Spark源码分析之七：Task运行（一）

时间：2023-03-10 07:27:26
Spark源码分析之七：Task运行（一）

在Task调度相关的两篇文章《Spark源码分析之五：Task调度（一）》与《Spark源码分析之六：Task调度（二）》中，我们大致了解了Task调度相关的主要逻辑，并且在Task调度逻辑的最后，CoarseGrainedSchedulerBackend的内部类DriverEndpoint中的makeOffers()方法的最后，我们通过调用TaskSchedulerImpl的resourceOffers()方法，得到了TaskDescription序列的序列Seq[Seq[TaskDescription]]，相关代码如下：

  1. // 调用scheduler的resourceOffers()方法，分配资源，并在得到资源后，调用launchTasks()方法，启动tasks
  2. // 这个scheduler就是TaskSchedulerImpl
  3. launchTasks(scheduler.resourceOffers(workOffers))
  1. /**
  2. * Called by cluster manager to offer resources on slaves. We respond by asking our active task
  3. * sets for tasks in order of priority. We fill each node with tasks in a round-robin manner so
  4. * that tasks are balanced across the cluster.
  5. *
  6. * 被集群manager调用以提供slaves上的资源。我们通过按照优先顺序询问活动task集中的task来回应。
  7. * 我们通过循环的方式将task调度到每个节点上以便tasks在集群中可以保持大致的均衡。
  8. */
  9. def resourceOffers(offers: Seq[WorkerOffer]): Seq[Seq[TaskDescription]] = synchronized {

这个TaskDescription很简单，是传递到executor上即将被执行的Task的描述，通常由TaskSetManager的resourceOffer()方法生成。代码如下：

  1. /**
  2. * Description of a task that gets passed onto executors to be executed, usually created by
  3. * [[TaskSetManager.resourceOffer]].
  4. */
  5. private[spark] class TaskDescription(
  6. val taskId: Long,
  7. val attemptNumber: Int,
  8. val executorId: String,
  9. val name: String,
  10. val index: Int,    // Index within this task's TaskSet
  11. _serializedTask: ByteBuffer)
  12. extends Serializable {
  13. // Because ByteBuffers are not serializable, wrap the task in a SerializableBuffer
  14. // 由于ByteBuffers不可以被序列化，所以将task包装在SerializableBuffer中，_serializedTask为ByteBuffer类型的Task
  15. private val buffer = new SerializableBuffer(_serializedTask)
  16. // 序列化后的Task， 取buffer的value
  17. def serializedTask: ByteBuffer = buffer.value
  18. override def toString: String = "TaskDescription(TID=%d, index=%d)".format(taskId, index)
  19. }

此时，得到Seq[Seq[TaskDescription]]，即Task被调度到相应executor上后（仅是逻辑调度，实际上并未分配到executor上执行），接下来要做的，便是真正的将Task分配到指定的executor上去执行，也就是本篇我们将要讲的Task的运行。而这部分的开端，源于上述提到的CoarseGrainedSchedulerBackend的内部类DriverEndpoint中的launchTasks()方法，代码如下：

  1. // Launch tasks returned by a set of resource offers
  2. private def launchTasks(tasks: Seq[Seq[TaskDescription]]) {
  3. // 循环每个task
  4. for (task <- tasks.flatten) {
  5. // 序列化Task
  6. val serializedTask = ser.serialize(task)
  7. // 序列化后的task的大小超出规定的上限
  8. // 即如果序列化后task的大小大于等于框架配置的Akka消息最大大小减去除序列化task或task结果外，一个Akka消息需要保留的额外大小的值
  9. if (serializedTask.limit >= akkaFrameSize - AkkaUtils.reservedSizeBytes) {
  10. // 根据task的taskId，在TaskSchedulerImpl的taskIdToTaskSetManager中获取对应的TaskSetManager
  11. scheduler.taskIdToTaskSetManager.get(task.taskId).foreach { taskSetMgr =>
  12. try {
  13. var msg = "Serialized task %s:%d was %d bytes, which exceeds max allowed: " +
  14. "spark.akka.frameSize (%d bytes) - reserved (%d bytes). Consider increasing " +
  15. "spark.akka.frameSize or using broadcast variables for large values."
  16. msg = msg.format(task.taskId, task.index, serializedTask.limit, akkaFrameSize,
  17. AkkaUtils.reservedSizeBytes)
  18. // 调用TaskSetManager的abort()方法，标记对应TaskSetManager为失败
  19. taskSetMgr.abort(msg)
  20. } catch {
  21. case e: Exception => logError("Exception in error callback", e)
  22. }
  23. }
  24. }
  25. else {// 序列化后task的大小在规定的大小内
  26. // 从executorDataMap中，根据task.executorId获取executor描述信息executorData
  27. val executorData = executorDataMap(task.executorId)
  28. // executorData中，freeCores做相应减少
  29. executorData.freeCores -= scheduler.CPUS_PER_TASK
  30. // 利用executorData中的executorEndpoint，发送LaunchTask事件，LaunchTask事件中包含序列化后的task
  31. executorData.executorEndpoint.send(LaunchTask(new SerializableBuffer(serializedTask)))
  32. }
  33. }
  34. }

