Spark源码分析之六：Task调度（二）

标签：

话说在《Spark源码分析之五：Task调度（一）》一文中，我们对Task调度分析到了DriverEndpoint的makeOffers()方法。这个方法针对接收到的ReviveOffers事件进行处理。代码如下：

[java] view plain copy

 

 

1. // Make fake resource offers on all executors  
2.     // 在所有的executors上提供假的资源（抽象的资源，也就是资源的对象信息，我是这么理解的）  
3.     private def makeOffers() {  
4.       // Filter out executors under killing  
5.       // 过滤掉under killing的executors  
6.       val activeExecutors = executorDataMap.filterKeys(executorIsAlive)  
7.         
8.       // 利用activeExecutors中executorData的executorHost、freeCores，构造workOffers，即资源  
9.       val workOffers = activeExecutors.map { case (id, executorData) =>  
10.         // 创建WorkerOffer对象  
11.         new WorkerOffer(id, executorData.executorHost, executorData.freeCores)  
12.       }.toSeq  
13.         
14.       // 调用scheduler的resourceOffers()方法，分配资源，并调用launchTasks()方法，启动tasks  
15.       // 这个scheduler就是TaskSchedulerImpl  
16.       launchTasks(scheduler.resourceOffers(workOffers))  
17.     }  

        代码逻辑很简单，一共分为三步：

        第一，从executorDataMap中过滤掉under killing的executors，得到activeExecutors；

        第二，利用activeExecutors中executorData的executorHost、freeCores，获取workOffers，即资源；

        第三，调用scheduler的resourceOffers()方法，分配资源，并调用launchTasks()方法，启动tasks：这个scheduler就是TaskSchedulerImpl。

        我们逐个进行分析，首先看看这个executorDataMap，其定义如下：

[java] view plain copy

 

 

1. private val executorDataMap = new HashMap[String, ExecutorData]  

        它是CoarseGrainedSchedulerBackend掌握的集群中executor的数据集合，key为String类型的executorId，value为ExecutorData类型的executor详细信息。ExecutorData包含的主要内容如下：

        1、executorEndpoint：RpcEndpointRef类型，RPC终端的引用，用于数据通信；

        2、executorAddress：RpcAddress类型，RPC地址，用于数据通信；

        3、executorHost：String类型，executor的主机；

        4、freeCores：Int类型，可用处理器cores；

        5、totalCores：Int类型，处理器cores总数；

        6、logUrlMap：Map[String, String]类型，日志url映射集合。

        这样，通过executorDataMap这个集合我们就能知道集群当前executor的负载情况，方便资源分析并调度任务。那么executorDataMap内的数据是何时及如何更新的呢？go on，继续分析。
        对于第一步中，过滤掉under killing的executors，其实现是对executorDataMap中的所有executor调用executorIsAlive()方法中，判断是否在executorsPendingToRemove和executorsPendingLossReason两个数据结构中，这两个数据结构中的executors，都是即将移除或者已丢失的executor。

        第二步，在过滤掉已失效或者马上要失效的executor后，利用activeExecutors中executorData的executorHost、freeCores，构造workOffers，即资源，这个workOffers更简单，是一个WorkerOffer对象，它代表了系统的可利用资源。WorkerOffer代码如下：

[java] view plain copy

 

 

1. /** 
2.  * Represents free resources available on an executor. 
3.  */  
4. private[spark]  
5. case class WorkerOffer(executorId: String, host: String, cores: Int)  

        而最重要的第三步，先是调用scheduler.resourceOffers(workOffers)，即TaskSchedulerImpl的resourceOffers()方法，然后再调用launchTasks()方法将tasks加载到executor上去执行。

        我们先看下TaskSchedulerImpl的resourceOffers()方法。代码如下：

[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 {  
10.       
11.     // Mark each slave as alive and remember its hostname  
12.     // Also track if new executor is added  
13.     // 标记每个slave节点为alive活跃的，并且记住它的主机名  
14.     // 同时也追踪是否有executor被加入  
15.     var newExecAvail = false  
16.       
17.     // 循环offers，WorkerOffer为包含executorId、host、cores的结构体，代表集群中的可用executor资源  
18.     for (o <- offers) {  
19.         
20.       // 利用HashMap存储executorId->host映射的集合  
21.       executorIdToHost(o.executorId) = o.host  
22.         
23.       // Number of tasks running on each executor  
24.       // 每个executor上运行的task的数目，这里如果之前没有的话，初始化为0  
25.       executorIdToTaskCount.getOrElseUpdate(o.executorId, 0)  
26.         
27.       // 每个host上executors的集合  
28.       // 这个executorsByHost被用来计算host活跃性，反过来我们用它来决定在给定的主机上何时实现数据本地性  
29.       if (!executorsByHost.contains(o.host)) {// 如果executorsByHost中不存在对应的host  
30.           
31.         // executorsByHost中添加一条记录，key为host，value为new HashSet[String]()  
32.         executorsByHost(o.host) = new HashSet[String]()  
33.           
34.         // 发送一个ExecutorAdded事件，并由DAGScheduler的handleExecutorAdded()方法处理  
35.         // eventProcessLoop.post(ExecutorAdded(execId, host))  
36.         // 调用DAGScheduler的executorAdded()方法处理  
37.         executorAdded(o.executorId, o.host)  
38.           
39.         // 新的slave加入时，标志位newExecAvail设置为true  
40.         newExecAvail = true  
41.       }  
42.         
43.       // 更新hostsByRack  
44.       for (rack <- getRackForHost(o.host)) {  
45.         hostsByRack.getOrElseUpdate(rack, new HashSet[String]()) += o.host  
46.       }  
47.     }  
48.   
49.     // Randomly shuffle offers to avoid always placing tasks on the same set of workers.  
50.     // 随机shuffle offers以避免总是把任务放在同一组workers上执行  
51.     val shuffledOffers = Random.shuffle(offers)  
52.       
53.     // Build a list of tasks to assign to each worker.  
54.     // 构造一个task列表，以分配到每个worker  
55.     val tasks = shuffledOffers.map(o => new ArrayBuffer[TaskDescription](o.cores))  
56.       
57.     // 可以使用的cpu资源  
58.     val availableCpus = shuffledOffers.map(o => o.cores).toArray  
59.       
60.     // 获得排序好的task集合  
61.     // 先调用Pool.getSortedTaskSetQueue()方法  
62.     // 还记得这个Pool吗，就是调度器中的调度池啊  
63.     val sortedTaskSets = rootPool.getSortedTaskSetQueue  
64.       
65.     // 循环每个taskSet  
66.     for (taskSet <- sortedTaskSets) {  
67.       // 记录日志  
68.       logDebug("parentName: %s, name: %s, runningTasks: %s".format(  
69.         taskSet.parent.name, taskSet.name, taskSet.runningTasks))  
70.         
71.       // 如果存在新的活跃的executor（新的slave节点被添加时）  
72.       if (newExecAvail) {  
73.         // 调用executorAdded()方法  
74.         taskSet.executorAdded()  
75.       }  
76.     }  
77.   
78.     // Take each TaskSet in our scheduling order, and then offer it each node in increasing order  
79.     // of locality levels so that it gets a chance to launch local tasks on all of them.  
80.     // NOTE: the preferredLocality order: PROCESS_LOCAL, NODE_LOCAL, NO_PREF, RACK_LOCAL, ANY  
81.     var launchedTask = false  
82.       
83.     // 按照位置本地性规则调度每个TaskSet，最大化实现任务的本地性  
84.     // 位置本地性规则的顺序是：PROCESS_LOCAL（同进程）、NODE_LOCAL（同节点）、NO_PREF、RACK_LOCAL（同机架）、ANY（任何）  
85.     for (taskSet <- sortedTaskSets; maxLocality <- taskSet.myLocalityLevels) {  
86.       do {  
87.         // 调用resourceOfferSingleTaskSet()方法进行任务集调度  
88.         launchedTask = resourceOfferSingleTaskSet(  
89.             taskSet, maxLocality, shuffledOffers, availableCpus, tasks)  
90.       } while (launchedTask)  
91.     }  
92.   
93.     // 设置标志位hasLaunchedTask  
94.     if (tasks.size > 0) {  
95.       hasLaunchedTask = true  
96.     }  
97.       
98.     return tasks  
99.   }  

