailures)
//得到当前处理的stage是第几个阶段的
val stage = taskset.stageid
val stagetasksets =
tasksetsbystageidandattempt.getorelseupdate(stage, new hashmap[int, tasksetmanager])
stagetasksets(taskset.stageattemptid) = manager
val conflictingtaskset = stagetasksets.exists { case (_, ts) =>
ts.taskset != taskset && !ts.iszombie
}
if (conflictingtaskset) {
throw new illegalstateexception(s"more than one active taskset for stage $stage:" +
s" ${stagetasksets.toseq.map{_._2.taskset.id}.mkstring(",")}")
}
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_ms, starvation_timeout_ms)
}
hasreceivedtask = true
}
//将所有的task取出之后，使用 schedulerbackend 通信方式将任务提交给executor执行
backend.reviveoffers()
}
d、schedulerbackend 通信组件：接收taskscheduler 发送的任务，将任务转发给 executor
schedulerbackend 是一个接口，这个接口存在两个实现类，一个是本地通信的实现类，一个是负责集群通信的实现类
♈ 集群模式的通信方式：
1、接收taskscheduler 发送的任务
2、遍历将接收到的taskscheduler 任务进行序列化以用于传输
3、通过rpc协议进行任务传输，到executor端
4、运行任务：【executor开始执行任务】
a、 executor的本质就是线程池
b、 task类包装为多线程类：
executor 执行器就是一个线程池，但是这个线程池中能够执行的只有多线程的类，而task任务不是多线程的，所以用一个taskrunner多线程的类对task进行包装后，task就成为了多线程的，可以放入到线程池中运行！！！！
c、task在executor中的运行流程：
在运行任务的时候调用taskrunner中的run方法，先进行任务的反序列化，计算时间，以及分配资源，然后交给执行器进行执行，将执行完毕的任务从taskset中去除
d、执行器【runtask方法】：任务真正运行的地方
task 分为 shufflemaptask 和 resulttask 两种，都在task中调用runtask方法执行：
5、任务管理：
driver端是所有应用的老大，他会管理每一个executor中的任务执行；监听，数据管理，任务重启。。。。 taskscheduler
所有的组件，以及代码，变量等数据都在driver端，只有运行的时候会被传送至executor端，因此在driver中运行的程序+变量，都需要被实例化
三、spark任务的四大调度
1、application
spark-submit spark-shell提交的任务就是一个应用，会生成一个application
2、job
遇见一个action算子就会生成一个job
3、stage
遇见shuffle就会切分stage, stage 数量 = shuffle算子数+1
4、task
运行任务的最小单位，一个stage中最后一个rdd的分区数量就是这个stage中task任务的个数
四、几个重要的数值：
- 读取外部文件的时候，rdd的分区数量是，这个被读取的文件存在多少个block快就有多少个分区；但是当文件只有一个分区时，产生两个分区；
- 每个stage中task的个数取决于最后一个rdd的分区数量
- 写入到hdfs中的文件个数（saveastextfile）,是存储的rdd的分区数量
- 一个job每个能够运行多少个task任务？这个job区段内每个stage中的最后一个rdd的分区的总和
- 同时并行能够运行多少task任务？集群中总核数，一个线程对应一个task任务，如果任务数量比总的核数多，则等待执行
- 带有shuffle的算子切分stage，产生的依赖是宽依赖；判断是否是宽依赖的最简单依据就是看算子是否会产生shuffle；
- 不带shuffle的算子，都在一个stage内，产生依赖是窄依赖
- 在整个应用任务流程中，action行动类算子会产生job任务使懒加载开始执行；shuffle算子切割stage，产生不同的pipeline管道形式的stage提交阶段；两者不是对等关系，job 的阶段 ≠ stage的阶段；
上一篇： 我老婆贤惠多了