launchTasks的执行逻辑很简单，针对传入的TaskDescription序列，循环每个Task，做以下处理：

1、首先对Task进行序列化，得到serializedTask；

2、针对序列化后的Task：serializedTask，判断其大小：

2.1、序列化后的task的大小达到或超出规定的上限，即框架配置的Akka消息最大大小，减去除序列化task或task结果外，一个Akka消息需要保留的额外大小的值，则根据task的taskId，在TaskSchedulerImpl的taskIdToTaskSetManager中获取对应的TaskSetManager，并调用其abort()方法，标记对应TaskSetManager为失败；

2.2、序列化后的task的大小未达到上限，在规定的大小范围内，则：

2.2.1、从executorDataMap中，根据task.executorId获取executor描述信息executorData；

2.2.2、在executorData中，freeCores做相应减少；

2.2.3、利用executorData中的executorEndpoint，即Driver端executor通讯端点的引用，发送LaunchTask事件，LaunchTask事件中包含序列化后的task，将Task传递到executor中去执行。

接下来，我们重点分析下上述流程。

先说下异常流程，即序列化后Task的大小超过上限时，对TaskSet标记为失败的处理。入口方法为TaskSetManager的abort()方法，代码如下：

  1. def abort(message: String, exception: Option[Throwable] = None): Unit = sched.synchronized {
  2. // TODO: Kill running tasks if we were not terminated due to a Mesos error
  3. // 调用DAGScheduler的taskSetFailed()方法，标记TaskSet运行失败
  4. sched.dagScheduler.taskSetFailed(taskSet, message, exception)
  5. // 标志位isZombie设置为true
  6. isZombie = true
  7. // 满足一定条件的情况下，将TaskSet标记为Finished
  8. maybeFinishTaskSet()
  9. }

abort()方法处理逻辑共分三步：

第一，调用DAGScheduler的taskSetFailed()方法，标记TaskSet运行失败；

第二，标志位isZombie设置为true；

第三，满足一定条件的情况下，将TaskSet标记为Finished。

首先看下DAGScheduler的taskSetFailed()方法，代码如下：

  1. /**
  2. * Called by the TaskSetManager to cancel an entire TaskSet due to either repeated failures or
  3. * cancellation of the job itself.
  4. */
  5. def taskSetFailed(taskSet: TaskSet, reason: String, exception: Option[Throwable]): Unit = {
  6. eventProcessLoop.post(TaskSetFailed(taskSet, reason, exception))
  7. }

和第二篇文章《Spark源码分析之二：Job的调度模型与运行反馈》中Job的调度模型一致，都是依靠事件队列eventProcessLoop来完成事件的调度执行的，这里，我们在事件队列eventProcessLoop中放入了一个TaskSetFailed事件。在DAGScheduler的事件处理调度函数doOnReceive()方法中，明确规定了事件的处理方法，代码如下：

  1. // 如果是TaskSetFailed事件，调用dagScheduler.handleTaskSetFailed()方法处理
  2. case TaskSetFailed(taskSet, reason, exception) =>
  3. dagScheduler.handleTaskSetFailed(taskSet, reason, exception)

下面，我们看下handleTaskSetFailed()这个方法。

  1. private[scheduler] def handleTaskSetFailed(
  2. taskSet: TaskSet,
  3. reason: String,
  4. exception: Option[Throwable]): Unit = {
  5. // 根据taskSet的stageId获取到对应的Stage，循环调用abortStage，终止该Stage
  6. stageIdToStage.get(taskSet.stageId).foreach { abortStage(_, reason, exception) }
  7. // 提交等待的Stages
  8. submitWaitingStages()
  9. }

很简单，首先通过taskSet的stageId获取到对应的Stage，针对Stage，循环调用abortStage()方法，终止该Stage，然后调用submitWaitingStages()方法提交等待的Stages。我们先看下abortStage()方法，代码如下：

