Spark技术内幕：Stage划分及提交源码分析

当触发一个RDD的action后，以count为例，调用关系如下：

1. org.apache.spark.rdd.RDD#count

2. org.apache.spark.SparkContext#runJob

3. org.apache.spark.scheduler.DAGScheduler#runJob

4. org.apache.spark.scheduler.DAGScheduler#submitJob

5. org.apache.spark.scheduler.DAGSchedulerEventProcessActor#receive（JobSubmitted）

6. org.apache.spark.scheduler.DAGScheduler#handleJobSubmitted

其 中步骤五的DAGSchedulerEventProcessActor是DAGScheduler 的与外部交互的接口代理，DAGScheduler在创建时会创建名字为eventProcessActor的actor。这个actor的作用看它的实 现就一目了然了：

[java] view plaincopy

1. /** 

2.  * The main event loop of the DAG scheduler. 

3.  */  

4. def receive = {  

5.   case JobSubmitted(jobId, rdd, func, partitions, allowLocal, callSite, listener, properties) =>  

6.     dagScheduler.handleJobSubmitted(jobId, rdd, func, partitions, allowLocal, callSite,  

7.       listener, properties) // 提交job，来自与RDD->SparkContext->DAGScheduler的消息。之所以在这需要在这里中转一下，是为了模块功能的一致性。  

8.   

9.   case StageCancelled(stageId) => // 消息源org.apache.spark.ui.jobs.JobProgressTab，在GUI上显示一个SparkContext的Job的执行状态。  

10.     // 用户可以cancel一个Stage，会通过SparkContext->DAGScheduler 传递到这里。  

11.     dagScheduler.handleStageCancellation(stageId)  

12.   

13.   case JobCancelled(jobId) => // 来自于org.apache.spark.scheduler.JobWaiter的消息。取消一个Job  

14.     dagScheduler.handleJobCancellation(jobId)  

15.   

16.   case JobGroupCancelled(groupId) => // 取消整个Job Group  

17.     dagScheduler.handleJobGroupCancelled(groupId)  

18.   

19.   case AllJobsCancelled => //取消所有Job  

20.     dagScheduler.doCancelAllJobs()  

21.   

22.   case ExecutorAdded(execId, host) =& gt; // TaskScheduler得到一个Executor被添加的消息。具体来自 org.apache.spark.scheduler.TaskSchedulerImpl.resourceOffers  

23.     dagScheduler.handleExecutorAdded(execId, host)  

24.   

25.   case ExecutorLost(execId) => //来自TaskScheduler  

26.     dagScheduler.handleExecutorLost(execId)  

27.   

28.   case BeginEvent(task, taskInfo) => // 来自TaskScheduler  

29.     dagScheduler.handleBeginEvent(task, taskInfo)  

30.   

31.   case GettingResultEvent(taskInfo) => //处理获得TaskResult信息的消息  

32.     dagScheduler.handleGetTaskResult(taskInfo)  

33.   

34.   case completion @ CompletionEvent(task, reason, _, _, taskInfo, taskMetrics) => //来自TaskScheduler，报告task是完成或者失败  

35.     dagScheduler.handleTaskCompletion(completion)  

36.   

37.   case TaskSetFailed(taskSet, reason) => //来自TaskScheduler，要么TaskSet失败次数超过阈值或者由于Job Cancel。  

38.     dagScheduler.handleTaskSetFailed(taskSet, reason)  

39.   

40.   case ResubmitFailedStages => //当一个Stage处理失败时，重试。来自org.apache.spark.scheduler.DAGScheduler.handleTaskCompletion  

41.     dagScheduler.resubmitFailedStages()  

42. }  

总 结一下org.apache.spark.scheduler.DAGSchedulerEventProcessActor的作用：可以把他理解成 DAGScheduler的对外的功能接口。它对外隐藏了自己内部实现的细节，也更易于理解其逻辑；也降低了维护成本，将DAGScheduler的比较 复杂功能接口化。

handleJobSubmitted

org.apache.spark.scheduler.DAGScheduler#handleJobSubmitted 首先会根据RDD创建finalStage。finalStage，顾名思义，就是最后的那个Stage。然后创建job，最后提交。提交的job如果满 足一下条件，那么它将以本地模式运行：

1）spark.localExecution.enabled设置为true  并且 2）用户程序显式指定可以本地运行 并且 3）finalStage的没有父Stage 并且 4）仅有一个partition

3）和 4）的话主要为了任务可以快速执行；如果有多个stage或者多个partition的话，本地运行可能会因为本机的计算资源的问题而影响任务的计算速度。

要 理解什么是Stage，首先要搞明白什么是Task。Task是在集群上运行的基本单位。一个Task负责处理RDD的一个partition。RDD的 多个patition会分别由不同的Task去处理。当然了这些Task的处理逻辑完全是一致的。这一组Task就组成了一个Stage。有两种 Task：

1.  org.apache.spark.scheduler.ShuffleMapTask

2.  org.apache.spark.scheduler.ResultTask

ShuffleMapTask 根据Task的partitioner将计算结果放到不同的bucket中。而ResultTask将计算结果发送回Driver Application。一个Job包含了多个Stage，而Stage是由一组完全相同的Task组成的。最后的Stage包含了一组 ResultTask。

在用户触发了一个action后， 比如count，collect，SparkContext会通过runJob的函数开始进行任务提交。最后会通过DAG的event processor 传递到DAGScheduler本身的handleJobSubmitted，它首先会划分Stage，提交Stage，提交Task。至此，Task就 开始在运行在集群上了。

