Spark中的Scheduler「建议收藏」

Spark中的Scheduler

scheduler分成两个类型。一个是TaskScheduler与事实上现，一个是DAGScheduler。

TaskScheduler:主要负责各stage中传入的task的运行与调度。

DAGScheduler:主要负责对JOB中的各种依赖进行解析，依据RDD的依赖生成stage并通知TaskScheduler运行。

实例生成

TaskScheduler实例生成：

scheduler实例生成，我眼下主要是针对onyarn的spark进行的相关分析，

在appmaster启动后，通过调用startUserClass()启动线程来调用用户定义的spark分析程序。

传入的第一个參数为appmastername(master),可传入的如:yarn-cluster等。

在用户定义的spark分析程序中。生成SparkContext实例。

通过SparkContext.createTaskScheduler函数。假设是yarn-cluster,生成YarnClusterScheduler实例。

此部分生成的scheduler为TaskScheduler实例。

defthis(sc:SparkContext) = this(sc,newConfiguration())

同一时候YarnClusterSchduler实现TaskSchedulerImpl。

defthis(sc:SparkContext) = this(sc,sc.conf.getInt(“spark.task.maxFailures”,4))

生成TaskScheduler中的SchedulerBackend属性引用，yarn-cluster为CoarseGrainedSchedulerBackend

valbackend =newCoarseGrainedSchedulerBackend(scheduler,sc.env.actorSystem)

scheduler.initialize(backend)

DAGScheduler实例生成：

classDAGScheduler(

taskSched: TaskScheduler,

mapOutputTracker:MapOutputTrackerMaster,

blockManagerMaster:BlockManagerMaster,

env: SparkEnv)

extendsLogging {

defthis(taskSched:TaskScheduler){

this(taskSched,SparkEnv.get.mapOutputTracker.asInstanceOf[MapOutputTrackerMaster],

SparkEnv.get.blockManager.master,SparkEnv.get)

}

taskSched.setDAGScheduler(this)

scheduler调度过程分析

1.rdd运行action操作。如saveAsHadoopFile

2.调用SparkContext.runJob

3.调用DAGScheduler.runJob–>此函数调用submitJob,并等job运行完毕。

Waiter.awaitResult()中通过_jobFinished检查job执行是否完毕，假设完毕，此传为true,否则为false.

_jobFinished的值通过resultHandler函数，每调用一次finishedTasks的值加一，

假设finishedTasks的个数等于totalTasks的个数时，表示完毕。

或者出现exception.

defrunJob[T, U: ClassTag](

rdd: RDD[T],

func: (TaskContext, Iterator[T])=> U,

partitions: Seq[Int],

callSite: String,

allowLocal: Boolean,

resultHandler: (Int, U) =>Unit,

properties: Properties = null)

{

valwaiter =submitJob(rdd, func, partitions, callSite, allowLocal, resultHandler,properties)

waiter.awaitResult()match{

caseJobSucceeded => {}

caseJobFailed(exception:Exception, _) =>

logInfo(“Failedto run “ + callSite)

throwexception

}

}

4.调用DAGScheduler.submitJob函数，

部分代码：生成JobWaiter实例，并传入此实例。发送消息。调用JobSubmitted事件。并返回waiter实例。

JobWaiter是JobListener的实现。

valwaiter =newJobWaiter(this,jobId,partitions.size, resultHandler)

eventProcessActor! JobSubmitted(

jobId,rdd, func2,partitions.toArray, allowLocal, callSite, waiter,properties)

waiter

5.处理DAGScheduler的JobSubmitted事件消息，通过processEvent处理消息接收的事件。

defreceive = {

caseevent:DAGSchedulerEvent =>

logTrace(“Gotevent of type “ +event.getClass.getName)

if(!processEvent(event)){

submitWaitingStages()

} else{

resubmissionTask.cancel()

context.stop(self)

}

}

}))

