[Spark源代码剖析] DAGScheduler划分stage

转载请标明出处：http://blog.csdn.net/bigbigdata/article/details/47293263



先上一些stage相关的知识点：

DAGScheduler将Job分解成具有前后依赖关系的多个stage

DAGScheduler是依据ShuffleDependency划分stage的

stage分为ShuffleMapStage和ResultStage。一个Job中包括一个ResultStage及多个ShuffleMapStage

一个stage包括多个tasks，task的个数即该stage的finalRDD的partition数

一个stage中的task全然同样，ShuffleMapStage包括的都是ShuffleMapTask；ResultStage包括的都是ResultTask

下图为整个划分stage的函数调用关系图



在DAGScheduler内部通过post一个JobSubmitted事件来触发Job的提交

DAGScheduler.eventProcessLoop.post( JobSubmitted(...) )
DAGScheduler.handleJobSubmitted

既然这两个方法都是DAGScheduler内部的实现，为什么不直接调用函数而要这样“多此一举”呢？我猜想这是为了保证整个系统事件模型的完整性。

DAGScheduler.handleJobSubmitted部分源代码及例如以下

private[scheduler] def handleJobSubmitted(jobId: Int,
finalRDD: RDD[_],
func: (TaskContext, Iterator[_]) => _,
partitions: Array[Int],
allowLocal: Boolean,
callSite: CallSite,
listener: JobListener,
properties: Properties) {
var finalStage: ResultStage = null
try {
//< 创建finalStage可能会抛出一个异常, 比方, jobs是基于一个HadoopRDD的但这个HadoopRDD已被删除
finalStage = newResultStage(finalRDD, partitions.size, jobId, callSite)
} catch {
case e: Exception =>
return
}

//< 此处省略n行代码
}

该函数通过调用newResultStage函数来创建唯一的ResultStage，也就是finalStage。调用newResultStage时，传入了finalRDD、partitions.size等參数。

跟进到

DAGScheduler.newResultStage

private def newResultStage(
rdd: RDD[_],
numTasks: Int,
jobId: Int,
callSite: CallSite): ResultStage = {
val (parentStages: List[Stage], id: Int) = getParentStagesAndId(rdd, jobId)
val stage: ResultStage = new ResultStage(id, rdd, numTasks, parentStages, jobId, callSite)

stageIdToStage(id) = stage
updateJobIdStageIdMaps(jobId, stage)
stage
}

DAGScheduler.newResultStage首先调用

val (parentStages: List[Stage], id: Int) = getParentStagesAndId(rdd, jobId)

。这个调用看起来像是要先确定好该ResultStage依赖的父stages，

问题1：那么是直接父stage呢？还是父stage及间接依赖的全部父stage呢？记住这个问题，继续往下看。

跟进到

DAGScheduler.getParentStagesAndId

:

private def getParentStagesAndId(rdd: RDD[_], jobId: Int): (List[Stage], Int) = {
val parentStages = getParentStages(rdd, jobId)
val id = nextStageId.getAndIncrement()      //< 这个调用确定了每一个stage的id，划分stage时。会从右到左，由于是递归调用，事实上越左的stage创建时。越早调到?try
(parentStages, id)
}

该函数调用

getParentStages

获得parentStages，之后获取一个递增的id。连同刚获得的parentStages一同返回。并在newResultStage中，将id作为ResultStage的id。

那么。

问题2：stage id是父stage的大还是子stage的大？

继续跟进源代码，全部提问均会在后面解答。跟到

getParentStages

里

//< 这个函数的实现方式比較巧妙
private def getParentStages(rdd: RDD[_], jobId: Int): List[Stage] = {
//< 通过vist一级一级vist得到的父stage
val parents = new HashSet[Stage]
//< 已经visted的rdd
val visited = new HashSet[RDD[_]]
val waitingForVisit = new Stack[RDD[_]]
def visit(r: RDD[_]) {
if (!visited(r)) {
visited += r

for (dep <- r.dependencies) {
dep match {
//< 若为宽依赖，调用getShuffleMapStage
case shufDep: ShuffleDependency[_, _, _] =>
parents += getShuffleMapStage(shufDep, jobId)
case _ =>
//< 若为窄依赖。将该依赖中的rdd增加到待vist列表。以保证能一级一级往上vist，直至遍历整个DAG图
waitingForVisit.push(dep.rdd)
}
}
}
}
waitingForVisit.push(rdd)
while (waitingForVisit.nonEmpty) {
visit(waitingForVisit.pop())
}
parents.toList
}