  1. /**
  2. * Aborts all jobs depending on a particular Stage. This is called in response to a task set
  3. * being canceled by the TaskScheduler. Use taskSetFailed() to inject this event from outside.
  4. * 终止给定Stage上的所有Job。
  5. */
  6. private[scheduler] def abortStage(
  7. failedStage: Stage,
  8. reason: String,
  9. exception: Option[Throwable]): Unit = {
  10. // 如果stageIdToStage中不存在对应的stage，说明stage已经被移除，直接返回
  11. if (!stageIdToStage.contains(failedStage.id)) {
  12. // Skip all the actions if the stage has been removed.
  13. return
  14. }
  15. // 遍历activeJobs中的ActiveJob，逐个调用stageDependsOn()方法，找出存在failedStage的祖先stage的activeJob，即dependentJobs
  16. val dependentJobs: Seq[ActiveJob] =
  17. activeJobs.filter(job => stageDependsOn(job.finalStage, failedStage)).toSeq
  18. // 标记failedStage的完成时间completionTime
  19. failedStage.latestInfo.completionTime = Some(clock.getTimeMillis())
  20. // 遍历dependentJobs，调用failJobAndIndependentStages()
  21. for (job <- dependentJobs) {
  22. failJobAndIndependentStages(job, s"Job aborted due to stage failure: $reason", exception)
  23. }
  24. if (dependentJobs.isEmpty) {
  25. logInfo("Ignoring failure of " + failedStage + " because all jobs depending on it are done")
  26. }
  27. }

这个方法的处理逻辑主要分为四步：

1、如果stageIdToStage中不存在对应的stage，说明stage已经被移除，直接返回，这是对异常情况下的一种特殊处理；

2、遍历activeJobs中的ActiveJob，逐个调用stageDependsOn()方法，找出存在failedStage的祖先stage的activeJob，即dependentJobs；

3、标记failedStage的完成时间completionTime；

4、遍历dependentJobs，调用failJobAndIndependentStages()。

其它都好说，我们主要看下stageDependsOn()和failJobAndIndependentStages()这两个方法。首先看下stageDependsOn()方法，代码如下：

  1. /** Return true if one of stage's ancestors is target. */
  2. // 如果参数stage的祖先是target，返回true
  3. private def stageDependsOn(stage: Stage, target: Stage): Boolean = {
  4. // 如果stage即为target，返回true
  5. if (stage == target) {
  6. return true
  7. }
  8. // 存储处理过的RDD
  9. val visitedRdds = new HashSet[RDD[_]]
  10. // We are manually maintaining a stack here to prevent *Error
  11. // caused by recursively visiting
  12. // 存储待处理的RDD
  13. val waitingForVisit = new Stack[RDD[_]]
  14. // 定义一个visit()方法
  15. def visit(rdd: RDD[_]) {
  16. // 如果该RDD未被处理过的话，继续处理
  17. if (!visitedRdds(rdd)) {
  18. // 将RDD添加到visitedRdds中
  19. visitedRdds += rdd
  20. // 遍历RDD的依赖
  21. for (dep <- rdd.dependencies) {
  22. dep match {
  23. // 如果是ShuffleDependency
  24. case shufDep: ShuffleDependency[_, _, _] =>
  25. // 获得mapStage，并且如果stage的isAvailable为false的话，将其压入waitingForVisit
  26. val mapStage = getShuffleMapStage(shufDep, stage.firstJobId)
  27. if (!mapStage.isAvailable) {
  28. waitingForVisit.push(mapStage.rdd)
  29. }  // Otherwise there's no need to follow the dependency back
  30. // 如果是NarrowDependency，直接将其压入waitingForVisit
  31. case narrowDep: NarrowDependency[_] =>
  32. waitingForVisit.push(narrowDep.rdd)
  33. }
  34. }
  35. }
  36. }
  37. // 从stage的rdd开始处理，将其入栈waitingForVisit
  38. waitingForVisit.push(stage.rdd)
  39. // 当waitingForVisit中存在数据，就调用visit()方法进行处理
  40. while (waitingForVisit.nonEmpty) {
  41. visit(waitingForVisit.pop())
  42. }
  43. // 根据visitedRdds中是否存在target的rdd判断参数stage的祖先是否为target
  44. visitedRdds.contains(target.rdd)
  45. }

这个方法主要是判断参数stage是否为参数target的祖先stage，其代码风格与stage划分和提交中的部分代码一样，这在前面的两篇文章中也提到过，在此不再赘述。而它主要是通过stage的rdd，并遍历其上层依赖的rdd链，将每个stage的rdd加入到visitedRdds中，最后根据visitedRdds中是否存在target的rdd判断参数stage的祖先是否为target。值得一提的是，如果RDD的依赖是NarrowDependency，直接将其压入waitingForVisit，如果为ShuffleDependency，则需要判断stage的isAvailable，如果为false，则将对应RDD压入waitingForVisit。关于isAvailable，我在《Spark源码分析之四：Stage提交》一文中具体阐述过，这里不再赘述。

