Spark源码分析之三：Stage划分

继上篇《Spark源码分析之Job的调度模型与运行反馈》之后，我们继续来看第二阶段--Stage划分。

        Stage划分的大体流程如下图所示：

        前面提到，对于JobSubmitted事件，我们通过调用DAGScheduler的handleJobSubmitted()方法来处理。那么我们先来看下代码：

[java] view plain copy

 

 

1. // 处理Job提交的函数  
2.   private[scheduler] def handleJobSubmitted(jobId: Int,  
3.       finalRDD: RDD[_],  
4.       func: (TaskContext, Iterator[_]) => _,  
5.       partitions: Array[Int],  
6.       callSite: CallSite,  
7.       listener: JobListener,  
8.       properties: Properties) {  
9.     var finalStage: ResultStage = null  
10.       
11.     // 利用最后一个RDD（finalRDD），创建最后的stage对象：finalStage  
12.     try {  
13.       // New stage creation may throw an exception if, for example, jobs are run on a  
14.       // HadoopRDD whose underlying HDFS files have been deleted.  
15.       // 根据最后一个RDD获取最后的stage  
16.       finalStage = newResultStage(finalRDD, func, partitions, jobId, callSite)  
17.     } catch {  
18.       case e: Exception =>  
19.         logWarning("Creating new stage failed due to exception - job: " + jobId, e)  
20.         listener.jobFailed(e)  
21.         return  
22.     }  
23.   
24.     // 创建一个ActiveJob对象  
25.     val job = new ActiveJob(jobId, finalStage, callSite, listener, properties)  
26.       
27.     // 清除RDD分区位置缓存  
28.     // private val cacheLocs = new HashMap[Int, IndexedSeq[Seq[TaskLocation]]]  
29.     clearCacheLocs()  
30.       
31.     // 调用logInfo()方法记录日志信息  
32.     logInfo("Got job %s (%s) with %d output partitions".format(  
33.       job.jobId, callSite.shortForm, partitions.length))  
34.     logInfo("Final stage: " + finalStage + " (" + finalStage.name + ")")  
35.     logInfo("Parents of final stage: " + finalStage.parents)  
36.     logInfo("Missing parents: " + getMissingParentStages(finalStage))  
37.   
38.     val jobSubmissionTime = clock.getTimeMillis()  
39.       
40.     // 将jobId-->ActiveJob的对应关系添加到HashMap类型的数据结构jobIdToActiveJob中去  
41.     jobIdToActiveJob(jobId) = job  
42.       
43.     // 将ActiveJob添加到HashSet类型的数据结构activeJobs中去  
44.     activeJobs += job  
45.       
46.     finalStage.setActiveJob(job)  
47.       
48.     //2 获取stageIds列表  
49.     // jobIdToStageIds存储的是jobId--stageIds的对应关系  
50.     // stageIds为HashSet[Int]类型的  
51.     // jobIdToStageIds在上面newResultStage过程中已被处理  
52.     val stageIds = jobIdToStageIds(jobId).toArray  
53.     // stageIdToStage存储的是stageId-->Stage的对应关系  
54.     val stageInfos = stageIds.flatMap(id => stageIdToStage.get(id).map(_.latestInfo))  
55.       
56.     listenerBus.post(  
57.       SparkListenerJobStart(job.jobId, jobSubmissionTime, stageInfos, properties))  
58.       
59.     // 提交最后一个stage  
60.     submitStage(finalStage)  
61.   
62.     // 提交其他正在等待的stage  
63.     submitWaitingStages()  
64.   }  

        这个handleJobSubmitted()方法一共做了这么几件事：

        第一，调用newResultStage()方法，生成Stage，包括最后一个Stage：ResultStage和前面的Parent Stage：ShuffleMapStage；

        第二，创建一个ActiveJob对象job；

        第三，清除RDD分区位置缓存；

        第四，调用logInfo()方法记录日志信息；

        第五，维护各种数据对应关系涉及到的数据结构：

        （1）将jobId-->ActiveJob的对应关系添加到HashMap类型的数据结构jobIdToActiveJob中去；

        （2）将ActiveJob添加到HashSet类型的数据结构activeJobs中去；

        第六，提交Stage；

        下面，除了提交Stage留在第三阶段外，我们挨个分析第二阶段的每一步。

        首先是调用newResultStage()方法，生成Stage，包括最后一个Stage：ResultStage和前面的Parent Stage：ShuffleMapStage。代码如下：