         首先来看下它的主体流程。如下：

        1、设置标志位newExecAvail为false，这个标志位是在新的slave被添加时被设置的一个标志，下面在计算任务的本地性规则时会用到；

        2、循环offers，WorkerOffer为包含executorId、host、cores的结构体，代表集群中的可用executor资源：

            2.1、更新executorIdToHost，executorIdToHost为利用HashMap存储executorId->host映射的集合；

            2.2、更新executorIdToTaskCount，executorIdToTaskCount为每个executor上运行的task的数目集合，这里如果之前没有的话，初始化为0；

            2.3、如果新的slave加入：

                2.3.1、executorsByHost中添加一条记录，key为host，value为new HashSet[String]()；

                2.3.2、发送一个ExecutorAdded事件，并由DAGScheduler的handleExecutorAdded()方法处理；

                2.3.3、新的slave加入时，标志位newExecAvail设置为true；

            2.4、更新hostsByRack；

        3、随机shuffle offers（集群中可用executor资源）以避免总是把任务放在同一组workers上执行；

        4、构造一个task列表，以分配到每个worker，针对每个executor按照其上的cores数目构造一个cores数目大小的ArrayBuffer，实现最大程度并行化；

        5、获取可以使用的cpu资源availableCpus；

        6、调用Pool.getSortedTaskSetQueue()方法获得排序好的task集合，即sortedTaskSets；

        7、循环sortedTaskSets中每个taskSet：

               7.1、如果存在新加入的slave，则调用taskSet的executorAdded()方法，动态调整位置策略级别，这么做很容易理解，新的slave节点加入了，那么随之而来的是数据有可能存在于它上面，那么这时我们就需要重新调整任务本地性规则；

        8、循环sortedTaskSets，按照位置本地性规则调度每个TaskSet，最大化实现任务的本地性：

              8.1、对每个taskSet，调用resourceOfferSingleTaskSet()方法进行任务集调度；

        9、设置标志位hasLaunchedTask，并返回tasks。

        接下来，我们详细解释下其中的每个步骤。

        第1步不用讲，只是设置标志位newExecAvail为false，并且记住这个标志位是在新的slave被添加时被设置的一个标志，下面在计算任务的本地性规则时会用到；

        第2步是集群中的可用executor资源offers的循环处理，更新一些数据结构，并且，在新的slave加入时，标志位newExecAvail设置为true，并且发送一个ExecutorAdded事件，交由DAGScheduler的handleExecutorAdded()方法处理。我们来看下DAGScheduler的这个方法：

[java] view plain copy

 

 

1. private[scheduler] def handleExecutorAdded(execId: String, host: String) {  
2.     // remove from failedEpoch(execId) ?  
3.     if (failedEpoch.contains(execId)) {  
4.       logInfo("Host added was in lost list earlier: " + host)  
5.       failedEpoch -= execId  
6.     }  
7.     submitWaitingStages()  
8.   }  

        很简单，先将对应host从failedEpoch中移除，failedEpoch存储的是系统探测到的失效节点的集合，存储的是execId->host的对应关系。接下来便是调用submitWaitingStages()方法提交等待的stages。这个方法我们之前分析过，这里不再赘述。但是存在一个疑点，之前stage都已提交了，这里为什么还要提交一遍呢？留待以后再寻找答案吧。

        第3步随机shuffle offers以避免总是把任务放在同一组workers上执行，这也没什么特别好讲的，为了避免所谓的热点问题而采取的一种随机策略而已。

        第4步也是，构造一个task列表，以分配到每个worker，针对每个executor，创建一个ArrayBuffer，存储的类型为TaskDescription，大小为executor的cores，即最大程度并行化，充分利用executor的cores。

        第5步就是获取到上述executor集合中cores集合availableCpus，即可以使用的cpu资源；

        下面我们重点分析下第6步，它是调用Pool.getSortedTaskSetQueue()方法，获得排序好的task集合。还记得这个Pool吗？它就是上篇文章《Spark源码分析之五：Task调度（一）》里讲到的调度器的中的调度池啊，我们看下它的getSortedTaskSetQueue()方法。代码如下：

[java] view plain copy

 

 