6.processEvent函数中处理JobSubmitted事件部分代码：

caseJobSubmitted(jobId,rdd, func,partitions,allowLocal,callSite,listener,properties)=>

varfinalStage:Stage = null

try{

生成stage实例，stage的id通过nextStageId的值加一得到，task的个数就是partitions的分区个数，

依据job相应的rdd,得到假设parentrdd是shuffle的rdd时生成ShuffleMapStage，通过getParentStages函数，

此处去拿到parentrdd时，假设currentrdd的parentrdd不是shuffle,递归调用parentrdd,

假设parendrdd中没有shuffle的rdd,不生成新的stage,否则有多少个，生成多少个。

此处是处理DAG类的依赖

finalStage= newStage(rdd,partitions.size,None, jobId,Some(callSite))

} catch{

casee:Exception =>

logWarning(“Creatingnew stage failed due to exception – job: “+ jobId, e)

listener.jobFailed(e)

returnfalse

}

生成ActiveJob实例。

设置numFinished的值为0，表示job中有0个完毕的task.

设置全部task个数的arrayfinished.并把全部元素的值设置为false.把JobWaiter当listener传入ActiveJob.

valjob = newActiveJob(jobId,finalStage,func,partitions,callSite,listener,properties)

对已经cache过的TaskLocation进行清理。

clearCacheLocs()

logInfo(“Gotjob “ + job.jobId+ ” (“+ callSite+ “) with “+ partitions.length+

“output partitions (allowLocal=” +allowLocal+ “)”)

logInfo(“Finalstage: “ + finalStage+ ” (“+ finalStage.name+ “)”)

logInfo(“Parentsof final stage: “ +finalStage.parents)

logInfo(“Missingparents: “ +getMissingParentStages(finalStage))

假设runJob时传入的allowLocal的值为true,同一时候没有须要shuffle的rdd，同一时候partitions的长度为1，

也就是task仅仅有一个，直接在local执行此job..通过runLocallyWithinThread生成一个线程来执行。

if(allowLocal&& finalStage.parents.size== 0 &&partitions.length== 1) {

//Compute very short actions like first() or take() with no parentstages locally.

listenerBus.post(SparkListenerJobStart(job,Array(), properties))

通过ActiveJob中的func函数来执行job的执行，此函数在rdd的action调用时生成定义。

如saveAsHadoopFile(saveAsHadoopDataset)中的定义的内部func,writeToFile函数。

完毕函数运行后，调用上面提到的生成的JobWaiter.taskSucceeded函数。

runLocally(job)

} else{

否则有多个partition也就是有多个task,或者有shuffle的情况，

idToActiveJob(jobId)= job

activeJobs+= job

resultStageToJob(finalStage)= job

listenerBus.post(SparkListenerJobStart(job,jobIdToStageIds(jobId).toArray,properties))

调用DAGScheduler.submitStage函数。

submitStage(finalStage)

}

7.DAGScheduler.submitStage函数：递归函数调用，

假设stage包括parentstage(shuffle的情况)把stage设置为waiting状态。等待parentstage运行完毕才进行运行。

privatedefsubmitStage(stage: Stage) {

valjobId =activeJobForStage(stage)

if(jobId.isDefined){

logDebug(“submitStage(“+ stage + “)”)

假设RDD的Dependency的RDD还没有运行完毕，等待Dependency运行完毕后当前的RDD才干进行运行操作。

if(!waiting(stage)&& !running(stage)&& !failed(stage)){

依据stage中rdd的Dependency，检查是否须要生成新的stage,假设是ShuffleDependency，会生成新的ShuffleMapStage

此处去拿到parentrdd时，假设currentrdd的parentrdd不是shuffle,递归调用parentrdd,

假设parendrdd中没有shuffle的rdd,不生成新的stage,否则有多少个，生成多少个。此处是处理DAG类的依赖

valmissing =getMissingParentStages(stage).sortBy(_.id)

logDebug(“missing:” + missing)

假设没有RDD中的shuffle的Dependency,也就是RDD之间都是NarrowDependency的Dependency

表示全部的Dependency都在map端本地运行。

if(missing ==Nil) {

logInfo(“Submitting” + stage + “(“ + stage.rdd+ “), which has no missingparents”)

submitMissingTasks(stage,jobId.get)

running+= stage

} else{

假设RDD有Dependency,先运行parentrdd的stage操作。此处是递归函数调用

for(parent <-missing) {

submitStage(parent)

