Spark源码分析 之 Driver和Excutor是怎么跑起来的?(2.2.0版本)

今天抽空回顾了一下Spark相关的源码，本来想要了解一下Block的管理机制，但是看着看着就回到了SparkContext的创建与使用。正好之前没有正式的整理过这部分的内容，这次就顺带着回顾一下。

更多内容参考：我的大数据之路

Spark作为目前最流行的大数据计算框架，已经发展了几个年头了。版本也从我刚接触的1.6升级到了2.2.1。由于目前工作使用的是2.2.0，所以这次的分析也就从2.2.0版本入手了。

涉及的内容主要有：

  • Standalone模式中的Master与Worker
  • client、driver、excutor的关系

下面就按照顺序依次介绍一下。

Master与Worker

在最开始编程的时候，很少会涉及分布式，因为数据量也不大。后来随着硬件的发展cpu的瓶颈，开始流行多线程编程，基于多线程来加快处理速度；再后来，衍生出了网格计算、CPU与GPU的异构并行计算以及当时流行的mapreduce分布式计算。但是mapreduce由于存储以及计算流程的限制，spark开始流行起来。Spark凭借内存计算、强大的DAG回溯能力，快速的占领并行计算的风口。

那么并行计算肯定是需要分布式集群的，常见的集群管理方式，有Master-Slave模式、P2P模式等等。

比如Mysql的主从复制，就是Master-Slave模式；Elasticsearch的分片管理就是P2P模式。在Spark中有不同的部署方式，但是计算的模式都是Master-Slave模式，只不过Slave换了名字叫做worker而已。集群的部署模式如下所示：

流程就是用户以client的身份向master提交任务，master去worker上面创建执行任务的载体（driver和excutor）。

client、driver、excutor的关系

Master和Worker是服务器的部署角色，程序从执行上，则分成了client、driver、excutor三种角色。按照模式的不同，client和driver可能是同一个。以2.2.0版本的standalone模式来说，他们三个是独立的角色。client用于提交程序，初始化一些环境变量；driver用于生成task并追踪管理task的运行；excutor负责最终task的执行。

源码探索

总的流程可以总结为下面的一张图：

通过查看源码，来看一下

1 SparkContext创建调度器

在创建SparkContext的时候会创建几个核心的模块：

  1. DAGScheduler 面向job的调度器
  2. TaskScheduler 不同的集群模式，有不同的实现方式，如standalone下的taskschedulerImpl
  3. SchedulerBackend 不同的集群模式下，有不同的实现方式，如standalone下的StandaloneSchedulerBackend.负责向master发起注册
// 创建并启动调度器
val (sched, ts) = SparkContext.createTaskScheduler(this, master, deployMode)
_schedulerBackend = sched
_taskScheduler = ts
_dagScheduler = new DAGScheduler(this)
...
// 启动调度器
_taskScheduler.start()

在createTaskSchduler中，根据master的不同，选择不同的实现方式，主要是在backend的实现上有差异：

master match {
      case "local" =>
        ...

      case LOCAL_N_REGEX(threads) =>
        ...

      case LOCAL_N_FAILURES_REGEX(threads, maxFailures) =>
        ...

      case SPARK_REGEX(sparkUrl) =>
        // 创建调度器
        val scheduler = new TaskSchedulerImpl(sc)
        val masterUrls = sparkUrl.split(",").map("spark://" + _)
        // 创建backend
        val backend = new StandaloneSchedulerBackend(scheduler, sc, masterUrls)
        // 把backend注入到schduler中
        scheduler.initialize(backend)
        (backend, scheduler)

      case LOCAL_CLUSTER_REGEX(numSlaves, coresPerSlave, memoryPerSlave) =>
        ...

      case masterUrl =>
        ...
    }

我们这里只看一下standalone模式的创建，就是创建了TaskSchedulerImpl和StandaloneSchedulerBackend的对象，另外初始化了调度器，根据配置选择调度模式，默认是FIFO:

def initialize(backend: SchedulerBackend) {
    this.backend = backend
    schedulableBuilder = {
      schedulingMode match {
        case SchedulingMode.FIFO =>
          new FIFOSchedulableBuilder(rootPool)
        case SchedulingMode.FAIR =>
          new FairSchedulableBuilder(rootPool, conf)
        case _ =>
          throw new IllegalArgumentException(s"Unsupported $SCHEDULER_MODE_PROPERTY: " +
          s"$schedulingMode")
      }
    }
    schedulableBuilder.buildPools()
  }

2 TaskSchedulerImpl执行start方法

其实是执行了backend的start()方法

override def start() {
    backend.start()
    ...
  }

3 StandaloneSchedulerBackend执行start方法

这部分代码比较多，可以简化的看：

  • 封装command对象
  • 封装appDesc对象
  • 创建StandaloneAppClient对象
  • 执行start()方法

其中command中包含的那个类，就是excutor的实现类。

override def start() {
    //初始化参数
    ...
    
    val command = Command("org.apache.spark.executor.CoarseGrainedExecutorBackend",
      args, sc.executorEnvs, classPathEntries ++ testingClassPath, libraryPathEntries, javaOpts)
   ...
    val appDesc = ApplicationDescription(sc.appName, maxCores, sc.executorMemory, command,
      webUrl, sc.eventLogDir, sc.eventLogCodec, coresPerExecutor, initialExecutorLimit)
    // 注意前面创建了一大堆的配置对象，主要就是那个class等信息
	client = new StandaloneAppClient(sc.env.rpcEnv, masters, appDesc, this, conf)
    client.start()
    ...
  }

