DAGScheduler的主要功能
1、接收用户提交的job;
2、将job根据类型划分为不同的stage，并在每一个stage内产生一系列的task，并封装成TaskSet;
3、向TaskScheduler提交TaskSet;
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("\t")).map(word => (word, 1)).reduceByKey(_ + _)
result.collect
RDD.collect
==>sc.runJob ##########################至此完成了将RDD提交DAGScheduler########################
==>dagScheduler.runJob
==>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)
}
}
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；
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；
##########################至此完成了DAGScheduler提交TaskSet到TaskSchuduler########################
Spark分析之DAGScheduler,布布扣,bubuko.com