任务调度器有哪些_本地计算机上的task scheduler

任务调度器有哪些_本地计算机上的task schedulerTaskScheduler可以看做任务调度的客户端,负责任务的提交,并且请求集群管理器对任务调度。TaskScheduler的类UML图如下,针对不同部署方式会有不同的TaskScheduler与SchedulerBackend进行组合。TaskScheduler类负责任务调度资源的分配,SchedulerBackend负责与Driver、Executor通信收集Executor上分配给该应用的资…

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE稳定放心使用

TaskScheduler可以看做任务调度的客户端,负责任务的提交,并且请求集群管理器对任务调度。TaskScheduler的类UML图如下,针对不同部署方式会有不同的TaskScheduler与SchedulerBackend进行组合。TaskScheduler类负责任务调度资源的分配,SchedulerBackend负责与Driver、Executor通信收集Executor上分配给该应用的资源使用情况。常见的任务调度模式有以下四种:

  • Local模式:TaskSchedulerImpl + LocalBackend
  • Standalone模式:TaskSchedulerImpl + StandaloneSchedulerBackend
  • Yarn-Cluster模式:YarnClusterScheduler + YarnClusterSchedulerBackend
  • Yarn-Client模式:YarnScheduler + YarnClientSchedulerBackend

TaskScheduler思维导图

下面以最常用的Yarn-Cluster模式为例,从以下四个步骤来分析源码实现方式:

  1. TaskScheduler的创建;
  2. Task的提交;

TaskScheduler的创建

TaskScheduler的创建

  1. TaskScheduler是在SparkContext中定义并启动的:

     // We need to register "HeartbeatReceiver" before "createTaskScheduler" because Executor will
     // retrieve "HeartbeatReceiver" in the constructor. (SPARK-6640)
     // 需要在createTaskScheduler调用前注册HeartbeatReceiver,因为Executor在构造时就要检索HeartbeatReceiver消息
     _heartbeatReceiver = env.rpcEnv.setupEndpoint(
       HeartbeatReceiver.ENDPOINT_NAME, new HeartbeatReceiver(this))
     // master是"spark.master"参数的值,deployMode是"spark.submit.deployMode"参数的值
     // Create and start the scheduler
     // 创建task scheduler,返回(backend, scheduler)的Tuple
     val (sched, ts) = SparkContext.createTaskScheduler(this, master, deployMode)
     _schedulerBackend = sched
     _taskScheduler = ts
     // DAGScheduler中保存有taskScheduler的引用,同样构造DAGScheduler时也将自身引用设置到taskScheduler中
     _dagScheduler = new DAGScheduler(this)
     // 向HeartbeatReceiver发送一条SparkContext.taskScheduler已经创建好的消息
     _heartbeatReceiver.ask[Boolean](TaskSchedulerIsSet)
    
     // start TaskScheduler after taskScheduler sets DAGScheduler reference in DAGScheduler's
     // constructor
     // 在DAGScheduler的构造器中将自身的引用设置到taskScheduler里之后,启动TaskScheduler,
     // 方法中同时也会调用backend.start方法启动backend
     _taskScheduler.start()
    
  2. TaskScheduler的构建

    createTaskScheduler方法会根据master参数匹配部署模式,创建TaskSchedulerImpl,并生成不同的SchedulerBackend(Yarn-Cluster模式:YarnClusterScheduler + YarnClusterSchedulerBackend)。

     master match {
       case masterUrl =>
         val cm = getClusterManager(masterUrl) match {
           case Some(clusterMgr) => clusterMgr
           case None => throw new SparkException("Could not parse Master URL: '" + master + "'")
         }
         try {
     	  // 利用集群管理器创建TaskScheduler
           val scheduler = cm.createTaskScheduler(sc, masterUrl)
     	  // 利用集群管理器创建SchedulerBackend,并且将scheduler的引用传入
           val backend = cm.createSchedulerBackend(sc, masterUrl, scheduler)
     	  // 内部调用TaskSchedulerImpl.initialize方法将backend引用设置到scheduler中,
     	  // 并根据schedulingMode创建调度管理器FIFOScheduler或者FairScheduler
           cm.initialize(scheduler, backend)
           (backend, scheduler)
         } catch {
           case se: SparkException => throw se
           case NonFatal(e) =>
             throw new SparkException("External scheduler cannot be instantiated", e)
         }
       ...
     }
    

    YarnClusterScheduler和YarnScheduler类构造过程为空,TaskScheduler的构造过程全部在TaskSchedulerImpl中。

