Spark源码剖析（八）：stage划分原理与源码剖析

引言

对于Spark开发人员来说，了解stage的划分算法可以让你知道自己编写的spark application被划分为几个job，每个job被划分为几个stage，每个stage包括了你的哪些代码，只有知道了这些之后，碰到某个stage执行特别慢或者报错，你才能快速定位到对应的代码，对其进行性能优化和排错。

stage划分原理与源码

接着上期内核源码（五）的最后，每个action操作最终会调用SparkContext初始化时创建的DAGSchedule的runJob方法创建一个job：





那么这一篇就我们来探究一下每个job中stage到底是如何划分的

dagScheduler.runJob(rdd, cleanedFunc, partitions, callSite, allowLocal, resultHandler, localProperties.get)



val waiter = submitJob(rdd, func, partitions, callSite, allowLocal, resultHandler, properties)



eventProcessLoop.post(JobSubmitted( jobId, rdd, func2, partitions.toArray, allowLocal, callSite, waiter, properties))



new DAGSchedulerEventProcessLoop(this)



dagScheduler.handleJobSubmitted(jobId, rdd, func, partitions, allowLocal, callSite, listener, properties)

跳转了这么多，我们终于找到了DAGScheduler的job调度核心入口

handleJobSubmitted

方法，该方法总共分为五步完成stage的划分和提交。

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

使用触发job的最后一个rdd创建finalStage

val job = new ActiveJob(jobId, finalStage, func, partitions, callSite, listener, properties)

用finalStage创建一个job

submitStage(finalStage)

stage划分算法重点！递归寻找父Stage！

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

获取当前stage的父stage

submitMissingTasks(stage, jobId.get)

提交某一个stage

val locs = getPreferredLocs(stage.rdd, id)

给每个partition创建一个ShuffleMapTask或ResultTask（最后一个stage），并计算其运行的最佳位置

stage划分算法总结

1. 从finalStage倒推

2. 通过宽依赖，来进行新stage的划分

3. 使用递归，优先提交父stage

重要知识点

对于每一种有shuffle的操作，例如：groupByKey、reduceByKey、countByKey等，底层都对应了三个RDD：

MapPartitionsRDD：对应父stage的最后一个RDD

ShuffleRDD：对应子stage的第一个RDD

MapPartitionsRDD：对应子stage的第二个RDD