1. override def getSortedTaskSetQueue: ArrayBuffer[TaskSetManager] = {  
2.       
3.     // 创建一个ArrayBuffer，存储TaskSetManager  
4.     var sortedTaskSetQueue = new ArrayBuffer[TaskSetManager]  
5.       
6.     // schedulableQueue为Pool中的一个调度队列，里面存储的是TaskSetManager  
7.     // 在TaskScheduler的submitTasks()方法中，通过层层调用，最终通过Pool的addSchedulable()方法将之前生成的TaskSetManager加入到schedulableQueue中  
8.     // 而TaskSetManager包含具体的tasks  
9.     // taskSetSchedulingAlgorithm为调度算法，包括FIFO和FAIR两种  
10.     // 这里针对调度队列，<span style="font-family: Arial, Helvetica, sans-serif;">按照调度算法对其排序，</span>生成一个序列sortedSchedulableQueue，  
11.     val sortedSchedulableQueue =  
12.       schedulableQueue.asScala.toSeq.sortWith(taskSetSchedulingAlgorithm.comparator)  
13.       
14.     // 循环sortedSchedulableQueue中所有的TaskSetManager，通过其getSortedTaskSetQueue来填充sortedTaskSetQueue  
15.     for (schedulable <- sortedSchedulableQueue) {  
16.       sortedTaskSetQueue ++= schedulable.getSortedTaskSetQueue  
17.     }  
18.       
19.     // 返回sortedTaskSetQueue  
20.     sortedTaskSetQueue  
21.   }  

        首先，创建一个ArrayBuffer，用来存储TaskSetManager，然后，对Pool中已经存储好的TaskSetManager，即schedulableQueue队列，按照taskSetSchedulingAlgorithm调度规则或算法来排序，得到sortedSchedulableQueue，并循环其内的TaskSetManager，通过其getSortedTaskSetQueue()方法来填充sortedTaskSetQueue，最后返回。TaskSetManager的getSortedTaskSetQueue()方法也很简单，追加ArrayBuffer[TaskSetManager]即可，如下：

[java] view plain copy

 

 

1. override def getSortedTaskSetQueue(): ArrayBuffer[TaskSetManager] = {  
2.     var sortedTaskSetQueue = new ArrayBuffer[TaskSetManager]()  
3.     sortedTaskSetQueue += this  
4.     sortedTaskSetQueue  
5.   }  

        我们着重来讲解下这个调度准则或算法taskSetSchedulingAlgorithm，其定义如下：

[java] view plain copy

 

 

1. // 调度准则，包括FAIR和FIFO两种  
2.   var taskSetSchedulingAlgorithm: SchedulingAlgorithm = {  
3.     schedulingMode match {  
4.       case SchedulingMode.FAIR =>  
5.         new FairSchedulingAlgorithm()  
6.       case SchedulingMode.FIFO =>  
7.         new FIFOSchedulingAlgorithm()  
8.     }  
9.   }  

        它包括两种，FAIR和FIFO，下面我们以FIFO为例来讲解。代码在SchedulingAlgorithm.scala中，如下：

[java] view plain copy

 

 

1. private[spark] class FIFOSchedulingAlgorithm extends SchedulingAlgorithm {  
2.   // 比较函数  
3.   override def comparator(s1: Schedulable, s2: Schedulable): Boolean = {  
4.     val priority1 = s1.priority  
5.     val priority2 = s2.priority  
6.       
7.     // 先比较priority，即优先级  
8.     // priority相同的话，再比较stageId  
9.     // 前者小于后者的话，返回true，否则为false  
10.     var res = math.signum(priority1 - priority2)  
11.     if (res == 0) {  
12.       val stageId1 = s1.stageId  
13.       val stageId2 = s2.stageId  
14.       res = math.signum(stageId1 - stageId2)  
15.     }  
16.     if (res < 0) {  
17.       true  
18.     } else {  
19.       false  
20.     }  
21.   }  
22. }  

        很简单，就是先比较两个TaskSetManagerder的优先级priority，优先级相同再比较stageId。而这个priority在TaskSet生成时，就是jobId，也就是FIFO是先按照Job的顺序再按照Stage的顺序进行顺序调度，一个Job完了再调度另一个Job，Job内是按照Stage的顺序进行调度。关于priority生成的代码如下所示：

[java] view plain copy

 

 

1. // 利用taskScheduler.submitTasks()提交task  
2.       // jobId即为TaskSet的priority  
3.       taskScheduler.submitTasks(new TaskSet(  
4.         tasks.toArray, stage.id, stage.latestInfo.attemptId, jobId, properties))  

        比较复杂的是FairSchedulingAlgorithm，代码如下：

[java] view plain copy

 

 

1. private[spark] class FairSchedulingAlgorithm extends SchedulingAlgorithm {  
2.   override def comparator(s1: Schedulable, s2: Schedulable): Boolean = {  
3.       
4.     val minShare1 = s1.minShare  
5.     val minShare2 = s2.minShare  
6.     val runningTasks1 = s1.runningTasks  
7.     val runningTasks2 = s2.runningTasks  
8.     val s1Needy = runningTasks1 < minShare1  
9.     val s2Needy = runningTasks2 < minShare2  
10.     val minShareRatio1 = runningTasks1.toDouble / math.max(minShare1, 1.0).toDouble  
11.     val minShareRatio2 = runningTasks2.toDouble / math.max(minShare2, 1.0).toDouble  
12.     val taskToWeightRatio1 = runningTasks1.toDouble / s1.weight.toDouble  
13.     val taskToWeightRatio2 = runningTasks2.toDouble / s2.weight.toDouble  
14.     var compare: Int = 0  
15.   
16.     // 前者的runningTasks<minShare而后者相反的的话，返回true；  
17.     // runningTasks为正在运行的tasks数目，minShare为最小共享cores数；  
18.     // 前面两个if判断的意思是两个TaskSetManager中，如果其中一个正在运行的tasks数目小于最小共享cores数，则优先调度该TaskSetManager  
19.     if (s1Needy && !s2Needy) {  
20.       return true  
21.     } else if (!s1Needy && s2Needy) {// 前者的runningTasks>=minShare而后者相反的的话，返回true  
22.       return false  
23.     } else if (s1Needy && s2Needy) {  
24.       // 如果两者的正在运行的tasks数目都比最小共享cores数小的话，再比较minShareRatio  
25.       // minShareRatio为正在运行的tasks数目与最小共享cores数的比率  
26.       compare = minShareRatio1.compareTo(minShareRatio2)  
27.     } else {  
28.       // 最后比较taskToWeightRatio，即权重使用率，weight代表调度池对资源获取的权重，越大需要越多的资源  
29.       compare = taskToWeightRatio1.compareTo(taskToWeightRatio2)  
30.     }  
31.   
32.     if (compare < 0) {  
33.       true  
34.     } else if (compare > 0) {  
35.       false  
36.     } else {  
37.       s1.name < s2.name  
38.     }  
39.   }  
40. }  

        它的调度逻辑主要如下：

        1、优先看正在运行的tasks数目是否小于最小共享cores数，如果两者只有一个小于，则优先调度小于的那个，原因是既然正在运行的Tasks数目小于共享cores数，说明该节点资源比较充足，应该优先利用；