       // Listener object to pass upcalls into
       // DAGScheduler的引用,在DAGSchedulers构造过程中会将自身引用设置到这里
       var dagScheduler: DAGScheduler = null
       // SchedulerBackend的引用,在initialize方法时会进行设置
       var backend: SchedulerBackend = null
       // 保留MapOutputTrackerMaster的引用,driver中存储map输出结果位置的结构
       val mapOutputTracker = SparkEnv.get.mapOutputTracker.asInstanceOf[MapOutputTrackerMaster]
       // 调度器,在initialize方法中根据schedulingMode创建FIFO或者FAIR调度器,默认为FIFO
       private var schedulableBuilder: SchedulableBuilder = null
       // default scheduler is FIFO
       private val schedulingModeConf = conf.get(SCHEDULER_MODE_PROPERTY, SchedulingMode.FIFO.toString)
       val schedulingMode: SchedulingMode =
         try {
           SchedulingMode.withName(schedulingModeConf.toUpperCase(Locale.ROOT))
         } catch {
           case e: java.util.NoSuchElementException =>
             throw new SparkException(s"Unrecognized $SCHEDULER_MODE_PROPERTY: $schedulingModeConf")
         }
       // 表示资源池或者任务集管理器的可调度实体
       val rootPool: Pool = new Pool("", schedulingMode, 0, 0)
     
       // This is a var so that we can reset it for testing purposes.
       // Runs a thread pool that deserializes and remotely fetches (if necessary) task results.
       // 创建TaskResultGetter,利用线程池远程接收并反序列化Worker上的Executor发送的Task的执行结果
       // 线程池利用Executors.newFixedThreadPool创建的,默认4个线程,线程名字以task-result-getter开头,
       // 可通过spark.resultGetter.threads参数修改
       private[spark] var taskResultGetter = new TaskResultGetter(sc.env, this)
    
  3. TaskScheduler的初始化

    创建完TaskScheduler和SchedulerBackend后,调用YarnClusterManager的initialize方法对其进行初始化,而其实际是调用TaskSchedulerImpl的initialize方法。以默认的FIFO调度为例,TaskSchedulerImpl的初始化过程如下:

  • 设置SchedulerBackend引用。

  • 根据schedulingMode配置来创建FIFOSchedulableBuilder或FairSchedulableBuilder,用来操作Pool中的调度队列。

  • 创建Pool,Pool中缓存了调度队列、调度算法及TaskSetManager集合等信息。

      	  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()
      	  }
    
  1. TaskScheduler的启动

    调用TaskScheduler#start方法来启动scheduler,实际调用TaskSchedulerImpl#start方法。

       override def start() {
     	// 启动SchedulerBackend,
         backend.start()
     	// 如果不是本地模式且任务并发执行开关打开,则启动一个指定延时后周期调度执行的线程来执行并发任务
     	// 后台启动一个线程检查符合speculation条件的task
         if (!isLocal && conf.getBoolean("spark.speculation", false)) {
           logInfo("Starting speculative execution thread")
           speculationScheduler.scheduleWithFixedDelay(new Runnable {
             override def run(): Unit = Utils.tryOrStopSparkContext(sc) {
               checkSpeculatableTasks()
             }
           }, SPECULATION_INTERVAL_MS, SPECULATION_INTERVAL_MS, TimeUnit.MILLISECONDS)
         }
       }
    
  2. TaskScheduler与SchedulerBackend的相互引用,TaskScheduler与DAGScheduler相互引用,具体实现的过程如下:

任务调度器有哪些_本地计算机上的task scheduler

Task的提交

spark任务的操作分为两大类:transformation和action,而只有action操作才会触发真正的job执行。查看源码可以发现所有action操作实际是调用SparkContext.runJob来进行任务的提交,下面是以rdd的collect操作为例展示任务提交的整个调用过程:

job提交函数调用过程

DAGScheduler将Stage打包成TaskSet交给TaskScheduler,TaskScheduler会将其封装为TaskSetManager加入到调度队列中(TaskSetManager负责监控管理同一个Stage中的Tasks,TaskScheduler就是以TaskSetManager为单元来调度任务)。TaskScheduler初始化后会启动SchedulerBackend,它负责跟外界打交道,接收Executor的注册信息,并维护Executor的状态。SchedulerBackend在启动后会定期地询问TaskScheduler有没有任务要运行,TaskScheduler会从调度队列中按照指定的调度策略选择TaskSetManager去调度运行,Task提交流程如下图所示。