[java] view plain copy

 

 

1. /** 
2.    * Create a ResultStage associated with the provided jobId. 
3.    * 用提供的jobId创建一个ResultStage 
4.    */  
5.   private def newResultStage(  
6.       rdd: RDD[_],  
7.       func: (TaskContext, Iterator[_]) => _,  
8.       partitions: Array[Int],  
9.       jobId: Int,  
10.       callSite: CallSite): ResultStage = {  
11.       
12.     // 根据fianl RDD获取parent stage及id，这个id为ResultStage的stageId  
13.     val (parentStages: List[Stage], id: Int) = getParentStagesAndId(rdd, jobId)  
14.       
15.     // 创建一个ResultStage，即为整个Job的finalStage  
16.     // 参数：id为stage的id，rdd为stage中最后一个rdd，func为在分区上执行的函数操作，  
17.     // partitions为rdd中可以执行操作的分区，parentStages为该stage的父stages，jobId为该stage  
18.     val stage = new ResultStage(id, rdd, func, partitions, parentStages, jobId, callSite)  
19.       
20.     // 将stage加入到stageIdToStage中  
21.     stageIdToStage(id) = stage  
22.       
23.     // 更新数据结构jobIdToStageIds  
24.     updateJobIdStageIdMaps(jobId, stage)  
25.       
26.     // 返回stage  
27.     stage  
28.   }  

        首先，根据fianl RDD获取parent stages及id，这个id为ResultStage的stageId；

        其次，创建一个ResultStage，即为整个Job的finalStage；

        然后，将stage加入到数据结构stageIdToStage中；

        接着，更新数据结构jobIdToStageIds；

        最后，返回这个ResultStage。

        我们一步步来看。首先调用getParentStagesAndId()方法，根据fianl RDD获取parent stages及id，这个id为ResultStage的stageId。代码如下：

[java] view plain copy

 

 

1. /** 
2.    * Helper function to eliminate some code re-use when creating new stages. 
3.    */  
4.   private def getParentStagesAndId(rdd: RDD[_], firstJobId: Int): (List[Stage], Int) = {  
5.     // 获取parent stages  
6.     val parentStages = getParentStages(rdd, firstJobId)  
7.       
8.     // 获取下一个stageId，为AtomicInteger类型，getAndIncrement()能保证原子操作  
9.     val id = nextStageId.getAndIncrement()  
10.       
11.     // 返回parentStages和id  
12.     (parentStages, id)  
13.   }  

        这个id即为下一个stageId，通过AtomicInteger类型的getAndIncrement()获得，能够保证原子性。继续分析getParentStages()方法，通过它来获取final RDD的parent stage。代码如下：

[java] view plain copy

 

 

1. /** 
2.    * Get or create the list of parent stages for a given RDD.  The new Stages will be created with 
3.    * the provided firstJobId. 
4.    */  
5.   private def getParentStages(rdd: RDD[_], firstJobId: Int): List[Stage] = {  
6.     // 用HashSet存储parents stage  
7.     val parents = new HashSet[Stage]  
8.       
9.     // 用HashSet存储已经被访问过的RDD  
10.     val visited = new HashSet[RDD[_]]  
11.       
12.     // We are manually maintaining a stack here to prevent StackOverflowError  
13.     // caused by recursively visiting  
14.     // 存储需要被处理的RDD。Stack中得RDD都需要被处理  
15.     val waitingForVisit = new Stack[RDD[_]]  
16.       
17.     // 定义一个visit函数，根据传入的RDD，如果之前没有处理过，标记为已处理，循环此RDD的依赖关系dependencies  
18.     // 如果是ShuffleDependency，获取其parents；如果不是，则说明为同一stage，并压入Stack：waitingForVisit顶部  
19.     def visit(r: RDD[_]) {  
20.       if (!visited(r)) {// visited中没有的话  
21.         // 将RDD r加入到visited，表示已经处理过了  
22.         visited += r  
23.           
24.         // Kind of ugly: need to register RDDs with the cache here since  
25.         // we can‘t do it in its constructor because # of partitions is unknown  
26.         // 循环Rdd r的依赖关系  
27.         for (dep <- r.dependencies) {  
28.           dep match {  
29.             case shufDep: ShuffleDependency[_, _, _] =>  
30.               // 如果是ShuffleDependency，获取其parents，添加到parents中去  
31.               parents += getShuffleMapStage(shufDep, firstJobId)  
32.             case _ =>  
33.               // 否则，属于同一个stage，压入Stack顶部，后续再递归处理  
34.               waitingForVisit.push(dep.rdd)  
35.           }  
36.         }  
37.       }  
38.     }  
39.       
40.     // 将rdd压入Stack顶部  
41.     waitingForVisit.push(rdd)  
42.       
43.     // 循环waitingForVisit，弹出每个rdd  
44.     while (waitingForVisit.nonEmpty) {  
45.       // 调用visit()方法，处理每个rdd  
46.       visit(waitingForVisit.pop())  
47.     }  
48.       
49.     // 返回得到的parents列表  
50.     parents.toList  
51.   }  

