Spark源码分析之七：Task运行（一）

标签：

在Task调度相关的两篇文章《Spark源码分析之五：Task调度（一）》与《Spark源码分析之六：Task调度（二）》中，我们大致了解了Task调度相关的主要逻辑，并且在Task调度逻辑的最后，CoarseGrainedSchedulerBackend的内部类DriverEndpoint中的makeOffers()方法的最后，我们通过调用TaskSchedulerImpl的resourceOffers()方法，得到了TaskDescription序列的序列Seq[Seq[TaskDescription]]，相关代码如下：

[java] view plain copy

 

 

1. // 调用scheduler的resourceOffers()方法，分配资源，并在得到资源后，调用launchTasks()方法，启动tasks  
2.       // 这个scheduler就是TaskSchedulerImpl  
3.       launchTasks(scheduler.resourceOffers(workOffers))  

[java] view plain copy

 

 

1. /** 
2.    * Called by cluster manager to offer resources on slaves. We respond by asking our active task 
3.    * sets for tasks in order of priority. We fill each node with tasks in a round-robin manner so 
4.    * that tasks are balanced across the cluster. 
5.    * 
6.    * 被集群manager调用以提供slaves上的资源。我们通过按照优先顺序询问活动task集中的task来回应。 
7.    * 我们通过循环的方式将task调度到每个节点上以便tasks在集群中可以保持大致的均衡。 
8.    */  
9.   def resourceOffers(offers: Seq[WorkerOffer]): Seq[Seq[TaskDescription]] = synchronized {  

        这个TaskDescription很简单，是传递到executor上即将被执行的Task的描述，通常由TaskSetManager的resourceOffer()方法生成。代码如下：

[java] view plain copy

 

 

1. /** 
2.  * Description of a task that gets passed onto executors to be executed, usually created by 
3.  * [[TaskSetManager.resourceOffer]]. 
4.  */  
5. private[spark] class TaskDescription(  
6.     val taskId: Long,  
7.     val attemptNumber: Int,  
8.     val executorId: String,  
9.     val name: String,  
10.     val index: Int,    // Index within this task‘s TaskSet  
11.     _serializedTask: ByteBuffer)  
12.   extends Serializable {  
13.   
14.   // Because ByteBuffers are not serializable, wrap the task in a SerializableBuffer  
15.   // 由于ByteBuffers不可以被序列化，所以将task包装在SerializableBuffer中，_serializedTask为ByteBuffer类型的Task  
16.   private val buffer = new SerializableBuffer(_serializedTask)  
17.     
18.   // 序列化后的Task， 取buffer的value  
19.   def serializedTask: ByteBuffer = buffer.value  
20.   
21.   
22.   override def toString: String = "TaskDescription(TID=%d, index=%d)".format(taskId, index)  
23. }  

        此时，得到Seq[Seq[TaskDescription]]，即Task被调度到相应executor上后（仅是逻辑调度，实际上并未分配到executor上执行），接下来要做的，便是真正的将Task分配到指定的executor上去执行，也就是本篇我们将要讲的Task的运行。而这部分的开端，源于上述提到的CoarseGrainedSchedulerBackend的内部类DriverEndpoint中的launchTasks()方法，代码如下：

[java] view plain copy

 

 

1. // Launch tasks returned by a set of resource offers  
2.     private def launchTasks(tasks: Seq[Seq[TaskDescription]]) {  
3.       
4.       // 循环每个task  
5.       for (task <- tasks.flatten) {  
6.           
7.         // 序列化Task  
8.         val serializedTask = ser.serialize(task)  
9.           
10.         // 序列化后的task的大小超出规定的上限  
11.         // 即如果序列化后task的大小大于等于框架配置的Akka消息最大大小减去除序列化task或task结果外，一个Akka消息需要保留的额外大小的值  
12.         if (serializedTask.limit >= akkaFrameSize - AkkaUtils.reservedSizeBytes) {  
13.             
14.           // 根据task的taskId，在TaskSchedulerImpl的taskIdToTaskSetManager中获取对应的TaskSetManager  
15.           scheduler.taskIdToTaskSetManager.get(task.taskId).foreach { taskSetMgr =>  
16.             try {  
17.               var msg = "Serialized task %s:%d was %d bytes, which exceeds max allowed: " +  
18.                 "spark.akka.frameSize (%d bytes) - reserved (%d bytes). Consider increasing " +  
19.                 "spark.akka.frameSize or using broadcast variables for large values."  
20.               msg = msg.format(task.taskId, task.index, serializedTask.limit, akkaFrameSize,  
21.                 AkkaUtils.reservedSizeBytes)  
22.                 
23.               // 调用TaskSetManager的abort()方法，标记对应TaskSetManager为失败  
24.               taskSetMgr.abort(msg)  
25.             } catch {  
26.               case e: Exception => logError("Exception in error callback", e)  
27.             }  
28.           }  
29.         }  
30.         else {// 序列化后task的大小在规定的大小内  
31.             
32.           // 从executorDataMap中，根据task.executorId获取executor描述信息executorData  
33.           val executorData = executorDataMap(task.executorId)  
34.             
35.           // executorData中，freeCores做相应减少  
36.           executorData.freeCores -= scheduler.CPUS_PER_TASK  
37.             
38.           // 利用executorData中的executorEndpoint，发送LaunchTask事件，LaunchTask事件中包含序列化后的task  
39.           executorData.executorEndpoint.send(LaunchTask(new SerializableBuffer(serializedTask)))  
40.         }  
41.       }  
42.     }  