函数getParentStages中。遍历整个RDD依赖图的finalRDD的List[dependency] （关于RDD及依赖。可參考举例说明Spark RDD的分区、依赖），若遇到ShuffleDependency（即宽依赖），则调用

getShuffleMapStage(shufDep, jobId)

返回一个

ShuffleMapStage

类型对象，增加到父stage列表中。

若为NarrowDenpendency，则将该NarrowDenpendency包括的RDD增加到待visit队列中。之后继续遍历待visit队列中的RDD，直到遇到ShuffleDependency或无依赖的RDD。

函数

getParentStages

的职责说白了就是：以參数rdd为起点。一级一级遍历依赖。碰到窄依赖就继续往前遍历，碰到宽依赖就调用

getShuffleMapStage(shufDep, jobId)

。

这里须要特别注意的是。

getParentStages

以rdd为起点遍历RDD依赖并不会遍历整个RDD依赖图。而是一级一级遍历直到全部“遍历路线”都碰到了宽依赖就停止。

剩下的事。在遍历的过程中交给

getShuffleMapStage

。

那么。让我来看看函数

getShuffleMapStage

的实现：

private def getShuffleMapStage(
shuffleDep: ShuffleDependency[_, _, _],
jobId: Int): ShuffleMapStage = {
shuffleToMapStage.get(shuffleDep.shuffleId) match {
case Some(stage) => stage
case None =>
// We are going to register ancestor shuffle dependencies
registerShuffleDependencies(shuffleDep, jobId)

//< 然后创建新的ShuffleMapStage
val stage = newOrUsedShuffleStage(shuffleDep, jobId)
shuffleToMapStage(shuffleDep.shuffleId) = stage

stage
}
}

在划分stage的过程中，由于每次

shuffleDep.shuffleId

都不同且都是第一次出现，显然

shuffleToMapStage.get(shuffleDep.shuffleId)

会match到None。便会调用

newOrUsedShuffleStage

。来看看它的实现：

private def registerShuffleDependencies(shuffleDep: ShuffleDependency[_, _, _], jobId: Int) {
val parentsWithNoMapStage = getAncestorShuffleDependencies(shuffleDep.rdd)
while (parentsWithNoMapStage.nonEmpty) {
//< 出栈的事实上是shuffleDep的前一个宽依赖，且shuffleToMapStage不包括以该出栈宽依赖id为key的元素
val currentShufDep = parentsWithNoMapStage.pop()
//< 创建新的ShuffleMapStage
val stage = newOrUsedShuffleStage(currentShufDep, jobId)
//< 将新创建的ShuffleMapStage增加到shuffleId -> ShuffleMapStage映射关系中
shuffleToMapStage(currentShufDep.shuffleId) = stage
}
}

函数

registerShuffleDependencies

首先调用

getAncestorShuffleDependencies

，这个函数遍历參数rdd的List[dependency]，若遇到ShuffleDependency，增加到

parents: Stack[ShuffleDependency[_, _, _]]