接下来，我们再看下failJobAndIndependentStages()方法，这个方法的主要作用就是使得一个Job和仅被该Job使用的所有stages失败，并清空有关状态。代码如下：

  1. /** Fails a job and all stages that are only used by that job, and cleans up relevant state. */
  2. // 使得一个Job和仅被该Job使用的所有stages失败，并清空有关状态
  3. private def failJobAndIndependentStages(
  4. job: ActiveJob,
  5. failureReason: String,
  6. exception: Option[Throwable] = None): Unit = {
  7. // 构造一个异常，内容为failureReason
  8. val error = new SparkException(failureReason, exception.getOrElse(null))
  9. // 标志位，是否能取消Stages
  10. var ableToCancelStages = true
  11. // 标志位，是否应该中断线程
  12. val shouldInterruptThread =
  13. if (job.properties == null) false
  14. else job.properties.getProperty(SparkContext.SPARK_JOB_INTERRUPT_ON_CANCEL, "false").toBoolean
  15. // Cancel all independent, running stages.
  16. // 取消所有独立的，正在运行的stages
  17. // 根据Job的jobId，获取其stages
  18. val stages = jobIdToStageIds(job.jobId)
  19. // 如果stages为空，记录错误日志
  20. if (stages.isEmpty) {
  21. logError("No stages registered for job " + job.jobId)
  22. }
  23. // 遍历stages，循环处理
  24. stages.foreach { stageId =>
  25. // 根据stageId，获取jobsForStage，即每个Job所包含的Stage信息
  26. val jobsForStage: Option[HashSet[Int]] = stageIdToStage.get(stageId).map(_.jobIds)
  27. // 首先处理异常情况，即jobsForStage为空，或者jobsForStage中不包含当前Job
  28. if (jobsForStage.isEmpty || !jobsForStage.get.contains(job.jobId)) {
  29. logError(
  30. "Job %d not registered for stage %d even though that stage was registered for the job"
  31. .format(job.jobId, stageId))
  32. } else if (jobsForStage.get.size == 1) {
  33. // 如果stageId对应的stage不存在
  34. if (!stageIdToStage.contains(stageId)) {
  35. logError(s"Missing Stage for stage with id $stageId")
  36. } else {
  37. // This is the only job that uses this stage, so fail the stage if it is running.
  38. //
  39. val stage = stageIdToStage(stageId)
  40. if (runningStages.contains(stage)) {
  41. try { // cancelTasks will fail if a SchedulerBackend does not implement killTask
  42. // 调用taskScheduler的cancelTasks()方法，取消stage内的tasks
  43. taskScheduler.cancelTasks(stageId, shouldInterruptThread)
  44. // 标记Stage为完成
  45. markStageAsFinished(stage, Some(failureReason))
  46. } catch {
  47. case e: UnsupportedOperationException =>
  48. logInfo(s"Could not cancel tasks for stage $stageId", e)
  49. ableToCancelStages = false
  50. }
  51. }
  52. }
  53. }
  54. }
  55. if (ableToCancelStages) {// 如果能取消Stages
  56. // 调用job监听器的jobFailed()方法
  57. job.listener.jobFailed(error)
  58. // 为Job和独立Stages清空状态，独立Stages的意思为该stage仅为该Job使用
  59. cleanupStateForJobAndIndependentStages(job)
  60. // 发送一个SparkListenerJobEnd事件
  61. listenerBus.post(SparkListenerJobEnd(job.jobId, clock.getTimeMillis(), JobFailed(error)))
  62. }
  63. }

处理过程还是很简单的，读者可以通过上述源码和注释自行补脑，这里就先略过了。

下面，再说下正常情况下，即序列化后Task大小未超过上限时，LaunchTask事件的发送及executor端的响应。代码再跳转到CoarseGrainedSchedulerBackend的内部类DriverEndpoint中的launchTasks()方法。正常情况下处理流程主要分为三大部分：

1、从executorDataMap中，根据task.executorId获取executor描述信息executorData；

2、在executorData中，freeCores做相应减少；

3、利用executorData中的executorEndpoint，即Driver端executor通讯端点的引用，发送LaunchTask事件，LaunchTask事件中包含序列化后的task，将Task传递到executor中去执行。

我们重点看下第3步，利用Driver端持有的executor描述信息executorData中的executorEndpoint，即Driver端executor通讯端点的引用，发送LaunchTask事件给executor，将Task传递到executor中去执行。那么executor中是如何接收LaunchTask事件的呢？答案就在CoarseGrainedExecutorBackend中。