}

waiting+= stage

}

}

}else{

abortStage(stage, “Noactive job for stage “ + stage.id)

}

}

8.DAGScheduler.submitMissingTask的运行流程：

privatedefsubmitMissingTasks(stage: Stage, jobId: Int) {

logDebug(“submitMissingTasks(“+ stage + “)”)

//Get our pending tasks and remember them in our pendingTasks entry

valmyPending =pendingTasks.getOrElseUpdate(stage,newHashSet)

myPending.clear()

vartasks =ArrayBuffer[Task[_]]()

假设stage是shuffle的rdd,迭代stage下的的全部partition,依据partition与相应的TaskLocation

生成ShuffleMapTask.加入到task列表中。

if(stage.isShuffleMap){

for(p <- 0until stage.numPartitionsifstage.outputLocs(p)== Nil) {

vallocs =getPreferredLocs(stage.rdd,p)

tasks+= newShuffleMapTask(stage.id,stage.rdd,stage.shuffleDep.get,p, locs)

}

}else{

否则表示stage是非shuffle的rdd,此是是运行完毕后直接返回结果的stage,生成ResultTask实例。

因为是ResultTask，因此须要传入定义的func,也就是怎样处理结果返回

//This is a final stage; figure out its job’s missing partitions

valjob =resultStageToJob(stage)

for(id <- 0until job.numPartitionsif!job.finished(id)){

valpartition =job.partitions(id)

vallocs =getPreferredLocs(stage.rdd,partition)

tasks+= newResultTask(stage.id,stage.rdd,job.func,partition,locs, id)

}

}

valproperties= if(idToActiveJob.contains(jobId)){

idToActiveJob(stage.jobId).properties

}else{

//thisstage will be assigned to “default” pool

null

}

//must be run listener before possible NotSerializableException

//should be “StageSubmitted” first and then “JobEnded”

listenerBus.post(SparkListenerStageSubmitted(stageToInfos(stage),properties))

if(tasks.size> 0) {

//Preemptively serialize a task to make sure it can be serialized. Weare catching this

//exception here because it would be fairly hard to catch thenon-serializableexception

//down the road, where we have several different implementations forlocal scheduler and

//cluster schedulers.

try{

SparkEnv.get.closureSerializer.newInstance().serialize(tasks.head)

} catch{

casee:NotSerializableException =>

abortStage(stage, “Tasknot serializable: “ + e.toString)

running-= stage

return

}

logInfo(“Submitting” + tasks.size+ ” missing tasks from “+ stage + ” (“+ stage.rdd+ “)”)

myPending++= tasks

logDebug(“Newpending tasks: “ + myPending)

生成TaskSet实例。把stage中要运行的Task列表传入。同一时候把stage相应的ActiveJob也传入。

通过TaskScheduler的实现。调用submitTasks函数，YarnClusterScheduler(TaskSchedulerImpl)

taskSched.submitTasks(

newTaskSet(tasks.toArray,stage.id,stage.newAttemptId(), stage.jobId,properties))

stageToInfos(stage).submissionTime= Some(System.currentTimeMillis())

}else{

logDebug(“Stage” + stage + “is actually done; %b %d %d”.format(

stage.isAvailable,stage.numAvailableOutputs,stage.numPartitions))

running-= stage

}

}

9.TaskSchedulerImpl.submitTasks函数流程分析：

通过传入的TaskSet,得到要运行的tasks列表。并生成TaskSetmanager实例。

同一时候把实例加入到的schedulableBuilder(FIFOSchedulableBuilder/FairSchedulableBuilder)队列中。

关于TaskSetManager实例可參见后面的分析。

overridedefsubmitTasks(taskSet: TaskSet) {

valtasks =taskSet.tasks

logInfo(“Addingtask set “ + taskSet.id+ ” with “+ tasks.length+ ” tasks”)

this.synchronized{

valmanager =newTaskSetManager(this,taskSet, maxTaskFailures)

activeTaskSets(taskSet.id)= manager

schedulableBuilder.addTaskSetManager(manager,manager.taskSet.properties)

taskSetTaskIds(taskSet.id)= newHashSet[Long]()

