Spark分析之DAGScheduler

DAGScheduler概述：是一个面向Stage层面的调度器；

主要入参有：

dagScheduler.runJob(rdd, cleanedFunc, partitions, callSite, allowLocal,resultHandler, localProperties.get)

rdd： final RDD；

cleanedFunc： 计算每个分区的函数；

resultHander： 结果侦听器；

主要功能如下：

1、接收用户提交的job;

2、将job根据类型划分为不同的stage，记录哪些RDD、Stage被物化，并在每一个stage内产生一系列的task，并封装成TaskSet；

3、决定每个Task的最佳位置(任务在数据所在的节点上运行)，并结合当前的缓存情况；将TaskSet提交给TaskScheduler;

4、重新提交Shuffle输出丢失的Stage给TaskScheduler；

　　注：一个Stage内部的错误不是由shuffle输出丢失造成的，DAGScheduler是不管的，由TaskScheduler负责尝试重新提交task执行；

以如下示例描述Job提交过程：

val sc = new SparkContext("local[2]", "WordCount", System.getenv("SPARK_HOME"), Seq(System.getenv("SPARK_TEST_JAR")))
val textFile = sc.textFile("xxx")
val result = textFile.flatMap(line => line.split("	")).map(word => (word, 1)).reduceByKey(_ + _)
result.collect

RDD.collect

　　==>sc.runJob                  #####至此完成了将RDD提交DAGScheduler#####

　　　　val results = new Array[U](partitions.size) //result存放的是返回值，数组大小为最后一个RDD的partition的个数

　　　　==>dagScheduler.runJob(rdd, func, partitions, resultHandler......)     //DAGScheduler的输入：RDD and partitions to compute

　　　　　　==>dagScheduler.submitJob

　　　　　　　　==>eventProcessActor ! JobSubmitted

def receive = {
    case JobSubmitted(jobId, rdd, func, partitions, allowLocal...) =>
      dagScheduler.handleJobSubmitted(jobId, rdd, func, partitions, allowLocal...)
}


//完成job到stage的转换，生成finalStage并提交
private[scheduler] def handleJobSubmitted(jobId: Int,
      finalRDD: RDD[_],
      func: (TaskContext, Iterator[_]) => _,
      partitions: Array[Int],
      allowLocal: Boolean...){
     //注意：该RDD是final RDD，而不是一系列的RDD，用finalRDD来创建finalStage
     //newStage操作对应会生成新的result stage或者shuffle stage：内部有一个isShuffleMap变量来标识该stage是shuffle or result
     var finalStage: Stage = newStage(rdd, partitions.size, None, jobId, Some(callSite))
 
    //使用finalStage来构建job
    val job = new ActiveJob(jobId, finalStage, func, partitions, callSite, listener, properties)

    //对于简单的job，没有依赖关系并且只有一个partition，该类job会使用local thread处理而并非提交到TaskScheduler上处理
    if (allowLocal && finalStage.parents.size == 0 && partitions.length == 1) {
        runLocally(job)
    } else {
        submitStage(finalStage) //提交finalStage
    }
}

handleJobSubmitted方法完成了job到stage的转换，生成finalStage；每个job都有一个finalStage。

newStage()方法分析：根据finalRDD生成finalStage

private def newStage(
      rdd: RDD[_],  numTasks: Int,     //task个数就是partitions个数
      shuffleDep: Option[ShuffleDependency[_,_]],
      jobId: Int, callSite: Option[String] = None) : Stage = {
    val id = nextStageId.getAndIncrement() 
    val stage = new Stage(id, rdd, numTasks, shuffleDep, getParentStages(rdd, jobId), jobId, callSite)
   ......
}


private def getParentStages(rdd: RDD[_], jobId: Int): List[Stage] = {
    val parents = new HashSet[Stage]
    val visited = new HashSet[RDD[_]]
    def visit(r: RDD[_]) {
      if (!visited(r)) {
        visited += r
        for (dep <- r.dependencies) {
          dep match {
            case shufDep: ShuffleDependency[_,_] =>
              parents += getShuffleMapStage(shufDep, jobId)
            case _ =>
              visit(dep.rdd)
          }
        }
      }
    }
    visit(rdd)
    parents.toList
}

private def getShuffleMapStage(shuffleDep: ShuffleDependency[_,_], jobId: Int): Stage = {
    shuffleToMapStage.get(shuffleDep.shuffleId) match {
      case Some(stage) => stage
      case None =>
        val stage =
          newOrUsedStage(shuffleDep.rdd, shuffleDep.rdd.partitions.size, shuffleDep, jobId)
        shuffleToMapStage(shuffleDep.shuffleId) = stage
        stage
    }

newStage()后产生的finalStage中已经包含了该stage的所有依赖的父Stage；

通过getParentStages()方法构建该stage的依赖关系；反向visit RDD DAG图，遇到窄依赖就将依赖的RDD加入到stage，遇到宽依赖就切开并递归宽依赖的stage；