        2、如果不是只有一个的正在运行的tasks数目是否小于最小共享cores数的话，则再判断正在运行的tasks数目与最小共享cores数的比率；

        3、最后再比较权重使用率，即正在运行的tasks数目与该TaskSetManager的权重weight的比，weight代表调度池对资源获取的权重，越大需要越多的资源。

        到此为止，获得了排序好的task集合，我们来到了第7步：如果存在新加入的slave，则调用taskSet的executorAdded()方法，即TaskSetManager的executorAdded()方法，代码如下：

[java] view plain copy

 

 

1. def executorAdded() {  
2.     recomputeLocality()  
3.   }  

        没说的，继续追踪，看recomputeLocality()方法。代码如下：

[java] view plain copy

 

 

1. // 重新计算位置  
2.   def recomputeLocality() {  
3.     // 首先获取之前的位置Level  
4.     // currentLocalityIndex为有效位置策略级别中的索引，默认为0  
5.     val previousLocalityLevel = myLocalityLevels(currentLocalityIndex)  
6.       
7.     // 计算有效的位置Level  
8.     myLocalityLevels = computeValidLocalityLevels()  
9.       
10.     // 获得位置策略级别的等待时间  
11.     localityWaits = myLocalityLevels.map(getLocalityWait)  
12.       
13.     // 设置当前使用的位置策略级别的索引  
14.     currentLocalityIndex = getLocalityIndex(previousLocalityLevel)  
15.   }  

        首先说下这个currentLocalityIndex，它的定义为：

[java] view plain copy

 

 

1. var currentLocalityIndex = 0    // Index of our current locality level in validLocalityLevels  

        它是有效位置策略级别中的索引，指示当前的位置信息。也就是我们上一个task被launched所使用的Locality Level。

        接下来看下myLocalityLevels，它是任务集TaskSet中应该使用哪种位置Level的数组，在TaskSetManager对象实例化时即被初始化，变量定义如下：

[java] view plain copy

 

 

1. // Figure out which locality levels we have in our TaskSet, so we can do delay scheduling  
2.   // 确定在我们的任务集TaskSet中应该使用哪种位置Level，以便我们做延迟调度  
3.   var myLocalityLevels = computeValidLocalityLevels()  

        computeValidLocalityLevels()方法为计算该TaskSet使用的位置策略的方法，代码如下：

[java] view plain copy

 

 

1. /** 
2.    * Compute the locality levels used in this TaskSet. Assumes that all tasks have already been 
3.    * added to queues using addPendingTask. 
4.    * 计算该TaskSet使用的位置策略。假设所有的任务已经通过addPendingTask()被添加入队列 
5.    */  
6.   private def computeValidLocalityLevels(): Array[TaskLocality.TaskLocality] = {  
7.     // 引入任务位置策略  
8.     import TaskLocality.{PROCESS_LOCAL, NODE_LOCAL, NO_PREF, RACK_LOCAL, ANY}  
9.       
10.     // 创建ArrayBuffer类型的levels，存储TaskLocality  
11.     val levels = new ArrayBuffer[TaskLocality.TaskLocality]  
12.       
13.     // 如果pendingTasksForExecutor不为空，且PROCESS_LOCAL级别中TaskSetManager等待分配下一个任务的时间不为零，且  
14.     // 如果pendingTasksForExecutor中每个executorId在sched的executorIdToTaskCount中存在  
15.     // executorIdToTaskCount为每个executor上运行的task的数目集合  
16.     if (!pendingTasksForExecutor.isEmpty && getLocalityWait(PROCESS_LOCAL) != 0 &&  
17.         pendingTasksForExecutor.keySet.exists(sched.isExecutorAlive(_))) {  
18.       levels += PROCESS_LOCAL  
19.     }  
20.       
21.     // 如果pendingTasksForHost不为空，且NODE_LOCAL级别中TaskSetManager等待分配下一个任务的时间不为零，且  
22.     // 如果pendingTasksForHost中每个host在sched的executorsByHost中存在  
23.     // executorsByHost为每个host上executors的集合  
24.     if (!pendingTasksForHost.isEmpty && getLocalityWait(NODE_LOCAL) != 0 &&  
25.         pendingTasksForHost.keySet.exists(sched.hasExecutorsAliveOnHost(_))) {  
26.       levels += NODE_LOCAL  
27.     }  
28.       
29.     // 如果存在没有位置信息的task，则添加NO_PREF级别  
30.     if (!pendingTasksWithNoPrefs.isEmpty) {  
31.       levels += NO_PREF  
32.     }  
33.       
34.     // 同样处理RACK_LOCAL级别  
35.     if (!pendingTasksForRack.isEmpty && getLocalityWait(RACK_LOCAL) != 0 &&  
36.         pendingTasksForRack.keySet.exists(sched.hasHostAliveOnRack(_))) {  
37.       levels += RACK_LOCAL  
38.     }  
39.       
40.     // 最后加上一个ANY级别  
41.     levels += ANY  
42.     logDebug("Valid locality levels for " + taskSet + ": " + levels.mkString(", "))  
43.       
44.     // 返回  
45.     levels.toArray  
46.   }  

        这里，我们先看下其中几个比较重要的数据结构。在TaskSetManager中，存在如下几个数据结构：

[java] view plain copy

 

 

1. // 每个executor上即将被执行的tasks的映射集合  
2.   private val pendingTasksForExecutor = new HashMap[String, ArrayBuffer[Int]]  
3.   
4. // 每个host上即将被执行的tasks的映射集合  
5.   private val pendingTasksForHost = new HashMap[String, ArrayBuffer[Int]]  
6.   
7. // 每个rack上即将被执行的tasks的映射集合  
8.   private val pendingTasksForRack = new HashMap[String, ArrayBuffer[Int]]  
9.   
10. // Set containing pending tasks with no locality preferences.  
11.   // 存储所有没有位置信息的即将运行tasks的index索引的集合  
12.   var pendingTasksWithNoPrefs = new ArrayBuffer[Int]  
13.   
14. // Set containing all pending tasks (also used as a stack, as above).  
15.   // 存储所有即将运行tasks的index索引的集合  
16.   val allPendingTasks = new ArrayBuffer[Int]  

        这些数据结构，存储了task与不同位置的载体的对应关系。在TaskSetManager对象被构造时，有如下代码被执行：

[java] view plain copy

 

 

1. // Add all our tasks to the pending lists. We do this in reverse order  
2.   // of task index so that tasks with low indices get launched first.  
3.   // 将所有的tasks添加到pending列表。我们用倒序的任务索引一遍较低索引的任务可以被优先加载  
4.   for (i <- (0 until numTasks).reverse) {  
5.     addPendingTask(i)  
6.   }  