定期检查task的运行消息是否被生成运行。假设task被分配运行，关闭此线程。

否则一直给出提示.

if(!isLocal && !hasReceivedTask){

starvationTimer.scheduleAtFixedRate(newTimerTask() {

overridedefrun() {

if(!hasLaunchedTask){

logWarning(“Initialjob has not accepted any resources; “+

“checkyour cluster UI to ensure that workers are registered “+

“andhave sufficient memory”)

} else{

this.cancel()

}

}

}, STARVATION_TIMEOUT,STARVATION_TIMEOUT)

}

hasReceivedTask= true

}

通过SchedulerBackend的实现CoarseGrainedSchedulerBackend.reviceOffers发起运行处理操作。

backend.reviveOffers()

}

9.1TaskSetManager的实例生成:

private[spark]classTaskSetManager(

sched: TaskSchedulerImpl,

valtaskSet:TaskSet,

valmaxTaskFailures:Int,

clock: Clock = SystemClock)

extendsSchedulablewithLogging

………………………

for(i <- (0until numTasks).reverse){

addPendingTask(i)

}

关于addPendingTask的定义：此睦传入的readding的值为false.

privatedefaddPendingTask(index: Int, readding: Boolean = false){

//Utility method that adds `index` to a list only if readding=falseor it’s not already there

内部定义的addTo方法。

defaddTo(list:ArrayBuffer[Int]) {

if(!readding || !list.contains(index)) {

list += index

}

}

varhadAliveLocations= false

迭代全部的要运行的task,并通过task的TaskLocation检查运行的节点级别。加入到对应的pendingTask容器中

for(loc <-tasks(index).preferredLocations){

for(execId <-loc.executorId){

检查TaskSchedulerImpl.activeExecutorIds的活动的worker的executor是否存在，

假设是第一个运行的RDD时，此时activeExecutorIds容器的的值为空，当第一个RDD中有TASK在此executor中运行过后。

会把executor的id加入到activeExecutorIds容器中。

第一个RDD的stage运行时，此部分不运行。但第二个stage运行时，可最大可能的保证task在PROCESS_LOCAL的运行。

if(sched.isExecutorAlive(execId)){

addTo(pendingTasksForExecutor.getOrElseUpdate(execId,newArrayBuffer))

hadAliveLocations= true

}

}

if(sched.hasExecutorsAliveOnHost(loc.host)){

假设在TaskSchedulerImpl的executorsByHost容器中包括此host,在pendingTasksForHost中加入相应的task.

TaskSchedulerImpl.executorsByHost容器的值在每个worker注冊时

通过向CoarseGrainedSchedulerBackend.DriverActor发送RegisterExecutor事件消息。

通过makeOffers()–>TaskSchedulerImpl.resourceOffers把host加入到executorsByHost容器中。

addTo(pendingTasksForHost.getOrElseUpdate(loc.host,newArrayBuffer))

通过调用YarnClusterScheduler.getRackForHost得到host相应的rack,

并在rack的pending容器中加入相应的task个数和。

for(rack <-sched.getRackForHost(loc.host)){

addTo(pendingTasksForRack.getOrElseUpdate(rack,newArrayBuffer))

}

hadAliveLocations= true

}

}

假设上面两种情况都没有加入到容器中pendingTasksWithNoPrefs。

if(!hadAliveLocations){

//Even though the task might’ve had preferred locations, all of thosehosts or executors

//are dead; put it in the no-prefslist so we can schedule it elsewhere right away.

addTo(pendingTasksWithNoPrefs)

}

在TaskSetManager实例生成是，把全部task的个数都加入到allPendingTasks容器中

if(!readding) {

allPendingTasks+= index // No point scanning thiswhole list to find the old task there

}

}

………………………..