我们先说下这个CoarseGrainedExecutorBackend，类的定义如下所示：

  1. private[spark] class CoarseGrainedExecutorBackend(
  2. override val rpcEnv: RpcEnv,
  3. driverUrl: String,
  4. executorId: String,
  5. hostPort: String,
  6. cores: Int,
  7. userClassPath: Seq[URL],
  8. env: SparkEnv)
  9. extends ThreadSafeRpcEndpoint with ExecutorBackend with Logging {

由上面的代码我们可以知道，它实现了ThreadSafeRpcEndpoint和ExecutorBackend两个trait，而ExecutorBackend的定义如下：

  1. /**
  2. * A pluggable interface used by the Executor to send updates to the cluster scheduler.
  3. * 一个被Executor用来发送更新到集群调度器的可插拔接口。
  4. */
  5. private[spark] trait ExecutorBackend {
  6. // 唯一的一个statusUpdate()方法
  7. // 需要Long类型的taskId、TaskState类型的state、ByteBuffer类型的data三个参数
  8. def statusUpdate(taskId: Long, state: TaskState, data: ByteBuffer)
  9. }

那么它自然就有两种主要的任务，第一，作为endpoint提供driver与executor间的通讯功能；第二，提供了executor任务执行时状态汇报的功能。

CoarseGrainedExecutorBackend到底是什么呢？这里我们先不深究，留到以后分析，你只要知道它是Executor的一个后台辅助进程，和Executor是一对一的关系，向Executor提供了与Driver通讯、任务执行时状态汇报两个基本功能即可。

接下来，我们看下CoarseGrainedExecutorBackend是如何处理LaunchTask事件的。做为RpcEndpoint，在其处理各类事件或消息的receive()方法中，定义如下：

  1. case LaunchTask(data) =>
  2. if (executor == null) {
  3. logError("Received LaunchTask command but executor was null")
  4. System.exit(1)
  5. } else {
  6. // 反序列话task，得到taskDesc
  7. val taskDesc = ser.deserialize[TaskDescription](data.value)
  8. logInfo("Got assigned task " + taskDesc.taskId)
  9. // 调用executor的launchTask()方法加载task
  10. executor.launchTask(this, taskId = taskDesc.taskId, attemptNumber = taskDesc.attemptNumber,
  11. taskDesc.name, taskDesc.serializedTask)
  12. }

首先，会判断对应的executor是否为空，为空的话，记录错误日志并退出，不为空的话，则按照如下流程处理：

1、反序列话task，得到taskDesc；

2、调用executor的launchTask()方法加载task。

那么，重点就落在了Executor的launchTask()方法中，代码如下：

  1. def launchTask(
  2. context: ExecutorBackend,
  3. taskId: Long,
  4. attemptNumber: Int,
  5. taskName: String,
  6. serializedTask: ByteBuffer): Unit = {
  7. // 新建一个TaskRunner
  8. val tr = new TaskRunner(context, taskId = taskId, attemptNumber = attemptNumber, taskName,
  9. serializedTask)
  10. // 将taskId与TaskRunner的对应关系存入runningTasks
  11. runningTasks.put(taskId, tr)
  12. // 线程池执行TaskRunner
  13. threadPool.execute(tr)
  14. }

非常简单，创建一个TaskRunner对象，然后将taskId与TaskRunner的对应关系存入runningTasks，将TaskRunner扔到线程池中去执行即可。

我们先看下这个TaskRunner类。我们先看下Class及其成员变量的定义，如下：

  1. class TaskRunner(
  2. execBackend: ExecutorBackend,
  3. val taskId: Long,
  4. val attemptNumber: Int,
  5. taskName: String,
  6. serializedTask: ByteBuffer)
  7. extends Runnable {
  8. // TaskRunner继承了Runnable
  9. /** Whether this task has been killed. */
  10. // 标志位，task是否被杀掉
  11. @volatile private var killed = false
  12. /** How much the JVM process has spent in GC when the task starts to run. */
  13. @volatile var startGCTime: Long = _
  14. /**
  15. * The task to run. This will be set in run() by deserializing the task binary coming
  16. * from the driver. Once it is set, it will never be changed.
  17. *
  18. * 需要运行的task。它将在反序列化来自driver的task二进制数据时在run()方法被设置，一旦被设置，它将不会再发生改变。
  19. */
  20. @volatile var task: Task[Any] = _
  21. }

由类的定义我们可以看出，TaskRunner继承了Runnable，所以它本质上是一个线程，故其可以被放到线程池中去运行。它所包含的成员变量，主要有以下几个：

1、execBackend：Executor后台辅助进程，提供了与Driver通讯、状态汇报等两大基本功能，实际上传入的是CoarseGrainedExecutorBackend实例；