        它对TaskSetManager中的tasks的索引倒序处理。addPendingTask()方法如下：

[java] view plain copy

 

 

1. /** Add a task to all the pending-task lists that it should be on. */  
2.   // 添加一个任务的索引到所有相关的pending-task索引列表  
3.   private def addPendingTask(index: Int) {  
4.     // Utility method that adds `index` to a list only if it‘s not already there  
5.     // 定义了一个如果索引不存在添加索引至列表的工具方法  
6.     def addTo(list: ArrayBuffer[Int]) {  
7.       if (!list.contains(index)) {  
8.         list += index  
9.       }  
10.     }  
11.   
12.     // 遍历task的优先位置  
13.     for (loc <- tasks(index).preferredLocations) {  
14.       loc match {  
15.         case e: ExecutorCacheTaskLocation => // 如果为ExecutorCacheTaskLocation  
16.           // 添加任务索引index至pendingTasksForExecutor列表  
17.           addTo(pendingTasksForExecutor.getOrElseUpdate(e.executorId, new ArrayBuffer))  
18.         case e: HDFSCacheTaskLocation => {// 如果为HDFSCacheTaskLocation  
19.             
20.           // 调用sched（即TaskSchedulerImpl）的getExecutorsAliveOnHost()方法，获得指定Host上的Alive Executors  
21.           val exe = sched.getExecutorsAliveOnHost(loc.host)  
22.           exe match {  
23.             case Some(set) => {  
24.               // 循环host上的每个Alive Executor，添加任务索引index至pendingTasksForExecutor列表  
25.               for (e <- set) {  
26.                 addTo(pendingTasksForExecutor.getOrElseUpdate(e, new ArrayBuffer))  
27.               }  
28.               logInfo(s"Pending task $index has a cached location at ${e.host} " +  
29.                 ", where there are executors " + set.mkString(","))  
30.             }  
31.             case None => logDebug(s"Pending task $index has a cached location at ${e.host} " +  
32.                 ", but there are no executors alive there.")  
33.           }  
34.         }  
35.         case _ => Unit  
36.       }  
37.         
38.       // 添加任务索引index至pendingTasksForHost列表  
39.       addTo(pendingTasksForHost.getOrElseUpdate(loc.host, new ArrayBuffer))  
40.         
41.       // 根据获得任务优先位置host获得机架rack，循环，添加任务索引index至pendingTasksForRack列表  
42.       for (rack <- sched.getRackForHost(loc.host)) {  
43.         addTo(pendingTasksForRack.getOrElseUpdate(rack, new ArrayBuffer))  
44.       }  
45.     }  
46.   
47.     // 如果task没有位置属性，则将任务的索引index添加到pendingTasksWithNoPrefs，pendingTasksWithNoPrefs为存储所有没有位置信息的即将运行tasks的index索引的集合  
48.     if (tasks(index).preferredLocations == Nil) {  
49.       addTo(pendingTasksWithNoPrefs)  
50.     }  
51.   
52.     // 将任务的索引index加入到allPendingTasks，allPendingTasks为存储所有即将运行tasks的index索引的集合  
53.     allPendingTasks += index  // No point scanning this whole list to find the old task there  
54.   }  

        鉴于上面注释很清晰，这里，我们只说下重点，它是根据task的preferredLocations，来决定该往哪个数据结构存储的。最终，将task的位置信息，存储到不同的数据结构中，方便后续任务调度的处理。

        同时，在TaskSetManager中TaskSchedulerImpl类型的变量中，还存在着如下几个数据结构：

[java] view plain copy

 

 

1. // Number of tasks running on each executor  
2.   // 每个executor上正在运行的tasks的数目  
3.   private val executorIdToTaskCount = new HashMap[String, Int]  
4.   
5.   // The set of executors we have on each host; this is used to compute hostsAlive, which  
6.   // in turn is used to decide when we can attain data locality on a given host  
7.   // 每个host上executors的集合  
8.   // 这个executorsByHost被用来计算host活跃性，反过来我们用它来决定在给定的主机上何时实现数据本地性  
9.   protected val executorsByHost = new HashMap[String, HashSet[String]]  
10.   
11.   // 每个rack上hosts的映射关系  
12.   protected val hostsByRack = new HashMap[String, HashSet[String]]  

        它反映了当前集群中executor、host、rack的对应关系。而在computeValidLocalityLevels()方法中，根据task的位置属性和当前集群中executor、host、rack的对应关系，依靠上面这两组数据结构，就能很方便的确定该TaskSet的TaskLocality Level，详细流程不再赘述，读者可自行阅读代码。

        这里，我们只说下getLocalityWait()方法，它是获取Locality级别对应TaskSetManager等待分配下一个任务的时间，代码如下：

[java] view plain copy

 

 

1. // 获取Locality级别对应TaskSetManager等待分配下一个任务的时间  
2.   private def getLocalityWait(level: TaskLocality.TaskLocality): Long = {  
3.     // 默认等待时间，取自参数spark.locality.wait，默认为3s  
4.     val defaultWait = conf.get("spark.locality.wait", "3s")  
5.       
6.     // 根据不同的TaskLocality，取不同的参数，设置TaskLocality等待时间  
7.     // PROCESS_LOCAL取参数spark.locality.wait.process  
8.     // NODE_LOCAL取参数spark.locality.wait.node  
9.     // RACK_LOCAL取参数spark.locality.wait.rack  
10.     val localityWaitKey = level match {  
11.       case TaskLocality.PROCESS_LOCAL => "spark.locality.wait.process"  
12.       case TaskLocality.NODE_LOCAL => "spark.locality.wait.node"  
13.       case TaskLocality.RACK_LOCAL => "spark.locality.wait.rack"  
14.       case _ => null  
15.     }  
16.   
17.     if (localityWaitKey != null) {  
18.       conf.getTimeAsMs(localityWaitKey, defaultWait)  
19.     } else {  
20.       0L  
21.     }  
22.   }  

        不同的Locality级别对应取不同的参数。为什么要有这个Locality级别对应TaskSetManager等待分配下一个任务的时间呢？我们先留个小小的疑问。

        回到recomputeLocality()方法，接下来便是调用computeValidLocalityLevels()这个方法，计算当前最新的有效的位置策略Level，为什么要再次计算呢？主要就是新的slave节点加入，我们需要重新评估下集群中task位置偏好与当前集群executor、host、rack等整体资源的关系，起到了一个位置策略级别动态调整的一个效果。