得到可选择的LocalityLevel级别。

valmyLocalityLevels= computeValidLocalityLevels()

vallocalityWaits= myLocalityLevels.map(getLocalityWait)// Time to wait at each level

下面代码是computeValidLocalityLevels的定义，主要依据各种locality中pending的容器中是否有值。

生成当前stage中的task运行可选择的Locality级别。

privatedefcomputeValidLocalityLevels(): Array[TaskLocality.TaskLocality] = {

importTaskLocality.{PROCESS_LOCAL,NODE_LOCAL,RACK_LOCAL,ANY}

vallevels =newArrayBuffer[TaskLocality.TaskLocality]

if(!pendingTasksForExecutor.isEmpty&& getLocalityWait(PROCESS_LOCAL)!= 0) {

levels+= PROCESS_LOCAL

}

if(!pendingTasksForHost.isEmpty&& getLocalityWait(NODE_LOCAL)!= 0) {

levels+= NODE_LOCAL

}

if(!pendingTasksForRack.isEmpty&& getLocalityWait(RACK_LOCAL)!= 0) {

levels+= RACK_LOCAL

}

levels+= ANY

logDebug(“Validlocality levels for “ + taskSet+ “: “+ levels.mkString(“,”))

levels.toArray

}

}

下面代码是getLocalityWait的定义代码：此函数主要是定义每个Task在此Locality级别中运行的等待时间。

也就是scheduler调度在传入的Locality级别时所花的时间是否超过指定的等待时间，

假设超过表示须要放大Locality的查找级别。

privatedefgetLocalityWait(level: TaskLocality.TaskLocality): Long = {

valdefaultWait= conf.get(“spark.locality.wait”,“3000”)

level match{

caseTaskLocality.PROCESS_LOCAL=>

conf.get(“spark.locality.wait.process”,defaultWait).toLong

caseTaskLocality.NODE_LOCAL=>

conf.get(“spark.locality.wait.node”,defaultWait).toLong

caseTaskLocality.RACK_LOCAL=>

conf.get(“spark.locality.wait.rack”,defaultWait).toLong

caseTaskLocality.ANY=>

0L

}

}

10.SchedulerBackend.reviveOffers()的调度处理流程：

SchedulerBackend的实现为CoarseGrainedSchedulerBackend。

overridedefreviveOffers() {

driverActor! ReviveOffers

}

以上代码发CoarseGrainedSchedulerBackend内部的DriverActor发送消息，处理ReviveOffers事件。

caseReviveOffers =>

makeOffers()

…………….

defmakeOffers() {

见以下的launchTasks与resourceOffers函数

launchTasks(scheduler.resourceOffers(

executorHost.toArray.map{case(id, host)=> newWorkerOffer(id,host,freeCores(id))}))

}

调用TaskSchedulerImpl.resourceOffers并传入注冊的worker中executorid与host的kvarray.

defresourceOffers(offers: Seq[WorkerOffer]): Seq[Seq[TaskDescription]] =synchronized {

SparkEnv.set(sc.env)

//Mark each slave as alive and remember its hostname

for(o <-offers) {

executorIdToHost(o.executorId)= o.host

此部分主要是在worker注冊时executorsByHost中还不存在时会运行。

if(!executorsByHost.contains(o.host)){

executorsByHost(o.host)= newHashSet[String]()

executorGained(o.executorId,o.host)

}

}

offers表示有多少个注冊的worker的executor,依据每个worker中可能的cpucore个数生成可运行的task个数。

//Build a list of tasks to assign to each worker

valtasks =offers.map(o => newArrayBuffer[TaskDescription](o.cores))

可分配的cpu个数,由此处能够看出每个任务分配时最好按每个worker能分配的最大cpucore个数来分配。

valavailableCpus= offers.map(o => o.cores).toArray

得到队列中的全部的TaskSetManager列表。

valsortedTaskSets= rootPool.getSortedTaskSetQueue()

for(taskSet <-sortedTaskSets){

logDebug(“parentName:%s, name: %s, runningTasks: %s”.format(

taskSet.parent.name,taskSet.name,taskSet.runningTasks))