        getParentStages()方法在其内部定义了如下数据结构：

        parents：用HashSet存储parents stages，即finalRDD的所有parent stages，也就是ShuffleMapStage；

        visited：用HashSet存储已经被访问过的RDD，在RDD被处理前先存入该HashSet，保证存储在里面的RDD将不会被重复处理；

        waitingForVisit：存储需要被处理的RDD。Stack中得RDD都需要被处理。

        getParentStages()方法在其内部还定义了一个visit()方法，传入一个RDD，如果之前没有处理过，标记为已处理，并循环此RDD的依赖关系dependencies，如果是ShuffleDependency，调用getShuffleMapStage()方法获取其parent stage；如果不是，则说明为同一stage，并压入Stack：waitingForVisit顶部，等待后续通过visit()方法处理。所以，getParentStages()方法从finalRDD开始，逐渐往上查找，如果是窄依赖，证明在同一个Stage中，继续往上查找，如果是宽依赖，通过getShuffleMapStage()方法获取其parent stage，就能得到整个Job中所有的parent stages，也就是ShuffleMapStage。

        接下来，我们看下getShuffleMapStage()方法的实现。代码如下：

[java] view plain copy

 

 

1. /** 
2.    * Get or create a shuffle map stage for the given shuffle dependency‘s map side. 
3.    * 针对给定的shuffle dependency的map端，获取或者创建一个ShuffleMapStage 
4.    */  
5.   private def getShuffleMapStage(  
6.       shuffleDep: ShuffleDependency[_, _, _],  
7.       firstJobId: Int): ShuffleMapStage = {  
8.       
9.     // 从数据结构shuffleToMapStage中根据shuffleId获取，如果有直接返回，否则  
10.     // 获取ShuffleDependency中的rdd，调用getAncestorShuffleDependencies()方法，  
11.     // 循环每个parent，调用newOrUsedShuffleStage()方法，创建一个新的ShuffleMapStage，  
12.     // 并加入到数据结构shuffleToMapStage中去  
13.     //   
14.     // 它的定义为：private[scheduler] val shuffleToMapStage = new HashMap[Int, ShuffleMapStage]  
15.     shuffleToMapStage.get(shuffleDep.shuffleId) match {  
16.       case Some(stage) => stage // 有则直接返回  
17.       case None => // 没有  
18.         // We are going to register ancestor shuffle dependencies  
19.         // 调用getAncestorShuffleDependencies()方法，传入ShuffleDependency中的rdd  
20.           
21.         // 发现还没有在shuffleToMapStage中注册的祖先shuffle dependencies  
22.         getAncestorShuffleDependencies(shuffleDep.rdd).foreach { dep =>  
23.           // 并循环返回的parents，调用newOrUsedShuffleStage()方法，创建一个新的ShuffleMapStage，  
24.           // 并加入到数据结构shuffleToMapStage中去  
25.           shuffleToMapStage(dep.shuffleId) = newOrUsedShuffleStage(dep, firstJobId)  
26.         }  
27.           
28.         // Then register current shuffleDep  
29.         // 最后注册当前shuffleDep，并加入到数据结构shuffleToMapStage中，返回stage  
30.         val stage = newOrUsedShuffleStage(shuffleDep, firstJobId)  
31.         shuffleToMapStage(shuffleDep.shuffleId) = stage  
32.         stage  
33.     }  
34.   }  