2、taskId：Task的唯一标识；

3、attemptNumber：Task运行的序列号，Spark与MapReduce一样，可以为拖后腿任务启动备份任务，即推测执行原理，如此，就需要通过taskId加attemptNumber来唯一标识一个Task运行实例；

4、serializedTask：ByteBuffer类型，序列化后的Task，包含的是Task的内容，通过发序列化它来得到Task，并运行其中的run()方法来执行Task；

5、killed：Task是否被杀死的标志位；

6、task：Task[Any]类型，需要运行的Task，它将在反序列化来自driver的task二进制数据时在run()方法被设置，一旦被设置，它将不会再发生改变；

7、startGCTime：JVM在task开始运行后，进行垃圾回收的时间。

另外，既然是一个线程，TaskRunner必须得提供run()方法，该run()方法就是TaskRunner线程在线程池中被调度时，需要执行的方法，我们来看下它的定义：

  1. override def run(): Unit = {
  2. // Step1：Task及其运行时需要的辅助对象构造
  3. // 获取任务内存管理器
  4. val taskMemoryManager = new TaskMemoryManager(env.memoryManager, taskId)
  5. // 反序列化开始时间
  6. val deserializeStartTime = System.currentTimeMillis()
  7. // 当前线程设置上下文类加载器
  8. Thread.currentThread.setContextClassLoader(replClassLoader)
  9. // 从SparkEnv中获取序列化器
  10. val ser = env.closureSerializer.newInstance()
  11. logInfo(s"Running $taskName (TID $taskId)")
  12. // execBackend更新状态TaskState.RUNNING
  13. execBackend.statusUpdate(taskId, TaskState.RUNNING, EMPTY_BYTE_BUFFER)
  14. var taskStart: Long = 0
  15. // 计算垃圾回收的时间
  16. startGCTime = computeTotalGcTime()
  17. try {
  18. // 调用Task的deserializeWithDependencies()方法，反序列化Task，得到Task运行需要的文件taskFiles、jar包taskFiles和Task二进制数据taskBytes
  19. val (taskFiles, taskJars, taskBytes) = Task.deserializeWithDependencies(serializedTask)
  20. updateDependencies(taskFiles, taskJars)
  21. // 反序列化Task二进制数据taskBytes，得到task实例
  22. task = ser.deserialize[Task[Any]](taskBytes, Thread.currentThread.getContextClassLoader)
  23. // 设置Task的任务内存管理器
  24. task.setTaskMemoryManager(taskMemoryManager)
  25. // If this task has been killed before we deserialized it, let's quit now. Otherwise,
  26. // continue executing the task.
  27. // 如果此时Task被kill，抛出异常，快速退出
  28. if (killed) {
  29. // Throw an exception rather than returning, because returning within a try{} block
  30. // causes a NonLocalReturnControl exception to be thrown. The NonLocalReturnControl
  31. // exception will be caught by the catch block, leading to an incorrect ExceptionFailure
  32. // for the task.
  33. throw new TaskKilledException
  34. }
  35. logDebug("Task " + taskId + "'s epoch is " + task.epoch)
  36. // mapOutputTracker更新Epoch
  37. env.mapOutputTracker.updateEpoch(task.epoch)
  38. // Run the actual task and measure its runtime.
  39. // 运行真正的task，并度量它的运行时间
  40. // Step2：Task运行
  41. // task开始时间
  42. taskStart = System.currentTimeMillis()
  43. // 标志位threwException设置为true，标识Task真正执行过程中是否抛出异常
  44. var threwException = true
  45. // 调用Task的run()方法，真正执行Task，并获得运行结果value
  46. val (value, accumUpdates) = try {
  47. // 调用Task的run()方法，真正执行Task
  48. val res = task.run(
  49. taskAttemptId = taskId,
  50. attemptNumber = attemptNumber,
  51. metricsSystem = env.metricsSystem)
  52. // 标志位threwException设置为false
  53. threwException = false
  54. // 返回res，Task的run()方法中，res的定义为(T, AccumulatorUpdates)
  55. // 这里，前者为任务运行结果，后者为累加器更新
  56. res
  57. } finally {
  58. // 通过任务内存管理器清理所有的分配的内存
  59. val freedMemory = taskMemoryManager.cleanUpAllAllocatedMemory()
  60. if (freedMemory > 0) {
  61. val errMsg = s"Managed memory leak detected; size = $freedMemory bytes, TID = $taskId"
  62. if (conf.getBoolean("spark.unsafe.exceptionOnMemoryLeak", false) && !threwException) {
  63. throw new SparkException(errMsg)
  64. } else {
  65. logError(errMsg)
  66. }
  67. }
  68. }
  69. // task完成时间
  70. val taskFinish = System.currentTimeMillis()
  71. // If the task has been killed, let's fail it.
  72. // 如果task被杀死，抛出TaskKilledException异常
  73. if (task.killed) {
  74. throw new TaskKilledException
  75. }
  76. // Step3：Task运行结果处理
  77. // 通过Spark获取Task运行结果序列化器
  78. val resultSer = env.serializer.newInstance()
  79. // 结果序列化前的时间点
  80. val beforeSerialization = System.currentTimeMillis()
  81. // 利用Task运行结果序列化器序列化Task运行结果，得到valueBytes
  82. val valueBytes = resultSer.serialize(value)
  83. // 结果序列化后的时间点
  84. val afterSerialization = System.currentTimeMillis()
  85. // 度量指标体系相关，暂不介绍
  86. for (m <- task.metrics) {
  87. // Deserialization happens in two parts: first, we deserialize a Task object, which
  88. // includes the Partition. Second, Task.run() deserializes the RDD and function to be run.
  89. m.setExecutorDeserializeTime(