        然后，便是获得位置策略级别的等待时间localityWaits、设置当前使用的位置策略级别的索引currentLocalityIndex，不再赘述。

        好了，第7步就分析完了，有些细节留到以后再归纳整理吧。

        接着分析第8步，循环sortedTaskSets，按照位置本地性规则调度每个TaskSet，最大化实现任务的本地性，也就是对每个taskSet，调用resourceOfferSingleTaskSet()方法进行任务集调度。显然，我们需要首先看下resourceOfferSingleTaskSet()这个方法。代码如下：

[java] view plain copy

 

 

1. private def resourceOfferSingleTaskSet(  
2.       taskSet: TaskSetManager,  
3.       maxLocality: TaskLocality,  
4.       shuffledOffers: Seq[WorkerOffer],  
5.       availableCpus: Array[Int],  
6.       tasks: Seq[ArrayBuffer[TaskDescription]]) : Boolean = {  
7.       
8.     // 标志位launchedTask初始化为false，用它来标记是否有task被成功分配或者launched  
9.     var launchedTask = false  
10.       
11.     // 循环shuffledOffers，即每个可用executor  
12.     for (i <- 0 until shuffledOffers.size) {  
13.         
14.       // 获取其executorId和host  
15.       val execId = shuffledOffers(i).executorId  
16.       val host = shuffledOffers(i).host  
17.         
18.       // 如果executor上可利用cpu数目大于每个task需要的数目，则继续task分配  
19.       // CPUS_PER_TASK为参数spark.task.cpus配置的值，未配置的话默认为1  
20.       if (availableCpus(i) >= CPUS_PER_TASK) {  
21.         try {  
22.           
23.           // 调用TaskSetManager的resourceOffer()方法，处理返回的每个TaskDescription  
24.           for (task <- taskSet.resourceOffer(execId, host, maxLocality)) {  
25.               
26.             // 分配task成功  
27.             // 将task加入到tasks对应位置  
28.             // 注意，tasks为一个空的，根据shuffledOffers和其可用cores生成的有一定结构的列表  
29.             tasks(i) += task  
30.               
31.             // 更新taskIdToTaskSetManager、taskIdToExecutorId、executorIdToTaskCount、  
32.             // executorsByHost、availableCpus等数据结构  
33.             val tid = task.taskId  
34.             taskIdToTaskSetManager(tid) = taskSet // taskId与TaskSetManager的映射关系  
35.             taskIdToExecutorId(tid) = execId // taskId与ExecutorId的映射关系  
36.             executorIdToTaskCount(execId) += 1// executor上正在运行的task数目加1  
37.             executorsByHost(host) += execId// host上对应的executor的映射关系  
38.             availableCpus(i) -= CPUS_PER_TASK// 可以Cpu cores减少相应数目  
39.               
40.             // 确保availableCpus(i)不小于0  
41.             assert(availableCpus(i) >= 0)  
42.               
43.             // 标志位launchedTask设置为true  
44.             launchedTask = true  
45.           }  
46.         } catch {  
47.           case e: TaskNotSerializableException =>  
48.             logError(s"Resource offer failed, task set ${taskSet.name} was not serializable")  
49.             // Do not offer resources for this task, but don‘t throw an error to allow other  
50.             // task sets to be submitted.  
51.             return launchedTask  
52.         }  
53.       }  
54.     }  
55.     return launchedTask  
56.   }  

        该方法的主体流程如下：

        1、标志位launchedTask初始化为false，用它来标记是否有task被成功分配或者launched；

        2、循环shuffledOffers，即每个可用executor：

             2.1、获取其executorId和host；

             2.2、如果executor上可利用cpu数目大于每个task需要的数目，则继续task分配；

             2.3、调用TaskSetManager的resourceOffer()方法，处理返回的每个TaskDescription：

                2.3.1、分配task成功，将task加入到tasks对应位置（注意，tasks为一个空的，根据shuffledOffers和其可用cores生成的有一定结构的列表）；

                2.3.2、更新taskIdToTaskSetManager、taskIdToExecutorId、executorIdToTaskCount、executorsByHost、availableCpus等数据结构；

                2.3.3、确保availableCpus(i)不小于0；

                2.3.4、标志位launchedTask设置为true；

       3、返回launchedTask。

        其他都好说，我们只看下TaskSetManager的resourceOffer()方法。代码如下：

[java] view plain copy

 

 