Task提交流程

  1. DAGScheduler将Stage打包成TaskSet交给TaskScheduler,TaskScheduler调用submitTasks方法进行任务调度。

     // TaskSchedulerImpl.scala
     override def submitTasks(taskSet: TaskSet) {
         val tasks = taskSet.tasks
     	// 同步代码块
         this.synchronized {
     	  // 创建TaskSet管理器,对同一个TaskSet中的任务进行调度,跟踪每个task的状态,
     	  // 如果失败则重试(最大重试次数maxTaskFailures可通过spark.task.maxFailures设置,默认为4)
     	  // 通过延迟调度的方式为该TaskSet处理位置感知的调度
           val manager = createTaskSetManager(taskSet, maxTaskFailures)
           val stage = taskSet.stageId
     	  // 获取stageId对应<stageAttemptId, TaskSetManager>
           val stageTaskSets =
             taskSetsByStageIdAndAttempt.getOrElseUpdate(stage, new HashMap[Int, TaskSetManager])
     	  // 更新stageAttemptId对应的TaskSetManager关系
           stageTaskSets(taskSet.stageAttemptId) = manager
     	  // 检测冲突,如果同一stageAttemptId对应多个taskSet且当前这个TaskSetManager是僵尸进程,则抛出异常
           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(",")}")
           }
     	  // 将当前TaskSetManager提交到调度器的调度池Pool中
           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
         }
     	// 向SchedulerBackend申请资源
         backend.reviveOffers()
     }
    
  2. 通过RpcEnv发送一个请求资源的消息后,CoarseGrainedSchedulerBackend的receive方法则会接收分配到的资源。在该方法中,由于接收到的是ReviveOffers,会调用makeOffers方法开始分配资源。

     override def receive: PartialFunction[Any, Unit] = {
       case ReviveOffers =>
     	// 分配资源
         makeOffers()
    
       ...
     }
    
  3. 为所有executors提供资源分配:CoarseGrainedSchedulerBackend#makeOffers。

     private def makeOffers() {
       // Make sure no executor is killed while some task is launching on it
       // 使用同步块,保证在executor上分配任务时executor不会被kill掉
       val taskDescs = CoarseGrainedSchedulerBackend.this.synchronized {
         // Filter out executors under killing
     	// 过滤掉正在被kill的executor,得到所有可用的executors
         val activeExecutors = executorDataMap.filterKeys(executorIsAlive)
         val workOffers = activeExecutors.map { case (id, executorData) =>
           new WorkerOffer(id, executorData.executorHost, executorData.freeCores)
         }.toIndexedSeq
     	// 根据优先级,为task分配Executor上的资源
         scheduler.resourceOffers(workOffers)
       }
       if (!taskDescs.isEmpty) {
     	// 将分配的任务发送到相应的Executor上去执行
         launchTasks(taskDescs)
       }
     }	
    
  4. 根据优先级,为task分配Executor上的资源:TaskSchedulerImpl#resourceOffers。

       /**
        * Called by cluster manager to offer resources on slaves. We respond by asking our active task
        * sets for tasks in order of priority. We fill each node with tasks in a round-robin manner so
        * that tasks are balanced across the cluster.
        * 由cluster manager来调用,为task分配slave节点上的资源
        * 根据优先级为task分配资源
        * 采用round-robin方式使task均匀分布到集群的各个节点上
        */
       def resourceOffers(offers: IndexedSeq[WorkerOffer]): Seq[Seq[TaskDescription]] = synchronized {
         // Mark each slave as alive and remember its hostname
         // Also track if new executor is added
     	// 标记每个salve为活跃,并保存它的hostname
     	// 如果有新executor加入同样也进行跟踪标记
         var newExecAvail = false
         for (o <- offers) {
           if (!hostToExecutors.contains(o.host)) {
             hostToExecutors(o.host) = new HashSet[String]()
           }
           if (!executorIdToRunningTaskIds.contains(o.executorId)) {
             hostToExecutors(o.host) += o.executorId
             executorAdded(o.executorId, o.host)
             executorIdToHost(o.executorId) = o.host
             executorIdToRunningTaskIds(o.executorId) = HashSet[Long]()
             newExecAvail = true
           }
           for (rack <- getRackForHost(o.host)) {
             hostsByRack.getOrElseUpdate(rack, new HashSet[String]()) += o.host
           }
         }
     
         // Before making any offers, remove any nodes from the blacklist whose blacklist has expired. Do
         // this here to avoid a separate thread and added synchronization overhead, and also because
         // updating the blacklist is only relevant when task offers are being made.
     	// 在做任何分配之前,请从已过期的黑名单中删除黑名单的任何节点
     	// 此操作是为了避免单独的线程和增加的同步开销,还因为只有在提出任务时更新黑名单才有意义
         blacklistTrackerOpt.foreach(_.applyBlacklistTimeout())
     