}

计算task的Locality级别，launchedTask=false表示须要放大Locality的级别。

//Take each TaskSet in our scheduling order, and then offer it eachnode in increasing order

//of locality levels so that it gets a chance to launch local tasks onall of them.

varlaunchedTask= false

计算task的Locality,此处是一个for的迭代调用。先从taskset列表中拿出一个tasetset,

子迭代是从PROCESS_LOCAL開始迭代locality的级别。

for(taskSet <-sortedTaskSets;maxLocality<- TaskLocality.values) {

do{

launchedTask= false

迭代调用每个worker的值，从每个worker中在taskset中选择task的运行级别，生成TaskDescription

for(i <- 0until offers.size) {

得到迭代出的worker的executorid与host

valexecId =offers(i).executorId

valhost =offers(i).host

通过TaskSetManager.resourceOffer选择一个运行级别,通过此函数选择Locality级别时。

不能超过传入的maxLocality,每次生成一个task,

for(task <-taskSet.resourceOffer(execId,host,availableCpus(i),maxLocality)){

每次生成一个task,把生成的task加入到上面的tasks列表中。

tasks(i)+= task

valtid =task.taskId

taskIdToTaskSetId(tid)= taskSet.taskSet.id

taskSetTaskIds(taskSet.taskSet.id)+= tid

taskIdToExecutorId(tid)= execId

设置当前executorid设置到activeExecutorIds列表中。当有多个依赖的stage运行时。

第二个stage在submitTasks时，生成TaskSetManager时，会依据的activeExecutorIds值，

在pendingTasksForExecutor中生成等运行的PROCESS_LOCAL的pendingtasks.

activeExecutorIds+= execId

把executor相应的host记录到executorsByHost容器中。

executorsByHost(host)+= execId

当前worker中可用的cpucore的值须要减去一，这样能充分保证一个cpucore运行一个task

availableCpus(i) -= 1

这个值用来检查是否在当前的Locality级别中接着运行其他的task的分配，

假设这个值为true,不放大maxLocality的级别，从下一个worker中接着分配剩余的task

launchedTask= true

}

}

} while(launchedTask)

}

if(tasks.size> 0) {

设置hasLaunchedTask的值为true,表示task的运行分配完毕。在上面提到过的检查线程中对线程运行停止操作。

hasLaunchedTask= true

}

returntasks

}

10.1TaskSetManager.resourceOffer流程分析

defresourceOffer(

execId: String,

host:String,

availableCpus: Int,

maxLocality:TaskLocality.TaskLocality)

:Option[TaskDescription] =

{

假设完毕的task个数小于要生成的总task个数，同一时候当前cpu可用的core个数和大于或等于一个配置的。默认1

if(tasksSuccessful< numTasks&& availableCpus >= CPUS_PER_TASK){

valcurTime =clock.getTime()

通过如今运行task分配的时间减去上一次并从currentLocalityIndex的下标開始，

取出locality相应的task分配等待时间，假设时间超过了此配置，把下标值加一，

找到下一个locality的配置时间,按这方式找，直到找到ANY的值，详细可见以下的此方法说明

varallowedLocality= getAllowedLocalityLevel(curTime)

假设通过的locality的级别超过了传入的最大locality级别。把级别设置为传入的最大级别

if(allowedLocality> maxLocality) {

allowedLocality= maxLocality // We’re not allowed tosearch for farther-away tasks

}

findTask主要是从相应的pending的列表中依据相应的Locality拿到相应的task的下标，在TaskSet.tasks中的下标。

findTask(execId, host,allowedLocality)match{

caseSome((index,taskLocality))=> {

//Found a task; do some bookkeeping and return a task description

valtask =tasks(index)

valtaskId =sched.newTaskId()

//Figure out whether this should count as a preferred launch

logInfo(“Startingtask %s:%d as TID %s on executor %s: %s (%s)”.format(

taskSet.id,index,taskId,execId, host, taskLocality))

