spark任务运行过程的源码分析

spark任务运行的源码分析

在整个spark任务的编写、提交、执行分三个部分：
① 编写程序和提交任务到集群中
②sparkContext的初始化
③触发action算子中的runJob方法，执行任务

目前创新互联建站已为成百上千的企业提供了网站建设、域名、雅安服务器托管、网站托管、企业网站设计、义马网站维护等服务，公司将坚持客户导向、应用为本的策略，正道将秉承"和谐、参与、激情"的文化，与客户和合作伙伴齐心协力一起成长，共同发展。

(1)编程程序并提交到集群：

①编程spark程序的代码
②打成jar包到集群中运行
③使用spark-submit命令提交任务
在提交任务时，需要指定 --class 程序的入口（有main方法的类），
1） spark-submit --class xxx
2） ${SPARK_HOME}/bin/spark-class org.apache.spark.deploy.SparkSubmit $@
3） org.apache.spark.launcher.Main
submit(appArgs, uninitLog)
doRunMain()
runMain(childArgs, childClasspath, sparkConf, childMainClass, args.verbose)
childMainClass：…./.WordCount （自己编写的代码的主类）
mainClass = Utils.classForName(childMainClass)
val app: SparkApplication = if() {} else {new JavaMainApplication(mainClass)}
app.start(childArgs.toArray, sparkConf) // 通过反射调用mainClass执行
// 到此为止，相当于调用了我们的自己编写的任务类的main方法执行了。！！！
val mainMethod = klass.getMethod("main", new ArrayString.getClass)
mainMethod.invoke(null, args)
④开始执行自己编写的代码

(2)初始化sparkContext：

当自己编写的程序运行到：new SparkContext()时，就开始了精妙而细致的sparkContext的初始化。
sparkContext的相关介绍：sparkContext是用户通往spark集群的唯一入口，可以用来在spark集群中创建RDD、累加器和广播变量。sparkContext也是整个spark应用程序的一个至关重要的对象，是整个应用程序运行调度的核心（不是资源调度的核心）。在初始化sparkContext时，同时的会初始化DAGScheduler、TaskScheduler和SchedulerBackend，这些至关重要的对象。
sparkContext的构建过程：

1)Driver端执行的代码：

 初始化 TaskScheduler
 初始化 SchedulerBackend
 初始化 DAGScheduler

2)worker和master端执行的代码：

  driver向master注册申请资源。
  Worker负责启动executor。

(3)触发action算子中的runJob方法：

spark任务运行总结：

• 将编写的程序打成jar包
• 调用spark-submit提交任务到集群上运行
• 运行sparkSubmit 的main方法，在这个方法中通过反射的方式创建我们编写的主类的实例对象，然后调用该对象的main方法，开始执行我们编写的代码
• 当代码运行到new SparkContext对象的的时候，就开始了复杂和精致的sparkContext对象的初始化
• 在初始化SparkContext对象的时候，会创建两个特别重要的对象，分别是：DAGScheduler 和 TaskScheduler，其中【DAGScheduler 的作用】将RDD的依赖切成一个一个的stage，然后stage作为taskSet提交给Taskscheduler。
• 在构建TaskScheduler的同时，会创建两个非常重要的对象，分别是 DriverActor 和 ClientActor，DriverActor负责接收executor的反向注册，将任务提交给executor运行，clientActor是负责向master注册并提交任务
• 当clientActor启动时，会将用户提交的任务相关的参数分装到applicationDescription对象中去，然后提交给master进行任务注册
• 当master接收到clientActor提交的任务请求时，会将请求的参数进行分析，并封装成application，然后将其持久化，然后将其加入到任务队列waitingApps中。
• 当轮到我们提交任务的时候，就开始执行schedule()，进行任务资源的调度
• worker接收到master发送来的launchExecutor 时，会将其解压并封装到ExecutorRunner中，然后调用这个对象的start方法，启动executor
• executor启动后会向driver反向注册
• driver会发送注册成功信息，给executor
• executor接收到driver actor注册成功信息后，就会创建一个线程池，用于执行driveractor发送过来的任务
• 当属于这个任务的所有的 Executor 启动并反向注册成功后，就意味着运行这个任务的 环境已经准备好了，driver 会结束 SparkContext 对象的初始化，也就意味着 new SparkContext 这句代码运行完成
• 当sparkContext初始化完成之后，就会继续运行我们的代码，直到运行到action算子时，也就意味着触发了一个job的提交
• driver 会将这个 job 提交给 DAGScheduler
• DAGScheduler将接收到的job，从最后一个算子开始推导，将DAG根据依赖关系划分成为一个个stage，然后将stage封装成一个taskSet，并将taskSet中的task提交给taskScheduler
• taskScheduler接收到DAGScheduler发送过来的task，会拿到一个序列化器，对task进行序列化，然后将序列化好的task封装到launchTask中，然后将launchTask发送给指定的executor中运行
• executor接收到了DriverActor 发送过来的launchTask 时，会拿到一个反序列化器，对launchTask 进行反序列化，封装到一个TaskRunner 中，然后从executor这个线程池中获取一个线程，将反序列化好的任务中的算子作用在RDD对应的分区上。
• 最终当所有的task任务完成之后，整个application执行完成，关闭sparkContext对象。