        launchTasks的执行逻辑很简单，针对传入的TaskDescription序列，循环每个Task，做以下处理：

        1、首先对Task进行序列化，得到serializedTask；

        2、针对序列化后的Task：serializedTask，判断其大小：

              2.1、序列化后的task的大小达到或超出规定的上限，即框架配置的Akka消息最大大小，减去除序列化task或task结果外，一个Akka消息需要保留的额外大小的值，则根据task的taskId，在TaskSchedulerImpl的taskIdToTaskSetManager中获取对应的TaskSetManager，并调用其abort()方法，标记对应TaskSetManager为失败；

              2.2、序列化后的task的大小未达到上限，在规定的大小范围内，则：

                       2.2.1、从executorDataMap中，根据task.executorId获取executor描述信息executorData；

                       2.2.2、在executorData中，freeCores做相应减少；

                       2.2.3、利用executorData中的executorEndpoint，即Driver端executor通讯端点的引用，发送LaunchTask事件，LaunchTask事件中包含序列化后的task，将Task传递到executor中去执行。

        接下来，我们重点分析下上述流程。

        先说下异常流程，即序列化后Task的大小超过上限时，对TaskSet标记为失败的处理。入口方法为TaskSetManager的abort()方法，代码如下：

[java] view plain copy

 

 

1. def abort(message: String, exception: Option[Throwable] = None): Unit = sched.synchronized {  
2.       
3.     // TODO: Kill running tasks if we were not terminated due to a Mesos error  
4.     // 调用DAGScheduler的taskSetFailed()方法，标记TaskSet运行失败  
5.     sched.dagScheduler.taskSetFailed(taskSet, message, exception)  
6.       
7.     // 标志位isZombie设置为true  
8.     isZombie = true  
9.       
10.     // 满足一定条件的情况下，将TaskSet标记为Finished  
11.     maybeFinishTaskSet()  
12.   }  

        abort()方法处理逻辑共分三步：

        第一，调用DAGScheduler的taskSetFailed()方法，标记TaskSet运行失败；

        第二，标志位isZombie设置为true；

        第三，满足一定条件的情况下，将TaskSet标记为Finished。

        首先看下DAGScheduler的taskSetFailed()方法，代码如下：

[java] view plain copy

 

 

1. /** 
2.    * Called by the TaskSetManager to cancel an entire TaskSet due to either repeated failures or 
3.    * cancellation of the job itself. 
4.    */  
5.   def taskSetFailed(taskSet: TaskSet, reason: String, exception: Option[Throwable]): Unit = {  
6.     eventProcessLoop.post(TaskSetFailed(taskSet, reason, exception))  
7.   }  

        和第二篇文章《Spark源码分析之二：Job的调度模型与运行反馈》中Job的调度模型一致，都是依靠事件队列eventProcessLoop来完成事件的调度执行的，这里，我们在事件队列eventProcessLoop中放入了一个TaskSetFailed事件。在DAGScheduler的事件处理调度函数doOnReceive()方法中，明确规定了事件的处理方法，代码如下：

[java] view plain copy

 

 

1. // 如果是TaskSetFailed事件，调用dagScheduler.handleTaskSetFailed()方法处理  
2.     case TaskSetFailed(taskSet, reason, exception) =>  
3.       dagScheduler.handleTaskSetFailed(taskSet, reason, exception)  

        下面，我们看下handleTaskSetFailed()这个方法。

[java] view plain copy

 

 

1. private[scheduler] def handleTaskSetFailed(  
2.       taskSet: TaskSet,  
3.       reason: String,  
4.       exception: Option[Throwable]): Unit = {  
5.       
6.     // 根据taskSet的stageId获取到对应的Stage，循环调用abortStage，终止该Stage  
7.     stageIdToStage.get(taskSet.stageId).foreach { abortStage(_, reason, exception) }  
8.       
9.     // 提交等待的Stages  
10.     submitWaitingStages()  
11.   }  

        很简单，首先通过taskSet的stageId获取到对应的Stage，针对Stage，循环调用abortStage()方法，终止该Stage，然后调用submitWaitingStages()方法提交等待的Stages。我们先看下abortStage()方法，代码如下：

[java] view plain copy

 

 