1. /** 
2.    * Respond to an offer of a single executor from the scheduler by finding a task 
3.    * 
4.    * NOTE: this function is either called with a maxLocality which 
5.    * would be adjusted by delay scheduling algorithm or it will be with a special 
6.    * NO_PREF locality which will be not modified 
7.    * 
8.    * @param execId the executor Id of the offered resource 
9.    * @param host  the host Id of the offered resource 
10.    * @param maxLocality the maximum locality we want to schedule the tasks at 
11.    */  
12.   @throws[TaskNotSerializableException]  
13.   def resourceOffer(  
14.       execId: String,  
15.       host: String,  
16.       maxLocality: TaskLocality.TaskLocality)  
17.     : Option[TaskDescription] =  
18.   {  
19.     if (!isZombie) {  
20.       
21.       // 当前时间  
22.       val curTime = clock.getTimeMillis()  
23.   
24.       // 确定可以被允许的位置策略：allowedLocality  
25.       var allowedLocality = maxLocality  
26.   
27.       // 如果maxLocality不为TaskLocality.NO_PREF  
28.       if (maxLocality != TaskLocality.NO_PREF) {  
29.         // 获取被允许的Locality，主要是看等待时间  
30.         allowedLocality = getAllowedLocalityLevel(curTime)  
31.           
32.         // 如果allowedLocality大于maxLocality，将maxLocality赋值给allowedLocality  
33.         if (allowedLocality > maxLocality) {  
34.           // We‘re not allowed to search for farther-away tasks  
35.           allowedLocality = maxLocality  
36.         }  
37.       }  
38.   
39.       // 出列task，即分配task  
40.       dequeueTask(execId, host, allowedLocality) match {  
41.         case Some((index, taskLocality, speculative)) => {  
42.             
43.           // 找到对应的task  
44.           // Found a task; do some bookkeeping and return a task description  
45.           val task = tasks(index)  
46.           val taskId = sched.newTaskId()  
47.           // Do various bookkeeping  
48.           // 更新copiesRunning  
49.           copiesRunning(index) += 1  
50.           val attemptNum = taskAttempts(index).size  
51.             
52.           // 创建TaskInfo  
53.           val info = new TaskInfo(taskId, index, attemptNum, curTime,  
54.             execId, host, taskLocality, speculative)  
55.             
56.           // 更新taskInfos  
57.           taskInfos(taskId) = info  
58.             
59.           // 更新taskAttempts  
60.           taskAttempts(index) = info :: taskAttempts(index)  
61.           // Update our locality level for delay scheduling  
62.           // NO_PREF will not affect the variables related to delay scheduling  
63.             
64.           // 设置currentLocalityIndex、lastLaunchTime  
65.           if (maxLocality != TaskLocality.NO_PREF) {  
66.             currentLocalityIndex = getLocalityIndex(taskLocality)  
67.             lastLaunchTime = curTime  
68.           }  
69.             
70.           // Serialize and return the task  
71.           // 开始时间  
72.           val startTime = clock.getTimeMillis()  
73.             
74.           // 序列化task，得到serializedTask  
75.           val serializedTask: ByteBuffer = try {  
76.             Task.serializeWithDependencies(task, sched.sc.addedFiles, sched.sc.addedJars, ser)  
77.           } catch {  
78.             // If the task cannot be serialized, then there‘s no point to re-attempt the task,  
79.             // as it will always fail. So just abort the whole task-set.  
80.             case NonFatal(e) =>  
81.               val msg = s"Failed to serialize task $taskId, not attempting to retry it."  
82.               logError(msg, e)  
83.               abort(s"$msg Exception during serialization: $e")  
84.               throw new TaskNotSerializableException(e)  
85.           }  
86.           if (serializedTask.limit > TaskSetManager.TASK_SIZE_TO_WARN_KB * 1024 &&  
87.               !emittedTaskSizeWarning) {  
88.             emittedTaskSizeWarning = true  
89.             logWarning(s"Stage ${task.stageId} contains a task of very large size " +  
90.               s"(${serializedTask.limit / 1024} KB). The maximum recommended task size is " +  
91.               s"${TaskSetManager.TASK_SIZE_TO_WARN_KB} KB.")  
92.           }  
93.             
94.           // 添加running task  
95.           addRunningTask(taskId)  
96.   
97.           // We used to log the time it takes to serialize the task, but task size is already  
98.           // a good proxy to task serialization time.  
99.           // val timeTaken = clock.getTime() - startTime  
100.           val taskName = s"task ${info.id} in stage ${taskSet.id}"  
101.           logInfo(s"Starting $taskName (TID $taskId, $host, partition ${task.partitionId}," +  
102.             s"$taskLocality, ${serializedTask.limit} bytes)")  
103.   
104.           // 调用DagScheduler的taskStarted()方法，标记Task已启动  
105.           sched.dagScheduler.taskStarted(task, info)  
106.             
107.           // 返回TaskDescription，其中包含taskId、attemptNumber、execId、index、serializedTask等重要信息  
108.           // attemptNumber是推测执行原理必须使用的，即拖后腿的任务可以执行多份，谁先完成用谁的结果  
109.           return Some(new TaskDescription(taskId = taskId, attemptNumber = attemptNum, execId,  
110.             taskName, index, serializedTask))  
111.         }  
112.         case _ =>  
113.       }  
114.     }  
115.     None  
116.   }  

        resourceOffer()方法的处理流程大体如下：

        1、记录当前时间；

        2、 确定可以被允许的位置策略：allowedLocality；

        3、出列task，即分配task；

            3.1、如果找到对应的task，即task可以被分配：

              3.1.1、完成获得taskId、更新copiesRunning、获得attemptNum、创建TaskInfo、更新taskInfos、更新taskAttempts、设置currentLocalityIndex、lastLaunchTime等基础数据结构的更新；

              3.1.2、序列化task，得到serializedTask；

              3.1.3、添加running task；

              3.1.4、调用DagScheduler的taskStarted()方法，标记Task已启动；

              3.1.5、返回TaskDescription，其中包含taskId、attemptNumber、execId、index、serializedTask等重要信息，attemptNumber是推测执行原理必须使用的，即拖后腿的任务可以执行多份，谁先完成用谁的结果。

        首先说下这个allowedLocality，如果maxLocality不为TaskLocality.NO_PREF，我们需要调用getAllowedLocalityLevel()，传入当前时间，得到allowedLocality，getAllowedLocalityLevel()方法逻辑比较简单，代码如下：

[java] view plain copy

 

 

