码迷,mamicode.com
首页 > 其他好文 > 详细

Spark中的Scheduler

时间:2014-05-04 09:08:02      阅读:379      评论:0      收藏:0      [点我收藏+]

标签:源代码   分布式   spark   

Spark中的Scheduler

scheduler分成两个类型,一个是TaskScheduler与其实现,一个是DAGScheduler

TaskScheduler:主要负责各stage中传入的task的执行与调度。

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

实例生成

TaskScheduler实例生成:

scheduler实例生成,我目前主要是针对onyarnspark进行的相关分析,

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

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

在用户定义的spark分析程序中,生成SparkContext实例。

通过SparkContext.createTaskScheduler函数。如果是yarn-cluster,生成YarnClusterScheduler实例。

此部分生成的schedulerTaskScheduler实例。

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

同时YarnClusterSchduler实现TaskSchedulerImpl

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

生成TaskScheduler中的SchedulerBackend属性引用,yarn-clusterCoarseGrainedSchedulerBackend

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

scheduler.initialize(backend)



DAGScheduler实例生成:

classDAGScheduler(

taskSched: TaskScheduler,

mapOutputTracker:MapOutputTrackerMaster,

blockManagerMaster:BlockManagerMaster,

env: SparkEnv)

extendsLogging {


defthis(taskSched:TaskScheduler){

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

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

}

taskSched.setDAGScheduler(this)


scheduler调度过程分析

1.rdd执行action操作,如saveAsHadoopFile

2.调用SparkContext.runJob

3.调用DAGScheduler.runJob-->此函数调用submitJob,并等job执行完成。

Waiter.awaitResult()中通过_jobFinished检查job运行是否完成,如果完成,此传为true,否则为false.

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

如果finishedTasks的个数等于totalTasks的个数时,表示完成。或者出现exception.

defrunJob[T, U: ClassTag](

rdd: RDD[T],

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

partitions: Seq[Int],

callSite: String,

allowLocal: Boolean,

resultHandler: (Int, U) =>Unit,

properties: Properties = null)

{

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

waiter.awaitResult()match{

caseJobSucceeded => {}

caseJobFailed(exception:Exception, _) =>

logInfo("Failedto run " + callSite)

throwexception

}

}


4.调用DAGScheduler.submitJob函数,

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

JobWaiterJobListener的实现。

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

eventProcessActor! JobSubmitted(

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

waiter


5.处理DAGSchedulerJobSubmitted事件消息,通过processEvent处理消息接收的事件。

defreceive = {

caseevent:DAGSchedulerEvent =>

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

if(!processEvent(event)){

submitWaitingStages()

} else{

resubmissionTask.cancel()

context.stop(self)

}

}

}))


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

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

varfinalStage:Stage = null

try{

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

根据job对应的rdd,得到如果parentrddshufflerdd时生成ShuffleMapStage,通过getParentStages函数,

此处去拿到parentrdd时,如果currentrddparentrdd不是shuffle,递归调用parentrdd,

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

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

} catch{

casee:Exception =>

logWarning("Creatingnew stage failed due to exception - job: "+ jobId, e)

listener.jobFailed(e)

returnfalse

}

生成ActiveJob实例。设置numFinished的值为0,表示job中有0个完成的task.

设置所有task个数的arrayfinished.并把所有元素的值设置为false.JobWaiterlistener传入ActiveJob.

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


对已经cache过的TaskLocation进行清理。

clearCacheLocs()

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

"output partitions (allowLocal=" +allowLocal+ ")")

logInfo("Finalstage: " + finalStage+ " ("+ finalStage.name+ ")")

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

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

如果runJob时传入的allowLocal的值为true,同时没有需要shufflerdd,同时partitions的长度为1

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

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

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

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

通过ActiveJob中的func函数来执行job的运行,此函数在rddaction调用时生成定义,

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

完成函数执行后,调用上面提到的生成的JobWaiter.taskSucceeded函数。

runLocally(job)

} else{

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

idToActiveJob(jobId)= job

activeJobs+= job

resultStageToJob(finalStage)= job

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

调用DAGScheduler.submitStage函数。

submitStage(finalStage)

}


7.DAGScheduler.submitStage函数:递归函数调用,

如果stage包含parentstage(shuffle的情况)stage设置为waiting状态,等待parentstage执行完成才进行执行。

privatedefsubmitStage(stage: Stage) {

valjobId =activeJobForStage(stage)

if(jobId.isDefined){

logDebug("submitStage("+ stage + ")")