1. /** 
2.    * Aborts all jobs depending on a particular Stage. This is called in response to a task set 
3.    * being canceled by the TaskScheduler. Use taskSetFailed() to inject this event from outside. 
4.    * 终止给定Stage上的所有Job。 
5.    */  
6.   private[scheduler] def abortStage(  
7.       failedStage: Stage,  
8.       reason: String,  
9.       exception: Option[Throwable]): Unit = {  
10.       
11.     // 如果stageIdToStage中不存在对应的stage，说明stage已经被移除，直接返回  
12.     if (!stageIdToStage.contains(failedStage.id)) {  
13.       // Skip all the actions if the stage has been removed.  
14.       return  
15.     }  
16.       
17.     // 遍历activeJobs中的ActiveJob，逐个调用stageDependsOn()方法，找出存在failedStage的祖先stage的activeJob，即dependentJobs  
18.     val dependentJobs: Seq[ActiveJob] =  
19.       activeJobs.filter(job => stageDependsOn(job.finalStage, failedStage)).toSeq  
20.       
21.     // 标记failedStage的完成时间completionTime  
22.     failedStage.latestInfo.completionTime = Some(clock.getTimeMillis())  
23.       
24.     // 遍历dependentJobs，调用failJobAndIndependentStages()  
25.     for (job <- dependentJobs) {  
26.       failJobAndIndependentStages(job, s"Job aborted due to stage failure: $reason", exception)  
27.     }  
28.     if (dependentJobs.isEmpty) {  
29.       logInfo("Ignoring failure of " + failedStage + " because all jobs depending on it are done")  
30.     }  
31.   }  

        这个方法的处理逻辑主要分为四步：

        1、如果stageIdToStage中不存在对应的stage，说明stage已经被移除，直接返回，这是对异常情况下的一种特殊处理；

        2、遍历activeJobs中的ActiveJob，逐个调用stageDependsOn()方法，找出存在failedStage的祖先stage的activeJob，即dependentJobs；

        3、标记failedStage的完成时间completionTime；

        4、遍历dependentJobs，调用failJobAndIndependentStages()。

        其它都好说，我们主要看下stageDependsOn()和failJobAndIndependentStages()这两个方法。首先看下stageDependsOn()方法，代码如下：

[java] view plain copy

 

 

1. /** Return true if one of stage‘s ancestors is target. */  
2.   // 如果参数stage的祖先是target，返回true  
3.   private def stageDependsOn(stage: Stage, target: Stage): Boolean = {  
4.       
5.     // 如果stage即为target，返回true  
6.     if (stage == target) {  
7.       return true  
8.     }  
9.       
10.     // 存储处理过的RDD  
11.     val visitedRdds = new HashSet[RDD[_]]  
12.       
13.     // We are manually maintaining a stack here to prevent StackOverflowError  
14.     // caused by recursively visiting  
15.     // 存储待处理的RDD  
16.     val waitingForVisit = new Stack[RDD[_]]  
17.       
18.     // 定义一个visit()方法  
19.     def visit(rdd: RDD[_]) {  
20.       // 如果该RDD未被处理过的话，继续处理  
21.       if (!visitedRdds(rdd)) {  
22.         // 将RDD添加到visitedRdds中  
23.         visitedRdds += rdd  
24.           
25.         // 遍历RDD的依赖  
26.         for (dep <- rdd.dependencies) {  
27.           dep match {  
28.             // 如果是ShuffleDependency  
29.             case shufDep: ShuffleDependency[_, _, _] =>  
30.               
31.               // 获得mapStage，并且如果stage的isAvailable为false的话，将其压入waitingForVisit  
32.               val mapStage = getShuffleMapStage(shufDep, stage.firstJobId)  
33.               if (!mapStage.isAvailable) {  
34.                 waitingForVisit.push(mapStage.rdd)  
35.               }  // Otherwise there‘s no need to follow the dependency back  
36.             // 如果是NarrowDependency，直接将其压入waitingForVisit  
37.             case narrowDep: NarrowDependency[_] =>  
38.               waitingForVisit.push(narrowDep.rdd)  
39.           }  
40.         }  
41.       }  
42.     }  
43.       
44.     // 从stage的rdd开始处理，将其入栈waitingForVisit  
45.     waitingForVisit.push(stage.rdd)  
46.       
47.     // 当waitingForVisit中存在数据，就调用visit()方法进行处理  
48.     while (waitingForVisit.nonEmpty) {  
49.       visit(waitingForVisit.pop())  
50.     }  
51.       
52.     // 根据visitedRdds中是否存在target的rdd判断参数stage的祖先是否为target  
53.     visitedRdds.contains(target.rdd)  
54.   }  

        这个方法主要是判断参数stage是否为参数target的祖先stage，其代码风格与stage划分和提交中的部分代码一样，这在前面的两篇文章中也提到过，在此不再赘述。而它主要是通过stage的rdd，并遍历其上层依赖的rdd链，将每个stage的rdd加入到visitedRdds中，最后根据visitedRdds中是否存在target的rdd判断参数stage的祖先是否为target。值得一提的是，如果RDD的依赖是NarrowDependency，直接将其压入waitingForVisit，如果为ShuffleDependency，则需要判断stage的isAvailable，如果为false，则将对应RDD压入waitingForVisit。关于isAvailable，我在《Spark源码分析之四：Stage提交》一文中具体阐述过，这里不再赘述。