  90. (taskStart - deserializeStartTime) + task.executorDeserializeTime)
  91. // We need to subtract Task.run()'s deserialization time to avoid double-counting
  92. m.setExecutorRunTime((taskFinish - taskStart) - task.executorDeserializeTime)
  93. m.setJvmGCTime(computeTotalGcTime() - startGCTime)
  94. m.setResultSerializationTime(afterSerialization - beforeSerialization)
  95. m.updateAccumulators()
  96. }
  97. // 构造DirectTaskResult，同时包含Task运行结果valueBytes和累加器更新值accumulator updates
  98. val directResult = new DirectTaskResult(valueBytes, accumUpdates, task.metrics.orNull)
  99. // 序列化DirectTaskResult，得到serializedDirectResult
  100. val serializedDirectResult = ser.serialize(directResult)
  101. // 获取Task运行结果大小
  102. val resultSize = serializedDirectResult.limit
  103. // directSend = sending directly back to the driver
  104. // directSend的意思就是直接发送结果至Driver端
  105. val serializedResult: ByteBuffer = {
  106. // 如果Task运行结果大小大于所有Task运行结果的最大大小，序列化IndirectTaskResult
  107. // IndirectTaskResult为存储在Worker上BlockManager中DirectTaskResult的一个引用
  108. if (maxResultSize > 0 && resultSize > maxResultSize) {
  109. logWarning(s"Finished $taskName (TID $taskId). Result is larger than maxResultSize " +
  110. s"(${Utils.bytesToString(resultSize)} > ${Utils.bytesToString(maxResultSize)}), " +
  111. s"dropping it.")
  112. ser.serialize(new IndirectTaskResult[Any](TaskResultBlockId(taskId), resultSize))
  113. }
  114. // 如果 Task运行结果大小超过Akka除去需要保留的字节外最大大小，则将结果写入BlockManager
  115. // 即运行结果无法通过消息传递
  116. else if (resultSize >= akkaFrameSize - AkkaUtils.reservedSizeBytes) {
  117. val blockId = TaskResultBlockId(taskId)
  118. env.blockManager.putBytes(
  119. blockId, serializedDirectResult, StorageLevel.MEMORY_AND_DISK_SER)
  120. logInfo(
  121. s"Finished $taskName (TID $taskId). $resultSize bytes result sent via BlockManager)")
  122. ser.serialize(new IndirectTaskResult[Any](blockId, resultSize))
  123. }
  124. // Task运行结果比较小的话，直接返回，通过消息传递
  125. else {
  126. logInfo(s"Finished $taskName (TID $taskId). $resultSize bytes result sent to driver")
  127. serializedDirectResult
  128. }
  129. }
  130. // execBackend更新状态TaskState.FINISHED
  131. execBackend.statusUpdate(taskId, TaskState.FINISHED, serializedResult)
  132. } catch {// 处理各种异常信息
  133. case ffe: FetchFailedException =>
  134. val reason = ffe.toTaskEndReason
  135. execBackend.statusUpdate(taskId, TaskState.FAILED, ser.serialize(reason))
  136. case _: TaskKilledException | _: InterruptedException if task.killed =>
  137. logInfo(s"Executor killed $taskName (TID $taskId)")
  138. execBackend.statusUpdate(taskId, TaskState.KILLED, ser.serialize(TaskKilled))
  139. case cDE: CommitDeniedException =>
  140. val reason = cDE.toTaskEndReason
  141. execBackend.statusUpdate(taskId, TaskState.FAILED, ser.serialize(reason))
  142. case t: Throwable =>
  143. // Attempt to exit cleanly by informing the driver of our failure.
  144. // If anything goes wrong (or this was a fatal exception), we will delegate to
  145. // the default uncaught exception handler, which will terminate the Executor.
  146. logError(s"Exception in $taskName (TID $taskId)", t)
  147. val metrics: Option[TaskMetrics] = Option(task).flatMap { task =>
  148. task.metrics.map { m =>
  149. m.setExecutorRunTime(System.currentTimeMillis() - taskStart)
  150. m.setJvmGCTime(computeTotalGcTime() - startGCTime)
  151. m.updateAccumulators()
  152. m
  153. }
  154. }
  155. val serializedTaskEndReason = {
  156. try {
  157. ser.serialize(new ExceptionFailure(t, metrics))
  158. } catch {
  159. case _: NotSerializableException =>
  160. // t is not serializable so just send the stacktrace
  161. ser.serialize(new ExceptionFailure(t, metrics, false))
  162. }
  163. }
  164. // execBackend更新状态TaskState.FAILED
  165. execBackend.statusUpdate(taskId, TaskState.FAILED, serializedTaskEndReason)
  166. // Don't forcibly exit unless the exception was inherently fatal, to avoid
  167. // stopping other tasks unnecessarily.
  168. if (Utils.isFatalError(t)) {
  169. SparkUncaughtExceptionHandler.uncaughtException(t)
  170. }
  171. } finally {
  172. // 最后，无论运行成功还是失败，将task从runningTasks中移除
  173. runningTasks.remove(taskId)
  174. }
  175. }