如果RDDDependencyRDD还没有执行完成,等待Dependency执行完成后当前的RDD才能进行执行操作。

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

根据stagerddDependency,检查是否需要生成新的stage,如果是ShuffleDependency,会生成新的ShuffleMapStage

此处去拿到parentrdd时,如果currentrddparentrdd不是shuffle,递归调用parentrdd,

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

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

logDebug("missing:" + missing)

如果没有RDD中的shuffleDependency,也就是RDD之间都是NarrowDependencyDependency

表示所有的Dependency都在map端本地执行。

if(missing ==Nil) {

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

submitMissingTasks(stage,jobId.get)

running+= stage

} else{

如果RDDDependency,先执行parentrddstage操作。此处是递归函数调用

for(parent <-missing) {

submitStage(parent)

}

waiting+= stage

}

}

}else{

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

}

}


    8.DAGScheduler.submitMissingTask的执行流程:

    privatedefsubmitMissingTasks(stage: Stage, jobId: Int) {

logDebug("submitMissingTasks("+ stage + ")")

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

valmyPending =pendingTasks.getOrElseUpdate(stage,newHashSet)

myPending.clear()

vartasks =ArrayBuffer[Task[_]]()

如果stageshufflerdd,迭代stage下的的所有partition,根据partition与对应的TaskLocation

生成ShuffleMapTask.添加到task列表中。

if(stage.isShuffleMap){

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

vallocs =getPreferredLocs(stage.rdd,p)

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

}

}else{

否则表示stage是非shufflerdd,此是是执行完成后直接返回结果的stage,生成ResultTask实例。

由于是ResultTask,因此需要传入定义的func,也就是如何处理结果返回

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

valjob =resultStageToJob(stage)

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

valpartition =job.partitions(id)

vallocs =getPreferredLocs(stage.rdd,partition)

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

}

}


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

idToActiveJob(stage.jobId).properties

}else{

//thisstage will be assigned to "default" pool

null

}


//must be run listener before possible NotSerializableException

//should be "StageSubmitted" first and then "JobEnded"

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


if(tasks.size> 0) {

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

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

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

//cluster schedulers.

try{

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

} catch{

casee:NotSerializableException =>

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

running-= stage

return

}


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

myPending++= tasks

logDebug("Newpending tasks: " + myPending)

生成TaskSet实例,把stage中要执行的Task列表传入,同时把stage对应的ActiveJob也传入。

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

taskSched.submitTasks(

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

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

}else{

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

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

running-= stage

}

}


9.TaskSchedulerImpl.submitTasks函数流程分析:

通过传入的TaskSet,得到要执行的tasks列表,并生成TaskSetmanager实例,

同时把实例添加到的schedulableBuilder(FIFOSchedulableBuilder/FairSchedulableBuilder)队列中。

关于TaskSetManager实例可参见后面的分析。

overridedefsubmitTasks(taskSet: TaskSet) {

valtasks =taskSet.tasks

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

this.synchronized{

valmanager =newTaskSetManager(this,taskSet, maxTaskFailures)

activeTaskSets(taskSet.id)= manager

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

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

定期检查task的执行消息是否被生成执行。如果task被分配执行,关闭此线程。否则一直给出提示.

if(!isLocal && !hasReceivedTask){

starvationTimer.scheduleAtFixedRate(newTimerTask() {

overridedefrun() {

if(!hasLaunchedTask){

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

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

"andhave sufficient memory")

} else{

this.cancel()

}

}

}, STARVATION_TIMEOUT,STARVATION_TIMEOUT)

}

hasReceivedTask= true

}

通过SchedulerBackend的实现CoarseGrainedSchedulerBackend.reviceOffers发起执行处理操作。

backend.reviveOffers()

}


9.1TaskSetManager的实例生成:

private[spark]classTaskSetManager(

sched: TaskSchedulerImpl,

valtaskSet:TaskSet,

valmaxTaskFailures:Int,

clock: Clock = SystemClock)

extendsSchedulablewithLogging

...........................

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

addPendingTask(i)

}

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


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

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

内部定义的addTo方法。

defaddTo(list:ArrayBuffer[Int]) {

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

list += index

}

}


varhadAliveLocations= false

迭代所有的要执行的task,并通过taskTaskLocation检查执行的节点级别。添加到相应的pendingTask容器中

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

for(execId <-loc.executorId){

检查TaskSchedulerImpl.activeExecutorIds的活动的workerexecutor是否存在,

如果是第一个执行的RDD时,此时activeExecutorIds容器的的值为空,当第一个RDD中有TASK在此executor中执行过后,

会把executorid添加到activeExecutorIds容器中。

第一个RDDstage执行时,此部分不执行,但第二个stage执行时,可最大可能的保证taskPROCESS_LOCAL的执行。

if(sched.isExecutorAlive(execId)){

addTo(pendingTasksForExecutor.getOrElseUpdate(execId,newArrayBuffer))

hadAliveLocations= true

}

}

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


如果在TaskSchedulerImplexecutorsByHost容器中包含此host,pendingTasksForHost中添加对应的task.