//Do various bookkeeping

copiesRunning(index) += 1

valinfo = newTaskInfo(taskId,index,curTime,execId, host, taskLocality)

taskInfos(taskId)= info

taskAttempts(index)= info ::taskAttempts(index)

把分配此task的locality级别拿到相应的下标，并又一次设置下标的值。

//Update our locality level for delay scheduling

currentLocalityIndex= getLocalityIndex(taskLocality)

把这次的task的分配时间设置成最后一次分配时间。

lastLaunchTime= curTime

//Serialize and return the task

valstartTime =clock.getTime()

//We rely on the DAGScheduler to catch non-serializableclosures and RDDs, so in here

//we assume the task can be serialized without exceptions.

valserializedTask= Task.serializeWithDependencies(

task,sched.sc.addedFiles,sched.sc.addedJars,ser)

valtimeTaken =clock.getTime() – startTime

addRunningTask(taskId)

logInfo(“Serializedtask %s:%d as %d bytes in %d ms”.format(

taskSet.id,index,serializedTask.limit,timeTaken))

valtaskName =“task %s:%d”.format(taskSet.id,index)

假设是第一次运行。通过DAGScheduler.taskStarted发送BeginEvent事件。

if(taskAttempts(index).size== 1)

taskStarted(task,info)

returnSome(newTaskDescription(taskId,execId, taskName,index,serializedTask))

}

case_ =>

}

}

None

}

依据超时时间配置，假设这次分配task的时间减去上次task分配的时间超过了locality分配等待的配置时间，

把locality的级别向上移动一级。并又一次比对时间，拿到不超时的locality级别或ANY的级别。

privatedefgetAllowedLocalityLevel(curTime: Long): TaskLocality.TaskLocality = {

while(curTime – lastLaunchTime>= localityWaits(currentLocalityIndex)&&

currentLocalityIndex< myLocalityLevels.length- 1)

{

下标值加一，也就是把当前的Locality的级别向上放大一级。

//Jump to the next locality level, and remove our waiting time for thecurrent one since

//we don’t want to count it again on the next one

lastLaunchTime+= localityWaits(currentLocalityIndex)

currentLocalityIndex+= 1

}

myLocalityLevels(currentLocalityIndex)

}

DAGScheduler中处理BeginEvent事件：

caseBeginEvent(task,taskInfo)=>

for(

job<- idToActiveJob.get(task.stageId);

stage<- stageIdToStage.get(task.stageId);

stageInfo<- stageToInfos.get(stage)

) {

if(taskInfo.serializedSize> TASK_SIZE_TO_WARN* 1024 &&

!stageInfo.emittedTaskSizeWarning){

stageInfo.emittedTaskSizeWarning= true

logWarning((“Stage%d (%s) contains a task of very large “+

“size(%d KB). The maximum recommended task size is %d KB.”).format(

task.stageId,stageInfo.name,taskInfo.serializedSize/ 1024,TASK_SIZE_TO_WARN))

}

}

listenerBus.post(SparkListenerTaskStart(task,taskInfo))

11.CoarseGrainedSchedulerBackend.launchTasks流程

运行task的运行。发送LaunchTask事件处理消息

deflaunchTasks(tasks: Seq[Seq[TaskDescription]]) {

for(task <-tasks.flatten) {

freeCores(task.executorId) -= 1

依据worker注冊时的actor,向此actor发送LaunchTask事件。

executorActor(task.executorId)! LaunchTask(task)

}

}

12.启动task,因为是onyarn的模式，worker的actor在CoarseGrainedExecutorBackend.

处理代码例如以下：

caseLaunchTask(taskDesc)=>

logInfo(“Gotassigned task “ + taskDesc.taskId)

if(executor== null){

logError(“ReceivedLaunchTask command but executor was null”)

System.exit(1)

} else{

executor.launchTask(this,taskDesc.taskId,taskDesc.serializedTask)

}

………………………..

通过Executor启动task的运行。

其他actor的消息处理与task的详细运行与shuffle后面分析。这里先不做细的说明。

吐槽一把scala,这玩意编写代码是方便，但看起来有点麻烦呀。