如此长的一个方法，好长好大，哈哈！不过，纵观全篇，无非三个Step就可搞定：

1、Step1：Task及其运行时需要的辅助对象构造；

2、Step2：Task运行；

3、Step3：Task运行结果处理。

对， 就这么简单！鉴于时间与篇幅问题，我们这里先讲下主要流程，细节方面的东西留待下节继续。

下面，我们一个个Step来看，首先看下Step1：Task及其运行时需要的辅助对象构造，主要包括以下步骤：

1.1、构造TaskMemoryManager任务内存管理器，即taskMemoryManager；

1.2、记录反序列化开始时间；

1.3、当前线程设置上下文类加载器；

1.4、从SparkEnv中获取序列化器ser；

1.5、execBackend更新状态TaskState.RUNNING；

1.6、计算垃圾回收时间；

1.7、调用Task的deserializeWithDependencies()方法，反序列化Task，得到Task运行需要的文件taskFiles、jar包taskFiles和Task二进制数据taskBytes；

1.8、反序列化Task二进制数据taskBytes，得到task实例；

1.9、设置Task的任务内存管理器；

1.10、如果此时Task被kill，抛出异常，快速退出；

接下来，是Step2：Task运行，主要流程如下：

2.1、获取task开始时间；

2.2、标志位threwException设置为true，标识Task真正执行过程中是否抛出异常；

2.3、调用Task的run()方法，真正执行Task，并获得运行结果value，和累加器更新accumUpdates；

2.4、标志位threwException设置为false；

2.5、通过任务内存管理器taskMemoryManager清理所有的分配的内存；

2.6、获取task完成时间；

2.7、如果task被杀死，抛出TaskKilledException异常。

最后一步，Step3：Task运行结果处理，大体流程如下：

3.1、通过SparkEnv获取Task运行结果序列化器；

3.2、获取结果序列化前的时间点；

3.3、利用Task运行结果序列化器序列化Task运行结果value，得到valueBytes；

3.4、获取结果序列化后的时间点；

3.5、度量指标体系相关，暂不介绍；

3.6、构造DirectTaskResult，同时包含Task运行结果valueBytes和累加器更新值accumulator updates；

3.7、序列化DirectTaskResult，得到serializedDirectResult；

3.8、获取Task运行结果大小；

3.9、处理Task运行结果：

3.9.1、如果Task运行结果大小大于所有Task运行结果的最大大小，序列化IndirectTaskResult，IndirectTaskResult为存储在Worker上BlockManager中DirectTaskResult的一个引用；

3.9.2、如果 Task运行结果大小超过Akka除去需要保留的字节外最大大小，则将结果写入BlockManager，Task运行结果比较小的话，直接返回，通过消息传递;

3.9.3、Task运行结果比较小的话，直接返回，通过消息传递

3.10、execBackend更新状态TaskState.FINISHED；

最后，无论运行成功还是失败，将task从runningTasks中移除。

至此，Task的运行主体流程已经介绍完毕，剩余的部分细节，包括Task内run()方法的具体执行，还有任务内存管理器、序列化器、累加更新，还有部分异常情况处理，状态汇报等等其他更为详细的内容留到下篇再讲吧！

明天还要工作，洗洗睡了！

博客原地址：http://blog.****.net/lipeng_bigdata/article/details/50726216

相关文章