TaskScheduler可以看做任务调度的客户端，负责任务的提交，并且请求集群管理器对任务调度。TaskScheduler的类UML图如下，针对不同部署方式会有不同的TaskScheduler与SchedulerBackend进行组合。TaskScheduler类负责任务调度资源的分配，SchedulerBackend负责与Driver、Executor通信收集Executor上分配给该应用的资源使用情况。常见的任务调度模式有以下四种：
- Local模式：TaskSchedulerImpl LocalBackend
- Standalone模式：TaskSchedulerImpl StandaloneSchedulerBackend
- Yarn-Cluster模式：YarnClusterScheduler YarnClusterSchedulerBackend
- Yarn-Client模式：YarnScheduler YarnClientSchedulerBackend
下面以最常用的Yarn-Cluster模式为例，从以下四个步骤来分析源码实现方式：
- TaskScheduler的创建；
- Task的提交；
TaskScheduler的创建
TaskScheduler是在SparkContext中定义并启动的：
代码语言：javascript复制 // We need to register "HeartbeatReceiver" before "createTaskScheduler" because Executor will
// retrieve "HeartbeatReceiver" in the constructor. (SPARK-6640)
// 需要在createTaskScheduler调用前注册HeartbeatReceiver，因为Executor在构造时就要检索HeartbeatReceiver消息
_heartbeatReceiver = env.rpcEnv.setupEndpoint(
HeartbeatReceiver.ENDPOINT_NAME, new HeartbeatReceiver(this))
// master是"spark.master"参数的值，deployMode是"spark.submit.deployMode"参数的值
// Create and start the scheduler
// 创建task scheduler，返回(backend, scheduler)的Tuple
val (sched, ts) = SparkContext.createTaskScheduler(this, master, deployMode)
_schedulerBackend = sched
_taskScheduler = ts
// DAGScheduler中保存有taskScheduler的引用，同样构造DAGScheduler时也将自身引用设置到taskScheduler中
_dagScheduler = new DAGScheduler(this)
// 向HeartbeatReceiver发送一条SparkContext.taskScheduler已经创建好的消息
_heartbeatReceiver.ask[Boolean](TaskSchedulerIsSet)
// start TaskScheduler after taskScheduler sets DAGScheduler reference in DAGScheduler's
// constructor
// 在DAGScheduler的构造器中将自身的引用设置到taskScheduler里之后，启动TaskScheduler，
// 方法中同时也会调用backend.start方法启动backend
_taskScheduler.start()TaskScheduler的构建
createTaskScheduler方法会根据master参数匹配部署模式，创建TaskSchedulerImpl，并生成不同的SchedulerBackend（Yarn-Cluster模式：YarnClusterScheduler YarnClusterSchedulerBackend）。
代码语言：javascript复制 master match {
case masterUrl =>
val cm = getClusterManager(masterUrl) match {
case Some(clusterMgr) => clusterMgr
case None => throw new SparkException("Could not parse Master URL: '" master "'")
}
try {
// 利用集群管理器创建TaskScheduler
val scheduler = cm.createTaskScheduler(sc, masterUrl)
// 利用集群管理器创建SchedulerBackend，并且将scheduler的引用传入
val backend = cm.createSchedulerBackend(sc, masterUrl, scheduler)
// 内部调用TaskSchedulerImpl.initialize方法将backend引用设置到scheduler中，
// 并根据schedulingMode创建调度管理器FIFOScheduler或者FairScheduler
cm.initialize(scheduler, backend)
(backend, scheduler)
} catch {
case se: SparkException => throw se
case NonFatal(e) =>
throw new SparkException("External scheduler cannot be instantiated", e)
}
...