         val filteredOffers = blacklistTrackerOpt.map { blacklistTracker =>
           offers.filter { offer =>
             !blacklistTracker.isNodeBlacklisted(offer.host) &&
               !blacklistTracker.isExecutorBlacklisted(offer.executorId)
           }
         }.getOrElse(offers)
     	// 为避免多个Task集中分配到某些机器上,对这些Task进行随机打散
         val shuffledOffers = shuffleOffers(filteredOffers)
         // Build a list of tasks to assign to each worker.
     	// 构建要分配给每个Worker的Task列表
         val tasks = shuffledOffers.map(o => new ArrayBuffer[TaskDescription](o.cores))
         val availableCpus = shuffledOffers.map(o => o.cores).toArray
     	// 从调度池中获取排好序的TaskSetManager,由调度池确定TaskSet的执行优先级顺序
         val sortedTaskSets = rootPool.getSortedTaskSetQueue
         for (taskSet <- sortedTaskSets) {
           logDebug("parentName: %s, name: %s, runningTasks: %s".format(
             taskSet.parent.name, taskSet.name, taskSet.runningTasks))
     	  // 如果该executor是新分配来的,则重新计算TaskSetManager的就近原则
           if (newExecAvail) {
             taskSet.executorAdded()
           }
         }
     
         // Take each TaskSet in our scheduling order, and then offer it each node in increasing order
         // of locality levels so that it gets a chance to launch local tasks on all of them.
         // NOTE: the preferredLocality order: PROCESS_LOCAL, NODE_LOCAL, NO_PREF, RACK_LOCAL, ANY
     	// 以我们的调度顺序执行每个TaskSet,然后按照升序的本地性级别为每个节点分配资源,
     	// 以便有机会在所有节点上启动本地任务
     	// 本地性优先级顺序:PROCESS_LOCAL, NODE_LOCAL, NO_PREF, RACK_LOCAL, ANY
         for (taskSet <- sortedTaskSets) {
           var launchedAnyTask = false
           var launchedTaskAtCurrentMaxLocality = false
           for (currentMaxLocality <- taskSet.myLocalityLevels) {
             do {
     		  // 在分配的executor资源上,执行TaskSet中包含的所有task
               launchedTaskAtCurrentMaxLocality = resourceOfferSingleTaskSet(
                 taskSet, currentMaxLocality, shuffledOffers, availableCpus, tasks)
               launchedAnyTask |= launchedTaskAtCurrentMaxLocality
             } while (launchedTaskAtCurrentMaxLocality)
           }
           if (!launchedAnyTask) {
             taskSet.abortIfCompletelyBlacklisted(hostToExecutors)
           }
         }
     
         if (tasks.size > 0) {
           hasLaunchedTask = true
         }
         return tasks
       }
    

参考文章

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/183135.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • 《大话数据结构》目录[通俗易懂]

    《大话数据结构》目录[通俗易懂]由于目录中有比较复杂的格式,所以只能用PDF的形式提供。http://files.cnblogs.com/cj723/%E7%9B%AE%E5%BD%95.pdf

  • 阿里云分析数据库_阿里云用的什么数据库

    阿里云分析数据库_阿里云用的什么数据库前言由于工作中应用到了阿里的分析型数据库产品,虽然它类似于mysql,但又有一些区别,通过好好的了解它,才能解决自己的性能优化方面的疑惑。一、定义从官方文档了解到其的定义为:阿里云分析型数据库AnalyticDB(简称ADB),是云端托管的PB级高并发实时数据仓库,是专注于服务OLAP领域的数据仓库。在数据存储模型上,采用关系模型进行数据存储,可以使用SQL进行自由灵活的计算分析,无需预…

  • linux查看网卡信息 命令_linux查看哪个网卡在用

    linux查看网卡信息 命令_linux查看哪个网卡在用1.ifconfig#查看信息此时会得到网卡编号2.ethtool网卡编号就可以得到相关信息了

    2022年10月10日
  • docker 上传本地镜像_不同docker仓库镜像同步

    docker 上传本地镜像_不同docker仓库镜像同步前言之前通过docker搭建过jenkins+python3环境,如果想要在不同的机器上搭建一样的环境,就可以将之前搭建的镜像上传到镜像仓库,这样方便在不同的机器上快速搭建同一套环境。如果公开的话

  • Java线程和进程区别

    Java线程和进程区别什么是进程,什么是线程?进程:是并发执行的程序在执行过程中分配和管理资源的基本单位,是一个动态概念,竞争计算机系统资源的基本单位。线程:是进程的一个执行单元,是进程内科调度实体。比进程更小的独立运行的基本单位。线程也被称为轻量级进程。一个程序至少一个进程,一个进程至少一个线程。进程线程的区别1、地址空间:同一进程的线程共享本进程的地址空间,而进程之间则是独立的地址空间。2、…

  • 密码加密方式

    密码加密方式密码加密方式

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号