        接下来，我们再看下failJobAndIndependentStages()方法，这个方法的主要作用就是使得一个Job和仅被该Job使用的所有stages失败，并清空有关状态。代码如下：

[java] view plain copy

 

 

1. /** Fails a job and all stages that are only used by that job, and cleans up relevant state. */  
2.   // 使得一个Job和仅被该Job使用的所有stages失败，并清空有关状态  
3.   private def failJobAndIndependentStages(  
4.       job: ActiveJob,  
5.       failureReason: String,  
6.       exception: Option[Throwable] = None): Unit = {  
7.       
8.     // 构造一个异常，内容为failureReason  
9.     val error = new SparkException(failureReason, exception.getOrElse(null))  
10.       
11.     // 标志位，是否能取消Stages  
12.     var ableToCancelStages = true  
13.   
14.     // 标志位，是否应该中断线程  
15.     val shouldInterruptThread =  
16.       if (job.properties == null) false  
17.       else job.properties.getProperty(SparkContext.SPARK_JOB_INTERRUPT_ON_CANCEL, "false").toBoolean  
18.   
19.     // Cancel all independent, running stages.  
20.     // 取消所有独立的，正在运行的stages  
21.       
22.     // 根据Job的jobId，获取其stages  
23.     val stages = jobIdToStageIds(job.jobId)  
24.       
25.     // 如果stages为空，记录错误日志  
26.     if (stages.isEmpty) {  
27.       logError("No stages registered for job " + job.jobId)  
28.     }  
29.       
30.     // 遍历stages，循环处理  
31.     stages.foreach { stageId =>  
32.         
33.       // 根据stageId，获取jobsForStage，即每个Job所包含的Stage信息  
34.       val jobsForStage: Option[HashSet[Int]] = stageIdToStage.get(stageId).map(_.jobIds)  
35.         
36.       // 首先处理异常情况，即jobsForStage为空，或者jobsForStage中不包含当前Job  
37.       if (jobsForStage.isEmpty || !jobsForStage.get.contains(job.jobId)) {  
38.         logError(  
39.           "Job %d not registered for stage %d even though that stage was registered for the job"  
40.             .format(job.jobId, stageId))  
41.       } else if (jobsForStage.get.size == 1) {  
42.         // 如果stageId对应的stage不存在  
43.         if (!stageIdToStage.contains(stageId)) {  
44.           logError(s"Missing Stage for stage with id $stageId")  
45.         } else {  
46.           // This is the only job that uses this stage, so fail the stage if it is running.  
47.           //   
48.           val stage = stageIdToStage(stageId)  
49.           if (runningStages.contains(stage)) {  
50.             try { // cancelTasks will fail if a SchedulerBackend does not implement killTask  
51.                 
52.               // 调用taskScheduler的cancelTasks()方法，取消stage内的tasks  
53.               taskScheduler.cancelTasks(stageId, shouldInterruptThread)  
54.                 
55.               // 标记Stage为完成  
56.               markStageAsFinished(stage, Some(failureReason))  
57.             } catch {  
58.               case e: UnsupportedOperationException =>  
59.                 logInfo(s"Could not cancel tasks for stage $stageId", e)  
60.               ableToCancelStages = false  
61.             }  
62.           }  
63.         }  
64.       }  
65.     }  
66.   
67.     if (ableToCancelStages) {// 如果能取消Stages  
68.       
69.       // 调用job监听器的jobFailed()方法  
70.       job.listener.jobFailed(error)  
71.         
72.       // 为Job和独立Stages清空状态，独立Stages的意思为该stage仅为该Job使用  
73.       cleanupStateForJobAndIndependentStages(job)  
74.         
75.       // 发送一个SparkListenerJobEnd事件  
76.       listenerBus.post(SparkListenerJobEnd(job.jobId, clock.getTimeMillis(), JobFailed(error)))  
77.     }  
78.   }  

        处理过程还是很简单的，读者可以通过上述源码和注释自行补脑，这里就先略过了。

        下面，再说下正常情况下，即序列化后Task大小未超过上限时，LaunchTask事件的发送及executor端的响应。代码再跳转到CoarseGrainedSchedulerBackend的内部类DriverEndpoint中的launchTasks()方法。正常情况下处理流程主要分为三大部分：

        1、从executorDataMap中，根据task.executorId获取executor描述信息executorData；

        2、在executorData中，freeCores做相应减少；

        3、利用executorData中的executorEndpoint，即Driver端executor通讯端点的引用，发送LaunchTask事件，LaunchTask事件中包含序列化后的task，将Task传递到executor中去执行。

        我们重点看下第3步，利用Driver端持有的executor描述信息executorData中的executorEndpoint，即Driver端executor通讯端点的引用，发送LaunchTask事件给executor，将Task传递到executor中去执行。那么executor中是如何接收LaunchTask事件的呢？答案就在CoarseGrainedExecutorBackend中。

        我们先说下这个CoarseGrainedExecutorBackend，类的定义如下所示：

[java] view plain copy

 

 