}YarnClusterScheduler和YarnScheduler类构造过程为空，TaskScheduler的构造过程全部在TaskSchedulerImpl中。
代码语言：javascript复制 // Listener object to pass upcalls into
// DAGScheduler的引用，在DAGSchedulers构造过程中会将自身引用设置到这里
var dagScheduler: DAGScheduler = null
// SchedulerBackend的引用，在initialize方法时会进行设置
var backend: SchedulerBackend = null
// 保留MapOutputTrackerMaster的引用，driver中存储map输出结果位置的结构
val mapOutputTracker = SparkEnv.get.mapOutputTracker.asInstanceOf[MapOutputTrackerMaster]
// 调度器，在initialize方法中根据schedulingMode创建FIFO或者FAIR调度器，默认为FIFO
private var schedulableBuilder: SchedulableBuilder = null
// default scheduler is FIFO
private val schedulingModeConf = conf.get(SCHEDULER_MODE_PROPERTY, SchedulingMode.FIFO.toString)
val schedulingMode: SchedulingMode =
try {
SchedulingMode.withName(schedulingModeConf.toUpperCase(Locale.ROOT))
} catch {
case e: java.util.NoSuchElementException =>
throw new SparkException(s"Unrecognized $SCHEDULER_MODE_PROPERTY: $schedulingModeConf")
}
// 表示资源池或者任务集管理器的可调度实体
val rootPool: Pool = new Pool("", schedulingMode, 0, 0)
// This is a var so that we can reset it for testing purposes.
// Runs a thread pool that deserializes and remotely fetches (if necessary) task results.
// 创建TaskResultGetter，利用线程池远程接收并反序列化Worker上的Executor发送的Task的执行结果
// 线程池利用Executors.newFixedThreadPool创建的，默认4个线程，线程名字以task-result-getter开头，
// 可通过spark.resultGetter.threads参数修改
private[spark] var taskResultGetter = new TaskResultGetter(sc.env, this)TaskScheduler的初始化
创建完TaskScheduler和SchedulerBackend后，调用YarnClusterManager的initialize方法对其进行初始化，而其实际是调用TaskSchedulerImpl的initialize方法。以默认的FIFO调度为例，TaskSchedulerImpl的初始化过程如下：
设置SchedulerBackend引用。
根据schedulingMode配置来创建FIFOSchedulableBuilder或FairSchedulableBuilder，用来操作Pool中的调度队列。
创建Pool，Pool中缓存了调度队列、调度算法及TaskSetManager集合等信息。
代码语言：javascript复制 def initialize(backend: SchedulerBackend) {
this.backend = backend
schedulableBuilder = {
schedulingMode match {
case SchedulingMode.FIFO =>
new FIFOSchedulableBuilder(rootPool)
case SchedulingMode.FAIR =>
new FairSchedulableBuilder(rootPool, conf)
case _ =>
throw new IllegalArgumentException(s"Unsupported $SCHEDULER_MODE_PROPERTY: "
s"$schedulingMode")
}
}
schedulableBuilder.buildPools()
}TaskScheduler的启动
调用TaskScheduler#start方法来启动scheduler，实际调用TaskSchedulerImpl#start方法。
代码语言：javascript复制 override def start() {
// 启动SchedulerBackend，
backend.start()
// 如果不是本地模式且任务并发执行开关打开，则启动一个指定延时后周期调度执行的线程来执行并发任务
// 后台启动一个线程检查符合speculation条件的task
if (!isLocal && conf.getBoolean("spark.speculation", false)) {
logInfo("Starting speculative execution thread")
speculationScheduler.scheduleWithFixedDelay(new Runnable {
override def run(): Unit = Utils.tryOrStopSparkContext(sc) {
checkSpeculatableTasks()
}
}, SPECULATION_INTERVAL_MS, SPECULATION_INTERVAL_MS, TimeUnit.MILLISECONDS)
}
}TaskScheduler与SchedulerBackend的相互引用，TaskScheduler与DAGScheduler相互引用，具体实现的过程如下：
Task的提交
spark任务的操作分为两大类：transformation和action，而只有action操作才会触发真正的job执行。查看源码可以发现所有action操作实际是调用SparkContext.runJob来进行任务的提交，下面是以rdd的collect操作为例展示任务提交的整个调用过程：