TaskSchedulerImpl.executorsByHost容器的值在每一个worker注册时

通过向CoarseGrainedSchedulerBackend.DriverActor发送RegisterExecutor事件消息。

通过makeOffers()-->TaskSchedulerImpl.resourceOffershost添加到executorsByHost容器中。


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


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

并在rackpending容器中添加对应的task个数和。


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

addTo(pendingTasksForRack.getOrElseUpdate(rack,newArrayBuffer))

}

hadAliveLocations= true

}

}

如果上面两种情况都没有添加到容器中pendingTasksWithNoPrefs

if(!hadAliveLocations){

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

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

addTo(pendingTasksWithNoPrefs)

}

TaskSetManager实例生成是,把所有task的个数都添加到allPendingTasks容器中

if(!readding) {

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

}

}


.............................

得到可选择的LocalityLevel级别。

valmyLocalityLevels= computeValidLocalityLevels()

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

以下代码是computeValidLocalityLevels的定义,主要根据各种localitypending的容器中是否有值。

生成当前stage中的task执行可选择的Locality级别。

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

importTaskLocality.{PROCESS_LOCAL,NODE_LOCAL,RACK_LOCAL,ANY}

vallevels =newArrayBuffer[TaskLocality.TaskLocality]

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

levels+= PROCESS_LOCAL

}

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

levels+= NODE_LOCAL

}

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

levels+= RACK_LOCAL

}

levels+= ANY

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

levels.toArray

}

}

以下代码是getLocalityWait的定义代码:此函数主要是定义每一个Task在此Locality级别中执行的等待时间。

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

如果超过表示需要放大Locality的查找级别。

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

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

level match{

caseTaskLocality.PROCESS_LOCAL=>

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

caseTaskLocality.NODE_LOCAL=>

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

caseTaskLocality.RACK_LOCAL=>

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

caseTaskLocality.ANY=>

0L

}

}


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

SchedulerBackend的实现为CoarseGrainedSchedulerBackend

overridedefreviveOffers() {

driverActor! ReviveOffers

}

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

caseReviveOffers =>

makeOffers()

................

defmakeOffers() {

见下面的launchTasksresourceOffers函数

launchTasks(scheduler.resourceOffers(

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

}

调用TaskSchedulerImpl.resourceOffers并传入注册的workerexecutoridhostkvarray.


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

SparkEnv.set(sc.env)


//Mark each slave as alive and remember its hostname

for(o <-offers) {

executorIdToHost(o.executorId)= o.host

此部分主要是在worker注册时executorsByHost中还不存在时会执行,

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

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

executorGained(o.executorId,o.host)

}

}

offers表示有多少个注册的workerexecutor,根据每一个worker中可能的cpucore个数生成可执行的task个数。

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

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

可分配的cpu个数,由此处可以看出每一个任务分配时最好按每个worker能分配的最大cpucore个数来分配。

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

得到队列中的所有的TaskSetManager列表。

valsortedTaskSets= rootPool.getSortedTaskSetQueue()

for(taskSet <-sortedTaskSets){

logDebug("parentName:%s, name: %s, runningTasks: %s".format(

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

}


计算taskLocality级别,launchedTask=false表示需要放大Locality的级别。

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

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

varlaunchedTask= false

计算taskLocality,此处是一个for的迭代调用,先从taskset列表中拿出一个tasetset,

子迭代是从PROCESS_LOCAL开始迭代locality的级别。

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

do{

launchedTask= false

迭代调用每一个worker的值,从每一个worker中在taskset中选择task的执行级别,生成TaskDescription

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

得到迭代出的workerexecutoridhost

valexecId =offers(i).executorId

valhost =offers(i).host

通过TaskSetManager.resourceOffer选择一个执行级别,通过此函数选择Locality级别时,

不能超过传入的maxLocality,每次生成一个task,


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


每次生成一个task,把生成的task添加到上面的tasks列表中。


tasks(i)+= task

valtid =task.taskId

taskIdToTaskSetId(tid)= taskSet.taskSet.id

taskSetTaskIds(taskSet.taskSet.id)+= tid

taskIdToExecutorId(tid)= execId


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

第二个stagesubmitTasks时,生成TaskSetManager时,会根据的activeExecutorIds值,

pendingTasksForExecutor中生成等执行的PROCESS_LOCALpendingtasks.