一个Stage的开始就是从外部存储或者shuffle结果中读取数据；一个Stage的结束就是由于发生shuffle或者生成结果时。

创建finalStage

handleJobSubmitted 通过调用newStage来创建finalStage：

[java] view plaincopy

1. finalStage = newStage(finalRDD, partitions.size, None, jobId, callSite)  

创 建一个result stage，或者说finalStage，是通过调用 org.apache.spark.scheduler.DAGScheduler#newStage完成的；而创建一个shuffle stage，需要通过调用org.apache.spark.scheduler.DAGScheduler#newOrUsedStage。 

[java] view plaincopy

1. private def newStage(  

2.       rdd: RDD[_],  

3.       numTasks: Int,  

4.       shuffleDep: Option[ShuffleDependency[_, _, _]],  

5.       jobId: Int,  

6.       callSite: CallSite)  

7.     : Stage =  

8.   {  

9.     val id = nextStageId.getAndIncrement()  

10.     val stage =  

11.       new Stage(id, rdd, numTasks, shuffleDep, getParentStages(rdd, jobId), jobId, callSite)  

12.     stageIdToStage(id) = stage  

13.     updateJobIdStageIdMaps(jobId, stage)  

14.     stage  

15.   }  

对于result 的final stage来说，传入的shuffleDep是None。

我们知道，RDD通过org.apache.spark.rdd.RDD#getDependencies可以获得它依赖的parent RDD。而Stage也可能会有parent Stage。看一个RDD论文的Stage划分吧：

 

一个stage的边界，输入是外部的存储或者一个stage shuffle的结果；输入则是Job的结果（result task对应的stage）或者shuffle的结果。

上图的话stage3的输入则是RDD A和RDD F shuffle的结果。而A和F由于到B和G需要shuffle，因此需要划分到不同的stage。

从源码实现的角度来看，通过触发action也就是最后一个RDD创建final stage（上图的stage 3），我们注意到new Stage的第五个参数就是该Stage的parent Stage：通过rdd和job id获取：

[java] view plaincopy

1. // 生成rdd的parent Stage。没遇到一个ShuffleDependency，就会生成一个Stage  

2.   private def getParentStages(rdd: RDD[_], jobId: Int): List[Stage] = {  

3.     val parents = new HashSet[Stage] //存储parent stage  

4.     val visited = new HashSet[RDD[_]] //存储已经被访问到得RDD  

5.     // We are manually maintaining a stack here to prevent StackOverflowError  

6.     // caused by recursively visiting // 存储需要被处理的RDD。Stack中得RDD都需要被处理。  

7.     val waitingForVisit = new Stack[RDD[_]]  

8.     def visit(r: RDD[_]) {  

9.       if (!visited(r)) {  

10.         visited += r  

11.         // Kind of ugly: need to register RDDs with the cache here since  

12.         // we can't do it in its constructor because # of partitions is unknown  

13.         for (dep <- r.dependencies) {  

14.           dep match {  

15.             case shufDep: ShuffleDependency[_, _, _] => // 在ShuffleDependency时需要生成新的stage  

16.               parents += getShuffleMapStage(shufDep, jobId)  

17.             case _ =>  

18.               waitingForVisit.push(dep.rdd) //不是ShuffleDependency，那么就属于同一个Stage  

19.           }  

20.         }  

21.       }  

22.     }  

23.     waitingForVisit.push(rdd) // 输入的rdd作为第一个需要处理的RDD。然后从该rdd开始，顺序访问其parent rdd  

24.     while (!waitingForVisit.isEmpty) { //只要stack不为空，则一直处理。  

25.       visit(waitingForVisit.pop()) //每次visit如果遇到了ShuffleDependency，那么就会形成一个Stage，否则这些RDD属于同一个Stage  

26.     }  

27.     parents.toList  

28.   }  

生成了finalStage后，就需要提交Stage了。

[java] view plaincopy

1. // 提交Stage，如果有parent Stage没有提交，那么递归提交它。  

2. private def submitStage(stage: Stage) {  

3.   val jobId = activeJobForStage(stage)  

4.   if (jobId.isDefined) {  

5.     logDebug("submitStage(" + stage + ")")  

6.     // 如果当前stage不在等待其parent stage的返回，并且 不在运行的状态， 并且 没有已经失败（失败会有重试机制，不会通过这里再次提交）  

7.     if (!waitingStages(stage) && !runningStages(stage) && !failedStages(stage)) {  

8.       val missing = getMissingParentStages(stage).sortBy(_.id)  

9.       logDebug("missing: " + missing)  

10.       if (missing == Nil) { // 如果所有的parent stage都已经完成，那么提交该stage所包含的task  

11.         logInfo("Submitting " + stage + " (" + stage.rdd + "), which has no missing parents")  

12.         submitMissingTasks(stage, jobId.get)  

13.       } else {  

14.         for (parent <- missing) { // 有parent stage为完成，则递归提交它  

15.           submitStage(parent)  

16.         }  

17.         waitingStages += stage  

18.       }  

19.     }  

20.   } else {  

21.     abortStage(stage, "No active job for stage " + stage.id)  

22.   }  

23. }  

DAGScheduler将Stage划分完成后，提交实际上是通过把Stage转换为TaskSet，然后通过TaskScheduler将计算任务最终提交到集群。其所在的位置如下图所示。

接下来，将分析Stage是如何转换为TaskSet，并最终提交到Executor去运行的。