1. private[spark] class CoarseGrainedExecutorBackend(  
2.     override val rpcEnv: RpcEnv,  
3.     driverUrl: String,  
4.     executorId: String,  
5.     hostPort: String,  
6.     cores: Int,  
7.     userClassPath: Seq[URL],  
8.     env: SparkEnv)  
9.   extends ThreadSafeRpcEndpoint with ExecutorBackend with Logging {  

        由上面的代码我们可以知道，它实现了ThreadSafeRpcEndpoint和ExecutorBackend两个trait，而ExecutorBackend的定义如下：

[java] view plain copy

 

 

1. /** 
2.  * A pluggable interface used by the Executor to send updates to the cluster scheduler. 
3.  * 一个被Executor用来发送更新到集群调度器的可插拔接口。 
4.  */  
5. private[spark] trait ExecutorBackend {  
6.     
7.   // 唯一的一个statusUpdate()方法  
8.   // 需要Long类型的taskId、TaskState类型的state、ByteBuffer类型的data三个参数  
9.   def statusUpdate(taskId: Long, state: TaskState, data: ByteBuffer)  
10. }  

        那么它自然就有两种主要的任务，第一，作为endpoint提供driver与executor间的通讯功能；第二，提供了executor任务执行时状态汇报的功能。

        CoarseGrainedExecutorBackend到底是什么呢？这里我们先不深究，留到以后分析，你只要知道它是Executor的一个后台辅助进程，和Executor是一对一的关系，向Executor提供了与Driver通讯、任务执行时状态汇报两个基本功能即可。

        接下来，我们看下CoarseGrainedExecutorBackend是如何处理LaunchTask事件的。做为RpcEndpoint，在其处理各类事件或消息的receive()方法中，定义如下：

[java] view plain copy

 

 

1. case LaunchTask(data) =>  
2.       if (executor == null) {  
3.         logError("Received LaunchTask command but executor was null")  
4.         System.exit(1)  
5.       } else {  
6.         
7.         // 反序列话task，得到taskDesc  
8.         val taskDesc = ser.deserialize[TaskDescription](data.value)  
9.         logInfo("Got assigned task " + taskDesc.taskId)  
10.           
11.         // 调用executor的launchTask()方法加载task  
12.         executor.launchTask(this, taskId = taskDesc.taskId, attemptNumber = taskDesc.attemptNumber,  
13.           taskDesc.name, taskDesc.serializedTask)  
14.       }  

        首先，会判断对应的executor是否为空，为空的话，记录错误日志并退出，不为空的话，则按照如下流程处理：

        1、反序列话task，得到taskDesc；

        2、调用executor的launchTask()方法加载task。

        那么，重点就落在了Executor的launchTask()方法中，代码如下：

[java] view plain copy

 

 

1. def launchTask(  
2.       context: ExecutorBackend,  
3.       taskId: Long,  
4.       attemptNumber: Int,  
5.       taskName: String,  
6.       serializedTask: ByteBuffer): Unit = {  
7.         
8.     // 新建一个TaskRunner  
9.     val tr = new TaskRunner(context, taskId = taskId, attemptNumber = attemptNumber, taskName,  
10.       serializedTask)  
11.         
12.     // 将taskId与TaskRunner的对应关系存入runningTasks  
13.     runningTasks.put(taskId, tr)  
14.       
15.     // 线程池执行TaskRunner  
16.     threadPool.execute(tr)  
17.   }  

        非常简单，创建一个TaskRunner对象，然后将taskId与TaskRunner的对应关系存入runningTasks，将TaskRunner扔到线程池中去执行即可。

        我们先看下这个TaskRunner类。我们先看下Class及其成员变量的定义，如下：

[java] view plain copy

 

 

1. class TaskRunner(  
2.       execBackend: ExecutorBackend,  
3.       val taskId: Long,  
4.       val attemptNumber: Int,  
5.       taskName: String,  
6.       serializedTask: ByteBuffer)  
7.     extends Runnable {  
8.       
9.     // TaskRunner继承了Runnable  
10.   
11.     /** Whether this task has been killed. */  
12.     // 标志位，task是否被杀掉  
13.     @volatile private var killed = false  
14.   
15.     /** How much the JVM process has spent in GC when the task starts to run. */  
16.     @volatile var startGCTime: Long = _  
17.   
18.     /** 
19.      * The task to run. This will be set in run() by deserializing the task binary coming 
20.      * from the driver. Once it is set, it will never be changed. 
21.      *  
22.      * 需要运行的task。它将在反序列化来自driver的task二进制数据时在run()方法被设置，一旦被设置，它将不会再发生改变。 
23.      */  
24.     @volatile var task: Task[Any] = _  
25. }  

        由类的定义我们可以看出，TaskRunner继承了Runnable，所以它本质上是一个线程，故其可以被放到线程池中去运行。它所包含的成员变量，主要有以下几个：

        1、execBackend：Executor后台辅助进程，提供了与Driver通讯、状态汇报等两大基本功能，实际上传入的是CoarseGrainedExecutorBackend实例；

        2、taskId：Task的唯一标识；

        3、attemptNumber：Task运行的序列号，Spark与MapReduce一样，可以为拖后腿任务启动备份任务，即推测执行原理，如此，就需要通过taskId加attemptNumber来唯一标识一个Task运行实例；