        从getShuffleMapStage()方法的注释就能看出，这个方法的主要作用就是针对给定的shuffle dependency的map端，获取或者创建一个ShuffleMapStage。为何是Get or create呢？通过源码得知，getShuffleMapStage()方法首先会根据shuffleDep.shuffleId从数据结构shuffleToMapStage中查找哦是否存在对应的stage，如果存在则直接返回，如果不存在，则调用newOrUsedShuffleStage()方法创建一个Stage并添加到数据结构shuffleToMapStage中，方便后续需要使用此Stage者直接使用。在此之前，会根据入参ShuffleDependency的rdd发现还没有在shuffleToMapStage中注册的祖先shuffle dependencies，然后遍历每个ShuffleDependency，调用newOrUsedShuffleStage()方法为每个ShuffleDependency产生Stage并添加到数据结构shuffleToMapStage中。

        下面，我们看下这个getAncestorShuffleDependencies()方法的实现，代码如下：

[java] view plain copy

 

 

1. /** Find ancestor shuffle dependencies that are not registered in shuffleToMapStage yet */  
2.   // 根据传入的RDD，发现还没有在shuffleToMapStage中未注册过的祖先shuffle dependencies  
3.   private def getAncestorShuffleDependencies(rdd: RDD[_]): Stack[ShuffleDependency[_, _, _]] = {  
4.       
5.     // 存放parents的栈：Stack  
6.     val parents = new Stack[ShuffleDependency[_, _, _]]  
7.       
8.     // 存放已经处理过的RDD的哈希表：HashSet  
9.     val visited = new HashSet[RDD[_]]  
10.       
11.     // We are manually maintaining a stack here to prevent StackOverflowError  
12.     // caused by recursively visiting  
13.     // 存放等待调用visit的RDD的栈：Stack  
14.     val waitingForVisit = new Stack[RDD[_]]  
15.       
16.     // 定义方法visit()  
17.     def visit(r: RDD[_]) {  
18.       if (!visited(r)) {// 如果之前没有处理过  
19.         visited += r // 标记为已处理  
20.           
21.         // 循环RDD的所有依赖  
22.         for (dep <- r.dependencies) {  
23.           dep match {  
24.             case shufDep: ShuffleDependency[_, _, _] => // 如果是ShuffleDependency  
25.               // 如果shuffleToMapStage中没有，添加到parents中  
26.               if (!shuffleToMapStage.contains(shufDep.shuffleId)) {  
27.                 parents.push(shufDep)  
28.               }  
29.             case _ =>  
30.           }  
31.             
32.           // 将该dependence的rdd压入waitingForVisit栈顶部  
33.           waitingForVisit.push(dep.rdd)  
34.         }  
35.       }  
36.     }  
37.   
38.     // 将RDD压入到waitingForVisit顶部  
39.     waitingForVisit.push(rdd)  
40.     // 循环waitingForVisit，针对每个RDD调用visit()方法  
41.     while (waitingForVisit.nonEmpty) {  
42.       visit(waitingForVisit.pop())  
43.     }  
44.       
45.     // 返回parents  
46.     parents  
47.   }  

        通过代码我们可以发现，它和getParentStages()方法的代码风格非常相似。在其内部也定义了三个数据结构：

        parents：存放parents的栈，即Stack，用于存放入参RDD的在shuffleToMapStage中未注册过的祖先shuffle dependencies；

        visited：存放已经处理过的RDD的哈希表，即HashSet；

        waitingForVisit：存放等待被处理的RDD的栈，即Stack；

        定义了一个visit()方法，入参为RDD，针对传入的RDD，如果之前没有处理过则标记为已处理，并循环RDD的所有依赖，如果是如果是ShuffleDependency，并且其依赖的shuffleId在shuffleToMapStage中没有，添加到parents中，否则直接跳过，最后无论为何种Dependency，都将该dependence的rdd压入waitingForVisit栈顶部，等待后续处理。

