标签：jar app 根据 启动 通过 drive 详细介绍 key extc
Spark是最为流行的分布式计算框架，这篇文章简要介绍spark 1.X版本任务调度的基本部件及其原理，包括SparkContext，SparkEnv，Executor，TaskScheduler，DAGScheduler以及其他部件。本文参考自《深入理解Spark》(by耿嘉安)一书。
1 SparkContext
SparkDriver用于用户提交任务，SparkDriver初始化首先需要SparkContext初始化，SparkContext配置了整个任务需要的上下文信息，其中配置参数由SparkConf初始化，SparkConf维护了一个ConcurrentHashMap记录系统配置和用户配置。
SparkContext初始化过程主要包括：
1）创建Spark执行环境SparkEnv；
2）创建RDD清理器metadataCleaner；
3）创建并初始化Spark UI；
4）Hadoop相关配置及Executor环境变量的设置；
5）创建任务调度TaskScheduler；
6）创建和启动DAGScheduler；
7）TaskScheduler的启动；
8）初始化块管理器BlockManager
9）启动测量系统MetricsSystem；
10）创建和启动Executor分配管理器ExecutorAllocationManager；
11）ContextCleaner的创建与启动；
12）Spark环境更新；
13）创建DAGSchedulerSource和BlockManagerSource；
14）将SparkContext标记为激活。
SparkContext默认只有一个实例，用户可以自定义配置。
2 SparkEnv
SparkEnv用于保存Spark任务的执行环境，SparkEnv存在于Driver或者CoarseGrainedExecutorBackend进程中。此进程用于创建Executor。创建SparkEnv主要使用SparkEnv的createDriverEnv。其主要过程包括如下：
1）创建安全管理器SecurityManager；
SecurityManager主要对权限、账号进行设置，如果使用Hadoop YARN作为集群管理器，则需要使用证书生成secret key登录，最后给当前系统设置默认的口令认证实例，使用HTTP连接设置口令认证。
2）创建基于Akka的分布式消息系统ActorSystem；
ActorSystem是Akka的创建分布式消息系统的基础类，akka在spark2.0中被替换为netty。
actor是一个封装了状态和行为的对象，每个actor都通过message交流，从自己的mailbox中读取别的actor发送的消息。Actor system 可以看做多个actors 的协作整体。actors可以通过这个整体单元来共享一些通用组件。例如调度服务、配置、日志服务等等。配置不同的Actor system可以共存在同一个jvm中。ActorSystem是重量级的对象，会创建1...N个线程，所以一个application一个ActorSystem。
3）创建Map任务输出跟踪器mapOutputTracker；
mapOutputTracker用于记录Map阶段任务的输出状态，每一个map任务或reduce任务都用mapid或reduceid唯一标识，通过mapOutputTracker可以让reduce阶段的任务找到并拉取map阶段任务输出数据。MapOutputTrackerMaster通过mapStatuses维护记录map任务输出状态，其中Executor会通过akka机制向MapOutputTracker中的MasterActor发送消息维护更新map任务信息。所以Executor初始化MapOutputTrackerWorker，而Driver创建MapOutputTrackerMaster。
4）实例化ShuffleManager；
ShuffleManager通过反射生成的SortShuffleManager实例，管理本地或远程shuffer。spark.shuffle.manager属性可修改为使用HashShuffleManager。SortShuffleManager通过内聚IndexShuffleBlockManager调用BlockManager中的DiskBlockManager将map结果根据shuffleId、mapId写文件，对应map过程也可调用MapOutputTrackerMaster的mapStatuses从本地或者远程节点读取文件，对应包含shuffer的reduce过程。
5）创建ShuffleMemoryManager；
ShuffleMemoryManager通过维护thread-Memory这一hashMap来记录所有shuffer任务的占用内存字节数，shuffer所有线程的最大内存占用计算公式如下：Java运行时最大内存*Spark的shuffle最大内存占比*Spark的安全内存占比。
6）创建块传输服务BlockTransferService，默认为NettyBlockTransferService，用于文件块在节点之间的远程传输。
7）创建BlockManagerMaster；
负责管理Block相关操作，Driver端创建BlockManagerMasterActor，注册到Actor-System中。Executor则从ActorSystem中获取BlockManagerMasterActor。最终BlockManagerMaster获取到对BlockManagerMasterActor的引用，从而进行相关操作。
8）创建块管理器BlockManager，负责对Block进行管理。具体细节在存储系统中详细介绍。
9）创建广播管理器BroadcastManager；
此部件主要用于将配置信息和序列化后的RDD，job等信息本地存储，或广播到其他节点进行备份，是通过工厂模式，用反射的方式创建实例，用户可以可以配置属性spark.broadcast.factory指定。
10）创建缓存管理器CacheManager；
用于缓存RDD计算的中间结果，为了迭代计算的效率，spark将中间结果RDDcache下来，下一次就无需重新创建RDD。
11）创建HTTP文件服务器HttpFileServer，主要提供对jar及其他文件的http访问，服务器用jetty内嵌实现。
12）创建测量系统MetricsSystem；
至此。sparkEnv初始完毕。
标签：jar app 根据 启动 通过 drive 详细介绍 key extc
原文地址：http://www.cnblogs.com/lichongjie/p/7136273.html