DAGScheduler将Stage打包成TaskSet交给TaskScheduler，TaskScheduler会将其封装为TaskSetManager加入到调度队列中（TaskSetManager负责监控管理同一个Stage中的Tasks，TaskScheduler就是以TaskSetManager为单元来调度任务）。TaskScheduler初始化后会启动SchedulerBackend，它负责跟外界打交道，接收Executor的注册信息，并维护Executor的状态。SchedulerBackend在启动后会定期地询问TaskScheduler有没有任务要运行，TaskScheduler会从调度队列中按照指定的调度策略选择TaskSetManager去调度运行，Task提交流程如下图所示。
DAGScheduler将Stage打包成TaskSet交给TaskScheduler，TaskScheduler调用submitTasks方法进行任务调度。
代码语言：javascript复制 // TaskSchedulerImpl.scala
override def submitTasks(taskSet: TaskSet) {
val tasks = taskSet.tasks
// 同步代码块
this.synchronized {
// 创建TaskSet管理器，对同一个TaskSet中的任务进行调度，跟踪每个task的状态，
// 如果失败则重试（最大重试次数maxTaskFailures可通过spark.task.maxFailures设置，默认为4）
// 通过延迟调度的方式为该TaskSet处理位置感知的调度
val manager = createTaskSetManager(taskSet, maxTaskFailures)
val stage = taskSet.stageId
// 获取stageId对应<stageAttemptId, TaskSetManager>
val stageTaskSets =
taskSetsByStageIdAndAttempt.getOrElseUpdate(stage, new HashMap[Int, TaskSetManager])
// 更新stageAttemptId对应的TaskSetManager关系
stageTaskSets(taskSet.stageAttemptId) = manager
// 检测冲突，如果同一stageAttemptId对应多个taskSet且当前这个TaskSetManager是僵尸进程，则抛出异常
val conflictingTaskSet = stageTaskSets.exists { case (_, ts) =>
ts.taskSet != taskSet && !ts.isZombie
}
if (conflictingTaskSet) {
throw new IllegalStateException(s"more than one active taskSet for stage $stage:"
s" ${stageTaskSets.toSeq.map{_._2.taskSet.id}.mkString(",")}")
}
// 将当前TaskSetManager提交到调度器的调度池Pool中
schedulableBuilder.addTaskSetManager(manager, manager.taskSet.properties)
if (!isLocal && !hasReceivedTask) {
starvationTimer.scheduleAtFixedRate(new TimerTask() {
override def run() {
if (!hasLaunchedTask) {
logWarning("Initial job has not accepted any resources; "
"check your cluster UI to ensure that workers are registered "
"and have sufficient resources")
} else {
this.cancel()
}
}
}, STARVATION_TIMEOUT_MS, STARVATION_TIMEOUT_MS)
}
hasReceivedTask = true
}
// 向SchedulerBackend申请资源
backend.reviveOffers()
}通过RpcEnv发送一个请求资源的消息后，CoarseGrainedSchedulerBackend的receive方法则会接收分配到的资源。在该方法中，由于接收到的是ReviveOffers，会调用makeOffers方法开始分配资源。
代码语言：javascript复制 override def receive: PartialFunction[Any, Unit] = {
case ReviveOffers =>
// 分配资源
makeOffers()
...
}为所有executors提供资源分配：CoarseGrainedSchedulerBackend#makeOffers。
代码语言：javascript复制 private def makeOffers() {
// Make sure no executor is killed while some task is launching on it
// 使用同步块，保证在executor上分配任务时executor不会被kill掉
val taskDescs = CoarseGrainedSchedulerBackend.this.synchronized {
// Filter out executors under killing
// 过滤掉正在被kill的executor，得到所有可用的executors
val activeExecutors = executorDataMap.filterKeys(executorIsAlive)
val workOffers = activeExecutors.map { case (id, executorData) =>
new WorkerOffer(id, executorData.executorHost, executorData.freeCores)
}.toIndexedSeq
// 根据优先级，为task分配Executor上的资源
scheduler.resourceOffers(workOffers)
}
if (!taskDescs.isEmpty) {
// 将分配的任务发送到相应的Executor上去执行
launchTasks(taskDescs)
}
} 根据优先级，为task分配Executor上的资源：TaskSchedulerImpl#resourceOffers。
代码语言：javascript复制 /**
* Called by cluster manager to offer resources on slaves. We respond by asking our active task
* sets for tasks in order of priority. We fill each node with tasks in a round-robin manner so
* that tasks are balanced across the cluster.