        接下来，我们再看下newOrUsedShuffleStage()方法，其代码如下：

[java] view plain copy

 

 

1. /** 
2.    * Create a shuffle map Stage for the given RDD.  The stage will also be associated with the 
3.    * provided firstJobId.  If a stage for the shuffleId existed previously so that the shuffleId is 
4.    * present in the MapOutputTracker, then the number and location of available outputs are 
5.    * recovered from the MapOutputTracker 
6.    * 
7.    * 为给定的RDD创建一个ShuffleStage 
8.    */  
9.   private def newOrUsedShuffleStage(  
10.       shuffleDep: ShuffleDependency[_, _, _],  
11.       firstJobId: Int): ShuffleMapStage = {  
12.       
13.     // 从shuffleDep中获取RDD   
14.     val rdd = shuffleDep.rdd  
15.       
16.     // 获取RDD的分区个数，即未来的task数目  
17.     val numTasks = rdd.partitions.length  
18.       
19.     // 构造一个ShuffleMapStage实例  
20.     val stage = newShuffleMapStage(rdd, numTasks, shuffleDep, firstJobId, rdd.creationSite)  
21.       
22.       
23.     if (mapOutputTracker.containsShuffle(shuffleDep.shuffleId)) {  
24.       // 如果mapOutputTracker中存在  
25.       
26.       // 根据shuffleId从mapOutputTracker中获取序列化的多个MapOutputStatus对象  
27.       val serLocs = mapOutputTracker.getSerializedMapOutputStatuses(shuffleDep.shuffleId)  
28.         
29.       // 反序列化  
30.       val locs = MapOutputTracker.deserializeMapStatuses(serLocs)  
31.         
32.       // 循环  
33.       (0 until locs.length).foreach { i =>  
34.         if (locs(i) ne null) {  
35.           // locs(i) will be null if missing  
36.           // 将  
37.           stage.addOutputLoc(i, locs(i))  
38.         }  
39.       }  
40.     } else {  
41.       // 如果mapOutputTracker中不存在，注册一个  
42.       
43.       // Kind of ugly: need to register RDDs with the cache and map output tracker here  
44.       // since we can‘t do it in the RDD constructor because # of partitions is unknown  
45.       logInfo("Registering RDD " + rdd.id + " (" + rdd.getCreationSite + ")")  
46.       // 注册的内容为  
47.       // 1、根据shuffleDep获取的shuffleId；  
48.       // 2、rdd中分区的个数  
49.       mapOutputTracker.registerShuffle(shuffleDep.shuffleId, rdd.partitions.length)  
50.     }  
51.     stage  
52.   }  

        这个方法的主要完成了以下两件事：

        1、构造一个ShuffleMapStage实例stage；

        2、判断是否在mapOutputTracker中存在：

           （1）如果不存在，调用mapOutputTracker的registerShuffle()方法注册一个，注册的内容为根据shuffleDep获取的shuffleId和rdd中分区的个数；

           （2）如果存在，根据shuffleId从mapOutputTracker中获取序列化的多个MapOutputStatus对象，反序列化后循环，逐个添加到stage中。

        紧接着，看下newShuffleMapStage()方法，其代码如下：

[java] view plain copy

 

 

1. /** 
2.    * Create a ShuffleMapStage as part of the (re)-creation of a shuffle map stage in 
3.    * newOrUsedShuffleStage.  The stage will be associated with the provided firstJobId. 
4.    * Production of shuffle map stages should always use newOrUsedShuffleStage, not 
5.    * newShuffleMapStage directly. 
6.    */  
7.   private def newShuffleMapStage(  
8.       rdd: RDD[_],  
9.       numTasks: Int,  
10.       shuffleDep: ShuffleDependency[_, _, _],  
11.       firstJobId: Int,  
12.       callSite: CallSite): ShuffleMapStage = {  
13.       
14.     // 获得parentStages和下一个stageId  
15.     val (parentStages: List[Stage], id: Int) = getParentStagesAndId(rdd, firstJobId)  
16.       
17.     // 创建一个ShuffleMapStage  
18.     val stage: ShuffleMapStage = new ShuffleMapStage(id, rdd, numTasks, parentStages,  
19.       firstJobId, callSite, shuffleDep)  
20.   
21.     // 将stage加入到数据结构stageIdToStage  
22.     stageIdToStage(id) = stage  
23.     updateJobIdStageIdMaps(firstJobId, stage)  
24.     stage  
25.   }  

