Spark RPC框架源码分析（一）简述

一. spark rpc框架概述

spark是最近几年已经算是最为成功的大数据计算框架，那么这次我们就来介绍它内部的一个小点，spark rpc框架。

在介绍之前，我们需要先说明什么是rpc，引用百度百科：

rpc（remote procedure call）—远程过程调用，它是一种通过网络从远程计算机程序上请求服务，而不需要了解底层网络技术的协议。rpc协议假定某些传输协议的存在，如tcp或udp，为通信程序之间携带信息数据。

spark rpc可以说是spark分布式集群的基础，若是将spark类比为一个人的话，spark rpc无疑就是它的血液部分。而在spark1.6之前，它的rpc部分还是用akka实现的，但之后底层就换成了netty来实现。为什么要这样做呢？因为啊，这样将spark和akka耦合在了一起，如果你系统本身就有使用到akka，然后又想使用spark的话，那两个akka框架版本不一致可怎么办呀，这无疑是很让人头痛的。spark团队正是考虑到了这一点，所以将akka替换成了netty。

这次我们就来看看spark是如何让它的血液流动起来的吧。有一位大神将spark rpc中的rpc部分剥离出来，弄成一个新的可运行的　rpc　项目，这个项目本身就可以当作一个简易的akka来使用，地址在这spark rpc。

虽然名字不一样，但这个项目的类和内容基本和spark core中rpc部分的代码和结构基本是一样的，这样我们就可以通过这个来学习spark rpc框架。

ps：所用spark版本：spark2.1.0

二.spark rpc中的 hello world

我们程序员学东西最喜欢从一个hello world开始，那么接下来我们就来演示如何下载并运行最简单的hello world例子吧。

首先，我使用的编译器是idea，通过idea将github上的代码clone下来。
可以看到项目目录下有两个模块，

• kraps-rpc
• kraps-rpc-example

kraps-rpc存放的是spark rpc的源代码，而我们要做的即是运行 kraps-rpc-example中的示例代码。

启动prc的话首先需要启动server端，开启监听服务，然后才能通过client进行访问。这里在helloworldserver.scala中都已经帮我们写好，不过在main方法中需要修改一下内容，就是将host改为本机地址。

  def main(args: array[string]): unit = {
//    val host = args(0)
    val host = "localhost"
    val config = rpcenvserverconfig(new rpcconf(), "hello-server", host, 52345)
    val rpcenv: rpcenv = nettyrpcenvfactory.create(config)
    val helloendpoint: rpcendpoint = new helloendpoint(rpcenv)
    rpcenv.setupendpoint("hello-service", helloendpoint)
    rpcenv.awaittermination()
  }

然后我们只需要右键该文件然后执行即可。

接下来我们就需要启动client端代码，我们先到helloworldclient文件中，这里面提供了同步和异步两个方法可以运行。代码同样都已经写好，通过修改注释即可使用不同的方法运行。同样是右键点击该文件执行。

  def main(args: array[string]): unit = {
    //异步方法
    //asynccall()
    //同步方法
    synccall()
  }

异步方法中，ask会返回一个future（注意这里的future是scala中的future，和java的是不一样的）。并且在future运行结果出来前，我们可以去做其他事情（异步的优势所在）。scala中的future和java的future有些不同，不过这可以先不去管，先当作java里面的future即可。

  def asynccall() = {
    val rpcconf = new rpcconf()
    val config = rpcenvclientconfig(rpcconf, "hello-client")
    val rpcenv: rpcenv = nettyrpcenvfactory.create(config)
    val endpointref: rpcendpointref = rpcenv.setupendpointref(rpcaddress("localhost", 52345), "hello-service")
    val future: future[string] = endpointref.ask[string](sayhi("neo"))
    future.oncomplete {
      case scala.util.success(value) => println(s"got the result = $value")
      case scala.util.failure(e) => println(s"got error: $e")
    }
    await.result(future, duration.apply("3s"))
    //在future结果运行出来前，会先打印这条语句。
    println("print me at first!")
    thread.sleep(7)
  }

