欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Spark的运行流程详解

程序员文章站 2022-03-19 22:06:26
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 ......

一、spark提交应用任务的四个阶段:

 Spark的运行流程详解

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:

 Spark的运行流程详解

Spark的运行流程详解

 

 

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的运行流程详解

 

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;

 Spark的运行流程详解

 

 

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

 Spark的运行流程详解

 

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

 Spark的运行流程详解

 

 

c、通过反射机制,将mainclass的字符串转换成一个主类

 Spark的运行流程详解

 

 

d、根据主类找到这个类中的main方法

 Spark的运行流程详解

 

 

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

 Spark的运行流程详解

 

 

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:

 Spark的运行流程详解

 

b、 在提交任务的时候就要初始化的重要组件:

  1. dagscheduler 【划分dag并按阶段提交】
  2. taskscheduler  【任务的向集群提交,监控执行】
  3. 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

 Spark的运行流程详解

 

 

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;

 Spark的运行流程详解

Spark的运行流程详解

 

 

 

 

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:

 Spark的运行流程详解

Spark的运行流程详解

 

 Spark的运行流程详解

 Spark的运行流程详解

Spark的运行流程详解

 

 Spark的运行流程详解

Spark的运行流程详解

 

 

 

 

 

 

 

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

 Spark的运行流程详解

 

 

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:

 Spark的运行流程详解

 

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;

 Spark的运行流程详解

 

 

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。

 Spark的运行流程详解

 

 

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;

 Spark的运行流程详解

 

 

 

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

 Spark的运行流程详解

 

 

 

 taskscheduler是一个接口:

 Spark的运行流程详解

 

 

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;

 Spark的运行流程详解

 

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

 Spark的运行流程详解

Spark的运行流程详解

 

 

♈ 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

 Spark的运行流程详解

Spark的运行流程详解

 

 

4、运行任务:【executor开始执行任务】

a、 executor的本质就是线程池

 Spark的运行流程详解

 Spark的运行流程详解

 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!!!!

Spark的运行流程详解

Spark的运行流程详解

 

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

 Spark的运行流程详解

Spark的运行流程详解

Spark的运行流程详解

Spark的运行流程详解

Spark的运行流程详解

 

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:

 Spark的运行流程详解

 

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:

  1. 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;
  2. 每个stage中task的个数取决于最后一个rdd的分区数量
  3. 写入到hdfs中的文件个数(saveastextfile),是存储的rdd的分区数量
  4. 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
  5. 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
  6. 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;
  7. 不带shuffle的算子,都在一个stage内,产生依赖是窄依赖
  8. 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;