1. /** 
2.    * Get the level we can launch tasks according to delay scheduling, based on current wait time. 
3.    * 基于当前的等待是时间，得到我们可以调度task的级别 
4.    */  
5.   private def getAllowedLocalityLevel(curTime: Long): TaskLocality.TaskLocality = {  
6.     // Remove the scheduled or finished tasks lazily  
7.     // 判断task是否可以被调度  
8.     def tasksNeedToBeScheduledFrom(pendingTaskIds: ArrayBuffer[Int]): Boolean = {  
9.       var indexOffset = pendingTaskIds.size  
10.       // 循环  
11.       while (indexOffset > 0) {  
12.         // 索引递减  
13.         indexOffset -= 1  
14.           
15.         // 获得task索引  
16.         val index = pendingTaskIds(indexOffset)  
17.           
18.         // 如果对应task不存在任何运行实例，且未执行成功，可以调度，返回true  
19.         if (copiesRunning(index) == 0 && !successful(index)) {  
20.           return true  
21.         } else {  
22.           
23.           // 从pendingTaskIds中移除  
24.           pendingTaskIds.remove(indexOffset)  
25.         }  
26.       }  
27.       false  
28.     }  
29.     // Walk through the list of tasks that can be scheduled at each location and returns true  
30.     // if there are any tasks that still need to be scheduled. Lazily cleans up tasks that have  
31.     // already been scheduled.  
32.     def moreTasksToRunIn(pendingTasks: HashMap[String, ArrayBuffer[Int]]): Boolean = {  
33.       val emptyKeys = new ArrayBuffer[String]  
34.         
35.       // 循环pendingTasks  
36.       val hasTasks = pendingTasks.exists {  
37.         case (id: String, tasks: ArrayBuffer[Int]) =>  
38.             
39.           // 判断task是否可以被调度  
40.           if (tasksNeedToBeScheduledFrom(tasks)) {  
41.             true  
42.           } else {  
43.             emptyKeys += id  
44.             false  
45.           }  
46.       }  
47.       // The key could be executorId, host or rackId  
48.       // 移除数据  
49.       emptyKeys.foreach(id => pendingTasks.remove(id))  
50.       hasTasks  
51.     }  
52.       
53.     // 从当前索引currentLocalityIndex开始，循环myLocalityLevels  
54.     while (currentLocalityIndex < myLocalityLevels.length - 1) {  
55.         
56.       // 是否存在待调度task，根据不同的Locality Level，调用moreTasksToRunIn()方法从不同的数据结构中获取，  
57.       // NO_PREF直接看pendingTasksWithNoPrefs是否为空  
58.       val moreTasks = myLocalityLevels(currentLocalityIndex) match {  
59.         case TaskLocality.PROCESS_LOCAL => moreTasksToRunIn(pendingTasksForExecutor)  
60.         case TaskLocality.NODE_LOCAL => moreTasksToRunIn(pendingTasksForHost)  
61.         case TaskLocality.NO_PREF => pendingTasksWithNoPrefs.nonEmpty  
62.         case TaskLocality.RACK_LOCAL => moreTasksToRunIn(pendingTasksForRack)  
63.       }  
64.       if (!moreTasks) {// 不存在可以被调度的task  
65.         // This is a performance optimization: if there are no more tasks that can  
66.         // be scheduled at a particular locality level, there is no point in waiting  
67.         // for the locality wait timeout (SPARK-4939).  
68.         // 记录lastLaunchTime  
69.         lastLaunchTime = curTime  
70.         logDebug(s"No tasks for locality level ${myLocalityLevels(currentLocalityIndex)}, " +  
71.           s"so moving to locality level ${myLocalityLevels(currentLocalityIndex + 1)}")  
72.           
73.         // 位置策略索引加1  
74.         currentLocalityIndex += 1  
75.       } else if (curTime - lastLaunchTime >= localityWaits(currentLocalityIndex)) {  
76.         // Jump to the next locality level, and reset lastLaunchTime so that the next locality  
77.         // wait timer doesn‘t immediately expire  
78.           
79.         // 更新localityWaits  
80.         lastLaunchTime += localityWaits(currentLocalityIndex)  
81.           
82.         // 位置策略索引加1  
83.         currentLocalityIndex += 1  
84.         logDebug(s"Moving to ${myLocalityLevels(currentLocalityIndex)} after waiting for " +  
85.           s"${localityWaits(currentLocalityIndex)}ms")  
86.       } else {  
87.         
88.         // 返回当前位置策略级别  
89.         return myLocalityLevels(currentLocalityIndex)  
90.       }  
91.     }  
92.       
93.     // 返回当前位置策略级别  
94.     myLocalityLevels(currentLocalityIndex)  
95.   }  

        在确定allowedLocality后，我们就需要调用dequeueTask()方法，出列task，进行调度。代码如下：

[java] view plain copy

 

 

1. /** 
2.    * Dequeue a pending task for a given node and return its index and locality level. 
3.    * Only search for tasks matching the given locality constraint. 
4.    * 
5.    * @return An option containing (task index within the task set, locality, is speculative?) 
6.    */  
7.   private def dequeueTask(execId: String, host: String, maxLocality: TaskLocality.Value)  
8.     : Option[(Int, TaskLocality.Value, Boolean)] =  
9.   {  
10.     // 首先调用dequeueTaskFromList()方法，对PROCESS_LOCAL级别的task进行调度  
11.     for (index <- dequeueTaskFromList(execId, getPendingTasksForExecutor(execId))) {  
12.       return Some((index, TaskLocality.PROCESS_LOCAL, false))  
13.     }  
14.   
15.     // PROCESS_LOCAL未调度到task的话，再调度NODE_LOCAL级别  
16.     if (TaskLocality.isAllowed(maxLocality, TaskLocality.NODE_LOCAL)) {  
17.       for (index <- dequeueTaskFromList(execId, getPendingTasksForHost(host))) {  
18.         return Some((index, TaskLocality.NODE_LOCAL, false))  
19.       }  
20.     }  
21.   
22.     // NODE_LOCAL未调度到task的话，再调度NO_PREF级别  
23.     if (TaskLocality.isAllowed(maxLocality, TaskLocality.NO_PREF)) {  
24.       // Look for noPref tasks after NODE_LOCAL for minimize cross-rack traffic  
25.       for (index <- dequeueTaskFromList(execId, pendingTasksWithNoPrefs)) {  
26.         return Some((index, TaskLocality.PROCESS_LOCAL, false))  
27.       }  
28.     }  
29.   
30.     // NO_PREF未调度到task的话，再调度RACK_LOCAL级别  
31.     if (TaskLocality.isAllowed(maxLocality, TaskLocality.RACK_LOCAL)) {  
32.       for {  
33.         rack <- sched.getRackForHost(host)  
34.         index <- dequeueTaskFromList(execId, getPendingTasksForRack(rack))  
35.       } {  
36.         return Some((index, TaskLocality.RACK_LOCAL, false))  
37.       }  
38.     }  
39.   
40.     // 最好是ANY级别的调度  
41.     if (TaskLocality.isAllowed(maxLocality, TaskLocality.ANY)) {  
42.       for (index <- dequeueTaskFromList(execId, allPendingTasks)) {  
43.         return Some((index, TaskLocality.ANY, false))  
44.       }  
45.     }  
46.   
47.     // find a speculative task if all others tasks have been scheduled  
48.     // 如果所有的class都被调度的话，寻找一个speculative task，同MapReduce的推测执行原理的思想  
49.     dequeueSpeculativeTask(execId, host, maxLocality).map {  
50.       case (taskIndex, allowedLocality) => (taskIndex, allowedLocality, true)}  
51.   }  

        很简单，按照PROCESS_LOCAL、NODE_LOCAL、NO_PREF、RACK_LOCAL、ANY的顺序进行调度。最后，如果所有的class都被调度的话，寻找一个speculative task，同MapReduce的推测执行原理的思想。

        至此，我们得到了TaskDescription，也就知道了哪个Task需要在哪个节点上执行，而Task调度也就全讲完了。

        题外话：

        要透彻的、清晰的讲解一个复杂的流程，是很费力的，短短几篇文章也是远远不够的。Task调度这两篇文章，重在叙述一个完整的流程，同时讲解部分细节。在这两篇文章的叙述中，肯定会有很多细节没讲清楚、讲透彻，甚至会有些理解错误的地方，希望高手不吝赐教，以免继续误导大家。

        针对部分细节，和对流程的深入理解，我以后还会陆续推出博文，进行详细讲解，并归纳总结，谢谢大家！

博客原地址：http://blog.csdn.net/lipeng_bigdata/article/details/50699939

Spark源码分析之六：Task调度（二）

标签：

原文地址：http://www.cnblogs.com/jirimutu01/p/5274459.html