* 由cluster manager来调用，为task分配slave节点上的资源
* 根据优先级为task分配资源
* 采用round-robin方式使task均匀分布到集群的各个节点上
*/
def resourceOffers(offers: IndexedSeq[WorkerOffer]): Seq[Seq[TaskDescription]] = synchronized {
// Mark each slave as alive and remember its hostname
// Also track if new executor is added
// 标记每个salve为活跃，并保存它的hostname
// 如果有新executor加入同样也进行跟踪标记
var newExecAvail = false
for (o <- offers) {
if (!hostToExecutors.contains(o.host)) {
hostToExecutors(o.host) = new HashSet[String]()
}
if (!executorIdToRunningTaskIds.contains(o.executorId)) {
hostToExecutors(o.host) = o.executorId
executorAdded(o.executorId, o.host)
executorIdToHost(o.executorId) = o.host
executorIdToRunningTaskIds(o.executorId) = HashSet[Long]()
newExecAvail = true
}
for (rack <- getRackForHost(o.host)) {
hostsByRack.getOrElseUpdate(rack, new HashSet[String]()) = o.host
}
}
// Before making any offers, remove any nodes from the blacklist whose blacklist has expired. Do
// this here to avoid a separate thread and added synchronization overhead, and also because
// updating the blacklist is only relevant when task offers are being made.
// 在做任何分配之前，请从已过期的黑名单中删除黑名单的任何节点
// 此操作是为了避免单独的线程和增加的同步开销，还因为只有在提出任务时更新黑名单才有意义
blacklistTrackerOpt.foreach(_.applyBlacklistTimeout())
val filteredOffers = blacklistTrackerOpt.map { blacklistTracker =>
offers.filter { offer =>
!blacklistTracker.isNodeBlacklisted(offer.host) &&
!blacklistTracker.isExecutorBlacklisted(offer.executorId)
}
}.getOrElse(offers)
// 为避免多个Task集中分配到某些机器上，对这些Task进行随机打散
val shuffledOffers = shuffleOffers(filteredOffers)
// Build a list of tasks to assign to each worker.
// 构建要分配给每个Worker的Task列表
val tasks = shuffledOffers.map(o => new ArrayBuffer[TaskDescription](o.cores))
val availableCpus = shuffledOffers.map(o => o.cores).toArray
// 从调度池中获取排好序的TaskSetManager，由调度池确定TaskSet的执行优先级顺序
val sortedTaskSets = rootPool.getSortedTaskSetQueue
for (taskSet <- sortedTaskSets) {
logDebug("parentName: %s, name: %s, runningTasks: %s".format(
taskSet.parent.name, taskSet.name, taskSet.runningTasks))
// 如果该executor是新分配来的，则重新计算TaskSetManager的就近原则
if (newExecAvail) {
taskSet.executorAdded()
}
}
// Take each TaskSet in our scheduling order, and then offer it each node in increasing order
// of locality levels so that it gets a chance to launch local tasks on all of them.
// NOTE: the preferredLocality order: PROCESS_LOCAL, NODE_LOCAL, NO_PREF, RACK_LOCAL, ANY
// 以我们的调度顺序执行每个TaskSet，然后按照升序的本地性级别为每个节点分配资源，
// 以便有机会在所有节点上启动本地任务
// 本地性优先级顺序：PROCESS_LOCAL, NODE_LOCAL, NO_PREF, RACK_LOCAL, ANY
for (taskSet <- sortedTaskSets) {
var launchedAnyTask = false
var launchedTaskAtCurrentMaxLocality = false
for (currentMaxLocality <- taskSet.myLocalityLevels) {
do {
// 在分配的executor资源上，执行TaskSet中包含的所有task
launchedTaskAtCurrentMaxLocality = resourceOfferSingleTaskSet(
taskSet, currentMaxLocality, shuffledOffers, availableCpus, tasks)
launchedAnyTask |= launchedTaskAtCurrentMaxLocality
} while (launchedTaskAtCurrentMaxLocality)
}
if (!launchedAnyTask) {
taskSet.abortIfCompletelyBlacklisted(hostToExecutors)
}
}
if (tasks.size > 0) {
hasLaunchedTask = true
}
return tasks
}参考文章
- http://www.cnblogs.com/tovin/p/3879151.html
- http://sharkdtu.com/posts/spark-scheduler.html
- https://blog.csdn.net/dabokele/article/details/51932102
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/183135.html原文链接：https://javaforall.cn