        4、serializedTask：ByteBuffer类型，序列化后的Task，包含的是Task的内容，通过发序列化它来得到Task，并运行其中的run()方法来执行Task；

        5、killed：Task是否被杀死的标志位；

        6、task：Task[Any]类型，需要运行的Task，它将在反序列化来自driver的task二进制数据时在run()方法被设置，一旦被设置，它将不会再发生改变；

       7、startGCTime：JVM在task开始运行后，进行垃圾回收的时间。

        另外，既然是一个线程，TaskRunner必须得提供run()方法，该run()方法就是TaskRunner线程在线程池中被调度时，需要执行的方法，我们来看下它的定义：

[java] view plain copy

 

 

1. override def run(): Unit = {  
2.       
3.       // Step1：Task及其运行时需要的辅助对象构造  
4.         
5.       // 获取任务内存管理器  
6.       val taskMemoryManager = new TaskMemoryManager(env.memoryManager, taskId)  
7.         
8.       // 反序列化开始时间  
9.       val deserializeStartTime = System.currentTimeMillis()  
10.         
11.       // 当前线程设置上下文类加载器  
12.       Thread.currentThread.setContextClassLoader(replClassLoader)  
13.         
14.       // 从SparkEnv中获取序列化器  
15.       val ser = env.closureSerializer.newInstance()  
16.       logInfo(s"Running $taskName (TID $taskId)")  
17.         
18.       // execBackend更新状态TaskState.RUNNING  
19.       execBackend.statusUpdate(taskId, TaskState.RUNNING, EMPTY_BYTE_BUFFER)  
20.       var taskStart: Long = 0  
21.         
22.       // 计算垃圾回收的时间  
23.       startGCTime = computeTotalGcTime()  
24.   
25.       try {  
26.         // 调用Task的deserializeWithDependencies()方法，反序列化Task，得到Task运行需要的文件taskFiles、jar包taskFiles和Task二进制数据taskBytes  
27.         val (taskFiles, taskJars, taskBytes) = Task.deserializeWithDependencies(serializedTask)  
28.         updateDependencies(taskFiles, taskJars)  
29.           
30.         // 反序列化Task二进制数据taskBytes，得到task实例  
31.         task = ser.deserialize[Task[Any]](taskBytes, Thread.currentThread.getContextClassLoader)  
32.           
33.         // 设置Task的任务内存管理器  
34.         task.setTaskMemoryManager(taskMemoryManager)  
35.   
36.         // If this task has been killed before we deserialized it, let‘s quit now. Otherwise,  
37.         // continue executing the task.  
38.         // 如果此时Task被kill，抛出异常，快速退出  
39.         if (killed) {  
40.           // Throw an exception rather than returning, because returning within a try{} block  
41.           // causes a NonLocalReturnControl exception to be thrown. The NonLocalReturnControl  
42.           // exception will be caught by the catch block, leading to an incorrect ExceptionFailure  
43.           // for the task.  
44.           throw new TaskKilledException  
45.         }  
46.   
47.         logDebug("Task " + taskId + "‘s epoch is " + task.epoch)  
48.         // mapOutputTracker更新Epoch  
49.         env.mapOutputTracker.updateEpoch(task.epoch)  
50.   
51.         // Run the actual task and measure its runtime.  
52.         // 运行真正的task，并度量它的运行时间  
53.           
54.         // Step2：Task运行  
55.           
56.         // task开始时间  
57.         taskStart = System.currentTimeMillis()  
58.           
59.         // 标志位threwException设置为true，标识Task真正执行过程中是否抛出异常  
60.         var threwException = true  
61.           
62.         // 调用Task的run()方法，真正执行Task，并获得运行结果value  
63.         val (value, accumUpdates) = try {  
64.           
65.           // 调用Task的run()方法，真正执行Task  
66.           val res = task.run(  
67.             taskAttemptId = taskId,  
68.             attemptNumber = attemptNumber,  
69.             metricsSystem = env.metricsSystem)  
70.             
71.           // 标志位threwException设置为false  
72.           threwException = false  
73.             
74.           // 返回res，Task的run()方法中，res的定义为(T, AccumulatorUpdates)  
75.           // 这里，前者为任务运行结果，后者为累加器更新  
76.           res  
77.         } finally {  
78.             
79.           // 通过任务内存管理器清理所有的分配的内存  
80.           val freedMemory = taskMemoryManager.cleanUpAllAllocatedMemory()  
81.           if (freedMemory > 0) {  
82.             val errMsg = s"Managed memory leak detected; size = $freedMemory bytes, TID = $taskId"  
83.             if (conf.getBoolean("spark.unsafe.exceptionOnMemoryLeak", false) && !threwException) {  
84.               throw new SparkException(errMsg)  
85.             } else {  
86.               logError(errMsg)  
87.             }  
88.           }  
89.         }  
90.           
91.         // task完成时间  
92.         val taskFinish = System.currentTimeMillis()  
93.   
94.         // If the task has been killed, let‘s fail it.  
95.         // 如果task被杀死，抛出TaskKilledException异常  
96.         if (task.killed) {  
97.           throw new TaskKilledException  
98.         }  
99.   
100.         // Step3：Task运行结果处理  
101.           
102.         // 通过Spark获取Task运行结果序列化器  
103.         val resultSer = env.serializer.newInstance()  
104.           
105.         // 结果序列化前的时间点  
106.         val beforeSerialization = System.currentTimeMillis()  
107.           
108.         // 利用Task运行结果序列化器序列化Task运行结果，得到valueBytes  
109.         val valueBytes = resultSer.serialize(value)  
110.           
111.         // 结果序列化后的时间点  
112.         val afterSerialization = System.currentTimeMillis()  
113.   
114.         // 度量指标体系相关，暂不介绍  
115.         for (m <- task.metrics) {  
116.           // Deserialization happens in two parts: first, we deserialize a Task object, which  
117.           // includes the Partition. Second, Task.run() deserializes the RDD and function to be run.  
118.           m.setExecutorDeserializeTime(  