而同步方法是直接将结果返回，并且会阻塞，这个时间内你无法做其他事情，只能等待，直到结果返回。

  def synccall() = {
    val rpcconf = new rpcconf()
    val config = rpcenvclientconfig(rpcconf, "hello-client")
    val rpcenv: rpcenv = nettyrpcenvfactory.create(config)
    val endpointref: rpcendpointref = rpcenv.setupendpointref(rpcaddress("localhost", 52345), "hello-service")
    val result = endpointref.askwithretry[string](saybye("neo"))
    println(result)

  }

很简单是吧，运行过例子后，我们就可以来了解一些spark rpc运行过程中至关重要的两个编程模型，以及在这其中使用到的一些主要的类。

三.spark rpc中的两个编程模型以及各个类

spark rpc是使用了actor模型和reactor模型的混合模式，我们结合两种模型分别说明spark rpc中各个类的作用：

首先我们先来看spark rpc的类图。

是不是感觉很乱？没事，我们来逐步剖析各个类。

为了更加清楚了说明各个类的关系，我们要先知道两个模型，分别是actor模型和reactor模型，我们将从这两个模型的角度来拆解各个类的关系。

actor模型

其实之前也有写过一篇介绍actor模型的文章，感兴趣的同学可以点击这里查看actor模型浅析。

其实actor主要就是这副图的内容：

在spark rpc中有几个类分别与actor模型中的各个角色对应，对应如下，左边的是spark rpc中的类，右边的是actor模型中的角色：

rpcendpoint => actor

rpcendpointref => actorref

rpcenv => actorsystem

我们逐个来看：

rpcenv --rpc environment

rpc environment 是 rpcendpoint 的运行环境。它管理 rpcendpoint 的整个生命周期：

1. 通过名字或 uri 注册 rpcendpoint。
2. 对到底的消息进行路由，决定分发给哪个 rpcendpoint。
3. 停止 rpcendpoint。

rpc environment在akka已经被移除的2.0后面版本中，rpc environment的实现类是nettyrpcenv。通常是由nettyrpcenvfactory.create创建。

rpcendpoint

rpcendpoint能通过callbacks接收消息。通常需要我们自己写一个类继承rpcendpoint。编写自己的接收信息和返回信息规则。

rpcendpoint的生命周期被rpc environment管理。其生命周期包括，onstart,receive和onstop。

它是作为服务端，比如上面例子中的helloworldserver就是一个rpcendpoint。

rpcendpointref

rpcendpointref是rpcendpoint在rpc environment中的一个引用。

它包含一个地址（即spark url）和名字。rpcendpointref作为客户端向服务端发送请求并接收返回信息，通常可以选择使用同步或异步的方式进行发送。

reactor模型

spark rpc采用actor模型和reactor模型混合的结构，上面已经介绍了actor，那么现在我们就来介绍reactor模型，同样，我们可以从一张图来看reactor的架构。

使用reactor模型，由底层netty创建的eventloop做i/o多路复用，这里使用multiple reactors这种形式，如上图所示，从netty的角度而言，main reactor和sub reactor对应bossgroup和workergroup的概念，前者负责监听tcp连接、建立和断开，后者负责真正的i/o读写。

而图中的threadpool就是的dispatcher中的线程池，它来解耦开来耗时的业务逻辑和i/o操作，这样就可以更scalabe，只需要少数的线程就可以处理成千上万的连接，这种思想是标准的分治策略，offload非i/o操作到另外的线程池。

dispatcher

dispatcher的主要作用是保存注册的rpcendpoint、分发相应的message到rpcendpoint中进行处理。dispatcher即是上图中threadpool的角色。它同时也维系一个threadpool，用来处理每次接受到的inboxmessage。而这里处理inboxmessage是通过inbox实现的。

inbox

inbox其实属于actor模型，是actor中的信箱，不过它和dispatcher联系紧密所以放这边。

inboxmessage有多个实现它的类，比如onewaymessage，rpcmessage，等等。dispatcher会将接收到的inboxmessage分发到对应rpcendpoint的inbox中，然后inbox便会处理这个inboxmessage。

ok，这次就先介绍到这里，下次我们从代码的角度来看spark rpc的运行机制

如果觉得对你有帮助，不妨关注一波吧~~

参考资料：

---

推荐阅读：
从分治算法到 mapreduce
actor并发编程模型浅析
大数据存储的进化史 --从 raid 到 hadoop hdfs