生成stage实例，stage的id通过nextStageId的值加一得到，task的个数就是partitions的个数；

有两种类型的Stage：ShuffleStage和ResultStage；

Stage内部有一个isShuffleMap变量标识该Stage是shuffle还是result类型；

Spark对stage的划分是按照宽依赖来进行区分的：根据RDD的依赖关系，如果遇到宽依赖则创建ShuffleStage；

submitStage()方法分析：计算stage之间的依赖关系(Stage DAG)并对依赖关系进行处理

private def submitStage(stage: Stage) { 
 if (!waiting(stage) && !running(stage) && !failed(stage)) {
  val missing = getMissingParentStages(stage).sortBy(_.id)  //根据final stage发现是否有parent stage
  if (missing == Nil) { // 如果计算中发现当前的stage没有任何依赖或者所有的依赖都已经准备完毕，则提交task
   submitMissingTasks(stage, jobId.get)
   running += stage //设置当前的stage为running，因为当前的stage没有未处理完的依赖的stage
  } else { //如果有parent stage,需要先submit parent, 因为stage之间需要顺序执行
   for (parent <- missing) {
    submitStage(parent)
   }
   waiting += stage   //当前stage放入到waiting列表中，表示该stage需要等待parent先执行完成
  }
 }
}

//根据final stage的parents找出所有的parent stage
private def getMissingParentStages(stage: Stage): List[Stage] = { 
 ......
 dep match {
  //如果是ShuffleDependency，则新建一个shuffle map stage，且该stage是可用的话则加入missing中
  case shufDep: ShuffleDependency[_,_] =>  //ShuffleDependecy
   val mapStage = getShuffleMapStage(shufDep, stage.jobId)
   if (!mapStage.isAvailable) {
    missing += mapStage
   }
  case narrowDep: NarrowDependency[_] =>  //NarrowDependecy
   visit(narrowDep.rdd)
 }
}

getMissParentStages(stage)处理步骤：

1、根据该stage得到该stage的parent，也就是RDD的依赖关系，生成parentStage是通过RDD的dependencies；

2、如果依赖关系是宽依赖，则生成一个mapStage来作为finalStage的parent；也就是说对于需要shuffle操作的job，会生成mapStage和finalStage进行处理

3、如果依赖关系是窄依赖，不会生成新的stage。也就是说对于不需要shuffle的job只需要一个finalStage；

注意：getMissParentStages(stage)得到的结果集是按照stageid的降序排列的

submitStage()处理步骤：

1、计算该stage的getMissParentStages()，如果当前stage没有任何依赖或者所有的依赖都已执行完，则提交该stage；

2、如果发现该stage有依赖的stage未执行，则先执行完所有依赖的父stage（根据getMissParentStages()方法得到的结果集降序来执行stage）；

submitMissingTasks()方法分析：把stage根据parition拆分成task（决定每个Task的最佳位置）生成TaskSet，并提交到TaskScheduler

private def submitMissingTasks(stage: Stage, jobId: Int) {
 //首先根据stage所依赖的RDD的partition的分布，会产生出与partition数量相等的task
 var tasks = ArrayBuffer[Task[_]]()

 //对于finalStage或是mapStage会产生不同的task。
 //检查该stage时是否ShuffleMap，如果是则生成ShuffleMapTask
 if (stage.isShuffleMap) { //mapStage：表示还有其他stage依赖此stage
  for (p <- 0 until stage.numPartitions if stage.outputLocs(p) == Nil) {
   //task根据partition的locality进行分布
   val locs = getPreferredLocs(stage.rdd, p)
   tasks += new ShuffleMapTask(stage.id, stage.rdd, stage.shuffleDep.get, p, locs)
  }
 } else { //finalStage：该类型stage直接输出结果生成ResultTask
  val job = resultStageToJob(stage)
  for (id <- 0 until job.numPartitions if !job.finished(id)) {
   val partition = job.partitions(id)
   val locs = getPreferredLocs(stage.rdd, partition)
   //由于是ResultTask，因此需要传入定义的func，也就是如果处理结果返回
   tasks += new ResultTask(stage.id, stage.rdd, job.func, partition, locs, id)
  }
 }
 //向TaskSchuduler提交任务，以stage为单位，一个stage对应一个TaskSet
 taskSched.submitTasks(new TaskSet(tasks.toArray, stage.id, stage.newAttemptId(), stage.jobId, properties))
}

 submitMissingTask()方法的处理步骤：

1、通过stage.isShuffleMap来决定生成的是ShuffleMapTask还是ResultTask；

2、如果是ShuffleMapTask则根据stage所依赖的RDD的partition分布，产生和partition数量相同的task，这些task根据partition的locality进行分布’

3、把stage对应生成所有的task封装到一个TaskSet中，提交给TaskScheduler的submitTasks()方法进行调度；

重新提交shuffle输出丢失的stage

case ResubmitFailedStages =>
      dagScheduler.resubmitFailedStages()

private[scheduler] def resubmitFailedStages() {
    if (failedStages.size > 0) {
      logInfo("Resubmitting failed stages")
      clearCacheLocs()
      val failedStagesCopy = failedStages.toArray
      failedStages.clear()
      for (stage <- failedStagesCopy.sortBy(_.jobId)) {
        submitStage(stage)
      }
    }
    submitWaitingStages()
}

####至此完成了DAGScheduler提交TaskSet到TaskSchuduler#####

Job的生成：

一旦driver程序中出现action，就会生成一个job，比如：count等，向DAGScheduler提交job；如果driver程序后面还有action，那么其他action也会对应生成相应的job；

所以：driver有多少个action就会生成多少个job。为什么spark将driver程序称为application而不是job的原因，估计就是这吧。

每一个job可能会包含多个stage，最后一个stage产生result。在提交job过程中，DAGScheduler会首先划分stage，然后先提交无parent stage的stages，并在提交过程中计算该stage的task数目和类型，并提交具体的task；无parent stage的stage提交完后，依赖该stage的stage才能提交。