119.             (taskStart - deserializeStartTime) + task.executorDeserializeTime)  
120.           // We need to subtract Task.run()‘s deserialization time to avoid double-counting  
121.           m.setExecutorRunTime((taskFinish - taskStart) - task.executorDeserializeTime)  
122.           m.setJvmGCTime(computeTotalGcTime() - startGCTime)  
123.           m.setResultSerializationTime(afterSerialization - beforeSerialization)  
124.           m.updateAccumulators()  
125.         }  
126.   
127.         // 构造DirectTaskResult，同时包含Task运行结果valueBytes和累加器更新值accumulator updates  
128.         val directResult = new DirectTaskResult(valueBytes, accumUpdates, task.metrics.orNull)  
129.           
130.         // 序列化DirectTaskResult，得到serializedDirectResult  
131.         val serializedDirectResult = ser.serialize(directResult)  
132.           
133.         // 获取Task运行结果大小  
134.         val resultSize = serializedDirectResult.limit  
135.   
136.         // directSend = sending directly back to the driver  
137.         // directSend的意思就是直接发送结果至Driver端  
138.         val serializedResult: ByteBuffer = {  
139.           
140.           // 如果Task运行结果大小大于所有Task运行结果的最大大小，序列化IndirectTaskResult  
141.           // IndirectTaskResult为存储在Worker上BlockManager中DirectTaskResult的一个引用  
142.           if (maxResultSize > 0 && resultSize > maxResultSize) {  
143.             logWarning(s"Finished $taskName (TID $taskId). Result is larger than maxResultSize " +  
144.               s"(${Utils.bytesToString(resultSize)} > ${Utils.bytesToString(maxResultSize)}), " +  
145.               s"dropping it.")  
146.             ser.serialize(new IndirectTaskResult[Any](TaskResultBlockId(taskId), resultSize))  
147.           }  
148.           // 如果 Task运行结果大小超过Akka除去需要保留的字节外最大大小，则将结果写入BlockManager  
149.           // 即运行结果无法通过消息传递  
150.           else if (resultSize >= akkaFrameSize - AkkaUtils.reservedSizeBytes) {  
151.               
152.             val blockId = TaskResultBlockId(taskId)  
153.             env.blockManager.putBytes(  
154.               blockId, serializedDirectResult, StorageLevel.MEMORY_AND_DISK_SER)  
155.             logInfo(  
156.               s"Finished $taskName (TID $taskId). $resultSize bytes result sent via BlockManager)")  
157.             ser.serialize(new IndirectTaskResult[Any](blockId, resultSize))  
158.           }   
159.           // Task运行结果比较小的话，直接返回，通过消息传递  
160.           else {  
161.             logInfo(s"Finished $taskName (TID $taskId). $resultSize bytes result sent to driver")  
162.             serializedDirectResult  
163.           }  
164.         }  
165.   
166.         // execBackend更新状态TaskState.FINISHED  
167.         execBackend.statusUpdate(taskId, TaskState.FINISHED, serializedResult)  
168.   
169.       } catch {// 处理各种异常信息  
170.           
171.         case ffe: FetchFailedException =>  
172.           val reason = ffe.toTaskEndReason  
173.           execBackend.statusUpdate(taskId, TaskState.FAILED, ser.serialize(reason))  
174.   
175.         case _: TaskKilledException | _: InterruptedException if task.killed =>  
176.           logInfo(s"Executor killed $taskName (TID $taskId)")  
177.           execBackend.statusUpdate(taskId, TaskState.KILLED, ser.serialize(TaskKilled))  
178.   
179.         case cDE: CommitDeniedException =>  
180.           val reason = cDE.toTaskEndReason  
181.           execBackend.statusUpdate(taskId, TaskState.FAILED, ser.serialize(reason))  
182.   
183.         case t: Throwable =>  
184.           // Attempt to exit cleanly by informing the driver of our failure.  
185.           // If anything goes wrong (or this was a fatal exception), we will delegate to  
186.           // the default uncaught exception handler, which will terminate the Executor.  
187.           logError(s"Exception in $taskName (TID $taskId)", t)  
188.   
189.           val metrics: Option[TaskMetrics] = Option(task).flatMap { task =>  
190.             task.metrics.map { m =>  
191.               m.setExecutorRunTime(System.currentTimeMillis() - taskStart)  
192.               m.setJvmGCTime(computeTotalGcTime() - startGCTime)  
193.               m.updateAccumulators()  
194.               m  
195.             }  
196.           }  
197.           val serializedTaskEndReason = {  
198.             try {  
199.               ser.serialize(new ExceptionFailure(t, metrics))  
200.             } catch {  
201.               case _: NotSerializableException =>  
202.                 // t is not serializable so just send the stacktrace  
203.                 ser.serialize(new ExceptionFailure(t, metrics, false))  
204.             }  
205.           }  
206.             
207.           // execBackend更新状态TaskState.FAILED  
208.           execBackend.statusUpdate(taskId, TaskState.FAILED, serializedTaskEndReason)  
209.   
210.           // Don‘t forcibly exit unless the exception was inherently fatal, to avoid  
211.           // stopping other tasks unnecessarily.  
212.           if (Utils.isFatalError(t)) {  
213.             SparkUncaughtExceptionHandler.uncaughtException(t)  
214.           }  
215.   
216.       } finally {  
217.         
218.         // 最后，无论运行成功还是失败，将task从runningTasks中移除  
219.         runningTasks.remove(taskId)  
220.       }  
221.     }  