        可以发现，这个方法也调用了getParentStagesAndId()方法，这样，就形成了一个递归，按照RDD的依赖关系，由后往前，逐渐生成Stage。代码剩余的部分就是创建一个ShuffleMapStage，并将stage加入到数据结构stageIdToStage，以及调用updateJobIdStageIdMaps()方法更新相关数据结构。这个updateJobIdStageIdMaps()方法留待下面分析。

        下面，简单看下mapOutputTracker注册的代码。

[java] view plain copy

 

 

1. // 注册shuffle  
2.   def registerShuffle(shuffleId: Int, numMaps: Int) {  
3.     // 将shuffleId、numMaps大小和MapStatus类型的Array数组的映射关系，放入mapStatuses中  
4.     // mapStatuses为TimeStampedHashMap[Int, Array[MapStatus]]类型的数据结构  
5.     if (mapStatuses.put(shuffleId, new Array[MapStatus](numMaps)).isDefined) {  
6.       throw new IllegalArgumentException("Shuffle ID " + shuffleId + " registered twice")  
7.     }  
8.   }  

        很简单，将shuffleId、numMaps大小和MapStatus类型的Array数组的映射关系，放入mapStatuses中，mapStatuses为TimeStampedHashMap[Int, Array[MapStatus]]类型的数据结构。
       经历了这多又长又大篇幅的叙述，现在返回newResultStage()方法，在通过getParentStagesAndId()方法获取parent stages及其result stage的id后，紧接着创建一个ResultStage，并将stage加入到stageIdToStage中，最后在调用updateJobIdStageIdMaps()更新数据结构jobIdToStageIds后，返回stage。

        下面，简单看下updateJobIdStageIdMaps()方法。代码如下：

[java] view plain copy

 

 

1. /** 
2.    * Registers the given jobId among the jobs that need the given stage and 
3.    * all of that stage‘s ancestors. 
4.    */  
5.   private def updateJobIdStageIdMaps(jobId: Int, stage: Stage): Unit = {  
6.     // 定义一个函数updateJobIdStageIdMapsList()  
7.     def updateJobIdStageIdMapsList(stages: List[Stage]) {  
8.         
9.       if (stages.nonEmpty) {  
10.           
11.         // 获取列表头元素  
12.         val s = stages.head  
13.           
14.         // 将jobId添加到Stage的jobIds中  
15.         s.jobIds += jobId  
16.           
17.         // 更新jobIdToStageIds，将jobId与stageIds的对应关系添加进去  
18.         jobIdToStageIds.getOrElseUpdate(jobId, new HashSet[Int]()) += s.id  
19.           
20.         val parents: List[Stage] = getParentStages(s.rdd, jobId)  
21.           
22.         val parentsWithoutThisJobId = parents.filter { ! _.jobIds.contains(jobId) }  
23.         updateJobIdStageIdMapsList(parentsWithoutThisJobId ++ stages.tail)  
24.       }  
25.     }  
26.     // 调用函数updateJobIdStageIdMapsList()  
27.     updateJobIdStageIdMapsList(List(stage))  
28.   }  

        这个方法的实现比较简单，在其内部定义了一个函数updateJobIdStageIdMapsList()，首选传入result stage，将jobId添加到stage的jobIds中，更新jobIdToStageIds，将jobId与stageIds的对应关系添加进去，然后根据给定stage的RDD获取其parent stages，过滤出不包含此JobId的parents stages，再递归调用updateJobIdStageIdMapsList()方法，直到全部stage都处理完。

        至此，第二阶段Stage划分大体流程已分析完毕，有遗漏或不清楚的地方，以后再查缺补漏以及细化及更正错误。

博客原地址：http://blog.csdn.net/lipeng_bigdata/article/details/50674189

Spark源码分析之三：Stage划分

原文：http://www.cnblogs.com/jirimutu01/p/5274456.html