activeExecutorIds+= execId


executor对应的host记录到executorsByHost容器中。


executorsByHost(host)+= execId


当前worker中可用的cpucore的值需要减去一,这样能充分保证一个cpucore执行一个task


availableCpus(i) -= 1

这个值用来检查是否在当前的Locality级别中接着执行其它的task的分配,

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

launchedTask= true

}

}

} while(launchedTask)

}


if(tasks.size> 0) {

设置hasLaunchedTask的值为true,表示task的执行分配完成,在上面提到过的检查线程中对线程执行停止操作。

hasLaunchedTask= true

}

returntasks

}



10.1TaskSetManager.resourceOffer流程分析


defresourceOffer(

execId: String,

host:String,

availableCpus: Int,

maxLocality:TaskLocality.TaskLocality)

:Option[TaskDescription] =

{

如果完成的task个数小于要生成的总task个数,同时当前cpu可用的core个数和大于或等于一个配置的,默认1

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

valcurTime =clock.getTime()

通过现在执行task分配的时间减去上一次并从currentLocalityIndex的下标开始,

取出locality对应的task分配等待时间,如果时间超过了此配置,把下标值加一,

找到下一个locality的配置时间,按这方式找,直到找到ANY的值,具体可见下面的此方法说明

varallowedLocality= getAllowedLocalityLevel(curTime)

如果通过的locality的级别超过了传入的最大locality级别,把级别设置为传入的最大级别

if(allowedLocality> maxLocality) {

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

}

findTask主要是从对应的pending的列表中根据对应的Locality拿到对应的task的下标,在TaskSet.tasks中的下标。

findTask(execId, host,allowedLocality)match{

caseSome((index,taskLocality))=> {

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

valtask =tasks(index)

valtaskId =sched.newTaskId()

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

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

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

//Do various bookkeeping

copiesRunning(index) += 1

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

taskInfos(taskId)= info

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

把分配此tasklocality级别拿到对应的下标,并重新设置下标的值。

//Update our locality level for delay scheduling

currentLocalityIndex= getLocalityIndex(taskLocality)

把这次的task的分配时间设置成最后一次分配时间。

lastLaunchTime= curTime

//Serialize and return the task

valstartTime =clock.getTime()

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

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

valserializedTask= Task.serializeWithDependencies(

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

valtimeTaken =clock.getTime() - startTime

addRunningTask(taskId)

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

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

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

如果是第一次执行,通过DAGScheduler.taskStarted发送BeginEvent事件。

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

taskStarted(task,info)

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

}

case_ =>

}

}

None

}

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

locality的级别向上移动一级,并重新比对时间,拿到不超时的locality级别或ANY的级别。

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

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

currentLocalityIndex< myLocalityLevels.length- 1)

{

下标值加一,也就是把当前的Locality的级别向上放大一级。

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

//we don‘t want to count it again on the next one

lastLaunchTime+= localityWaits(currentLocalityIndex)

currentLocalityIndex+= 1

}

myLocalityLevels(currentLocalityIndex)

}


DAGScheduler中处理BeginEvent事件:

caseBeginEvent(task,taskInfo)=>

for(

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

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

stageInfo<- stageToInfos.get(stage)

) {

if(taskInfo.serializedSize> TASK_SIZE_TO_WARN* 1024 &&

!stageInfo.emittedTaskSizeWarning){

stageInfo.emittedTaskSizeWarning= true

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

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

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

}

}

listenerBus.post(SparkListenerTaskStart(task,taskInfo))


    11.CoarseGrainedSchedulerBackend.launchTasks流程

执行task的执行,发送LaunchTask事件处理消息

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

for(task <-tasks.flatten) {

freeCores(task.executorId) -= 1

根据worker注册时的actor,向此actor发送LaunchTask事件。

executorActor(task.executorId)! LaunchTask(task)

}

}


12.启动task,由于是onyarn的模式,workeractorCoarseGrainedExecutorBackend.

处理代码如下:

caseLaunchTask(taskDesc)=>

logInfo("Gotassigned task " + taskDesc.taskId)

if(executor== null){

logError("ReceivedLaunchTask command but executor was null")

System.exit(1)

} else{

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

}

.............................

通过Executor启动task的执行。

其它actor的消息处理与task的具体执行与shuffle后面分析,这里先不做细的说明。


吐槽一把scala,这玩意编写代码是方便,但看起来有点麻烦呀。

Spark中的Scheduler,布布扣,bubuko.com

Spark中的Scheduler

标签:源代码   分布式   spark   

原文地址:http://blog.csdn.net/u014393917/article/details/24934715

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!