        如此长的一个方法，好长好大，哈哈！不过，纵观全篇，无非三个Step就可搞定：

        1、Step1：Task及其运行时需要的辅助对象构造；

        2、Step2：Task运行；

        3、Step3：Task运行结果处理。

        对， 就这么简单！鉴于时间与篇幅问题，我们这里先讲下主要流程，细节方面的东西留待下节继续。

        下面，我们一个个Step来看，首先看下Step1：Task及其运行时需要的辅助对象构造，主要包括以下步骤：

        1.1、构造TaskMemoryManager任务内存管理器，即taskMemoryManager；

        1.2、记录反序列化开始时间；

        1.3、当前线程设置上下文类加载器；

        1.4、从SparkEnv中获取序列化器ser；

        1.5、execBackend更新状态TaskState.RUNNING；

        1.6、计算垃圾回收时间；

        1.7、调用Task的deserializeWithDependencies()方法，反序列化Task，得到Task运行需要的文件taskFiles、jar包taskFiles和Task二进制数据taskBytes；

        1.8、反序列化Task二进制数据taskBytes，得到task实例；

        1.9、设置Task的任务内存管理器；

        1.10、如果此时Task被kill，抛出异常，快速退出；

        接下来，是Step2：Task运行，主要流程如下：

        2.1、获取task开始时间；

        2.2、标志位threwException设置为true，标识Task真正执行过程中是否抛出异常；

        2.3、调用Task的run()方法，真正执行Task，并获得运行结果value，和累加器更新accumUpdates；

        2.4、标志位threwException设置为false；

        2.5、通过任务内存管理器taskMemoryManager清理所有的分配的内存；

        2.6、获取task完成时间；

        2.7、如果task被杀死，抛出TaskKilledException异常。

        最后一步，Step3：Task运行结果处理，大体流程如下：

        3.1、通过SparkEnv获取Task运行结果序列化器；

        3.2、获取结果序列化前的时间点；

        3.3、利用Task运行结果序列化器序列化Task运行结果value，得到valueBytes；

        3.4、获取结果序列化后的时间点；

        3.5、度量指标体系相关，暂不介绍；

        3.6、构造DirectTaskResult，同时包含Task运行结果valueBytes和累加器更新值accumulator updates；

        3.7、序列化DirectTaskResult，得到serializedDirectResult；

        3.8、获取Task运行结果大小；

        3.9、处理Task运行结果：

                 3.9.1、如果Task运行结果大小大于所有Task运行结果的最大大小，序列化IndirectTaskResult，IndirectTaskResult为存储在Worker上BlockManager中DirectTaskResult的一个引用；

                 3.9.2、如果 Task运行结果大小超过Akka除去需要保留的字节外最大大小，则将结果写入BlockManager，Task运行结果比较小的话，直接返回，通过消息传递;

                 3.9.3、Task运行结果比较小的话，直接返回，通过消息传递

        3.10、execBackend更新状态TaskState.FINISHED；

        最后，无论运行成功还是失败，将task从runningTasks中移除。

        至此，Task的运行主体流程已经介绍完毕，剩余的部分细节，包括Task内run()方法的具体执行，还有任务内存管理器、序列化器、累加更新，还有部分异常情况处理，状态汇报等等其他更为详细的内容留到下篇再讲吧！

        明天还要工作，洗洗睡了！

博客原地址：http://blog.csdn.net/lipeng_bigdata/article/details/50726216

Spark源码分析之七：Task运行（一）

标签：

原文地址：http://www.cnblogs.com/jirimutu01/p/5274461.html