4 发起注册

核心的代码在StanaloneAppClient中，并在start()方法中启动了一个rpc的服务——ClientEndpoint

override def onStart(): Unit = {
  try {
    registerWithMaster(1)//发起注册
  } catch {
    ...
  }
}

registerWithMaster采用了异步发送请求连接master，只要有一个注册成功，其他的都会cancel。这里有时间可以做个小hello world玩玩看。

private def registerWithMaster(nthRetry: Int) {
  registerMasterFutures.set(tryRegisterAllMasters())
  registrationRetryTimer.set(registrationRetryThread.schedule(new Runnable {
    override def run(): Unit = {
      if (registered.get) {
        registerMasterFutures.get.foreach(_.cancel(true))
        registerMasterThreadPool.shutdownNow()
      } else if (nthRetry >= REGISTRATION_RETRIES) {
        markDead("All masters are unresponsive! Giving up.")
      } else {
        registerMasterFutures.get.foreach(_.cancel(true))
        registerWithMaster(nthRetry + 1)
      }
    }
  }, REGISTRATION_TIMEOUT_SECONDS, TimeUnit.SECONDS))
}
//发起注册
private def tryRegisterAllMasters(): Array[JFuture[_]] = {
  ...
  masterRef.send(RegisterApplication(appDescription, self))
  ...
}

5 Master接收到请求执行schedule方法

Master是一个常驻的进程，时刻监听别人发过来的消息。刚才client发送了一个RegisterApplication消息，忽略前面创建app的内容，直接执行了schedule方法:

case RegisterApplication(description, driver) =>
   // TODO Prevent repeated registrations from some driver
   if (state == RecoveryState.STANDBY) {
     // ignore, don't send response
   } else {
     ...
     schedule()
   }

6 Master发送launchDriver

发送lanunchDriver请求

private def schedule(): Unit = {
  ...
  for (driver <- waitingDrivers.toList) { // iterate over a copy of waitingDrivers
    ...
    while (numWorkersVisited < numWorkersAlive && !launched) {
      ...
      if (worker.memoryFree >= driver.desc.mem && worker.coresFree >= driver.desc.cores) {
        launchDriver(worker, driver)
        ...
      }
      ...
    }
  }
  startExecutorsOnWorkers()
}
//向worker发送launchDriver请求
private def launchDriver(worker: WorkerInfo, driver: DriverInfo) {
  ...
  worker.endpoint.send(LaunchDriver(driver.id, driver.desc))
  ...
}

7 Worker创建DriverRunner

case LaunchDriver(driverId, driverDesc) =>
      logInfo(s"Asked to launch driver $driverId")
      val driver = new DriverRunner(
        conf,
        driverId,
        workDir,
        sparkHome,
        driverDesc.copy(command = Worker.maybeUpdateSSLSettings(driverDesc.command, conf)),
        self,
        workerUri,
        securityMgr)
      drivers(driverId) = driver
      driver.start()

      coresUsed += driverDesc.cores
      memoryUsed += driverDesc.mem

8 Master发送launchExcutor

第6步中最后有一个startExecutorsOnWorkers方法。

private def startExecutorsOnWorkers(): Unit = {
...
  for (app <- waitingApps if app.coresLeft > 0) {
    ...
    for (pos <- 0 until usableWorkers.length if assignedCores(pos) > 0) {
      allocateWorkerResourceToExecutors(
        app, assignedCores(pos), coresPerExecutor, usableWorkers(pos))
    }
  }
}

private def allocateWorkerResourceToExecutors(
   app: ApplicationInfo,
   assignedCores: Int,
   coresPerExecutor: Option[Int],
   worker: WorkerInfo): Unit = {
 ...
 for (i <- 1 to numExecutors) {
   ...
   launchExecutor(worker, exec)
   ...
 }
}

private def launchExecutor(worker: WorkerInfo, exec: ExecutorDesc): Unit = {
  ...
  worker.endpoint.send(LaunchExecutor(masterUrl,
    exec.application.id, exec.id, exec.application.desc, exec.cores, exec.memory))
  ...
}

9 Worker创建ExcutorRunner

case LaunchExecutor(masterUrl, appId, execId, appDesc, cores_, memory_) =>
if (masterUrl != activeMasterUrl) {
  ...
} else {
  try {
    ...
    val manager = new ExecutorRunner(
      appId,
      execId,
      appDesc.copy(command = Worker.maybeUpdateSSLSettings(appDesc.command, conf)),
      cores_,
      memory_,
      self,
      workerId,
      host,
      webUi.boundPort,
      publicAddress,
      sparkHome,
      executorDir,
      workerUri,
      conf,
      appLocalDirs, ExecutorState.RUNNING)
    ...
  } catch {
...
  }
}

至此，Driver和Excutor就启动起来了.....

之后代码是怎么运行的，就且听下回分解把！

参考

  1. SparkContext http://www.cnblogs.com/jcchoiling/p/6427406.html
  2. spark worker解密：http://www.cnblogs.com/jcchoiling/p/6433196.html
  3. 2.2.0源码
  4. 《Spark内核机制及性能调优》· 王家林
posted @ 2018-01-10 19:13  xingoo  阅读(2103)  评论(0)  编辑  收藏  举报