中。若遇到窄依赖，则遍历该窄依赖相应rdd的父一层依赖，知道遇到宽依赖为止。

实现与

getParentStages

基本一致，不同的是这里是将宽依赖增加到parents中并返回。

registerShuffleDependencies

拿到各个“依赖路线”近期的全部宽依赖后。

对每一个宽依赖调用

newOrUsedShuffleStage

。该函数用来创建新ShuffleMapStage或获得已经存在的ShuffleMapStage。来看它的实现：

private def newOrUsedShuffleStage(
shuffleDep: ShuffleDependency[_, _, _],
jobId: Int): ShuffleMapStage = {
val rdd = shuffleDep.rdd
val numTasks = rdd.partitions.size
val stage = newShuffleMapStage(rdd, numTasks, shuffleDep, jobId, rdd.creationSite)
//< 若该shuffleDep.shulleId相应的, stage已经在MapOutputTracker中存在，那么可用的输出的数量及位置将从MapOutputTracker恢复
if (mapOutputTracker.containsShuffle(shuffleDep.shuffleId)) {
val serLocs = mapOutputTracker.getSerializedMapOutputStatuses(shuffleDep.shuffleId)
val locs = MapOutputTracker.deserializeMapStatuses(serLocs)
for (i <- 0 until locs.size) {
stage.outputLocs(i) = Option(locs(i)).toList // locs(i) will be null if missing
}
stage.numAvailableOutputs = locs.count(_ != null)
} else {
// Kind of ugly: need to register RDDs with the cache and map output tracker here
// since we can't do it in the RDD constructor because # of partitions is unknown
logInfo("Registering RDD " + rdd.id + " (" + rdd.getCreationSite + ")")
//< 否则使用shuffleDep.shuffleId, rdd.partitions.size在mapOutputTracker中注冊，这会在shuffle阶段reducer从shuffleMap端fetch数据起作用
mapOutputTracker.registerShuffle(shuffleDep.shuffleId, rdd.partitions.size)
}
stage
}

函数

newOrUsedShuffleStage

首先调用

newShuffleMapStage

来创建新的ShuffleMapStage。来看下

newShuffleMapStage

的实现：

private def newShuffleMapStage(
rdd: RDD[_],
numTasks: Int,
shuffleDep: ShuffleDependency[_, _, _],
jobId: Int,
callSite: CallSite): ShuffleMapStage = {
val (parentStages: List[Stage], id: Int) = getParentStagesAndId(rdd, jobId)
val stage: ShuffleMapStage = new ShuffleMapStage(id, rdd, numTasks, parentStages,
jobId, callSite, shuffleDep)

stageIdToStage(id) = stage
updateJobIdStageIdMaps(jobId, stage)
stage
}

结合文章開始处的函数调用关系图，能够看到

newShuffleMapStage

居然又调用

getParentStagesAndId

来获取它的parentStages。那么，文章开头处的整个函数调用流程又会继续走一遍。不同的是起点rdd不是原来的finalRDD而是变成了这里的宽依赖的rdd。

静下心来，细致看几遍上文提到的源代码及凝视，事实上每一次的如上图所看到的的递归调用。事实上就仅仅做了两件事：

遍历起点RDD的依赖列表。若遇到窄依赖，则继续遍历该窄依赖的父List[RDD]的依赖，直到碰到宽依赖。若碰到宽依赖（不管是起点RDD的宽依赖还是遍历多级依赖碰到的宽依赖），则以宽依赖RDD为起点再次反复上述过程。直到到达RDD依赖图的最左端。也就是遍历到了没有依赖的RDD。则进入2

达到RDD依赖图的最左端，即递归调用也到了最深得层数，

getParentStagesAndId中

，

getParentStages

第一次返回（第一次返回为空，由于最初的stage没有父stage），

val id = nextStageId.getAndIncrement()

也是第一次被调用，获得第一个stage的id，为0（注意。这个时候还没有创建第一个stage）。这之后，便调用

val stage: ShuffleMapStage = new ShuffleMapStage(id, rdd, numTasks, parentStages, jobId, callSite, shuffleDep)

创建第一个ShuffleMapStage。至此。这一层递归调用结束，返回到上一层递归中，这一层创建的全部的ShuffleMapStage会作为下一层stage的父List[stage]用来构造上一层的stages。上一层递归调用返回后，上一层创建的stage又将作为上上层的parent List[stage]来构造上上层的stages。依次类推。直到最后的ResultStage也被创建出来为止。整个stage的划分完毕。

有一个须要注意的点是，不管对于ShuffleMapStage还是ResultStage来说，task的个数即该stage的finalRDD的partition的个数，细致查看下上文中的

newResultStage

和

newShuffleMapStage

函数能够搞明确这点。不再赘述。

最后，解答下上文中的两个问题：

问题1：每一个stage都有一个val parents: List[Stage]成员，保存的是其直接依赖的父stages；其直接父stages又有自身依赖的父stages，以此类推，构成了整个DAG图

问题2：父stage的id比子stage的id大，DAG图中。越左边的stage，id越小。