6.Spark streaming技术内幕 : Job动态生成原理与源码解析

原创文章，转载请注明:转载自周岳飞博客(http://zhou-yuefei.iteye.com/)

Spark streaming 程序的运行过程是将DStream的操作转化成RDD的操作，Spark Streaming 和 Spark Core 的关系如下图（图片来自spark官网）

Spark Streaming 会按照程序设定的时间间隔不断动态生成Job来处理输入数据，这里的Job生成是指将Spark Streaming 的程序翻译成Spark内核的RDD操作，翻译的过程并不会触发Job的运行，Spark Streaming 会将翻译的处理逻辑封装在Job对象中，最后会将Job提交到集群上运行。这就是Spark Streaming 运行的基本过程。下面详细介绍Job动态生成和提交过程。

首先,当SparkStreaming的start方法调用后,整个Spark Streaming 程序开始运行,按照指定的时间间隔生成Job并提交给集群运行,在生成Job的工程中主要核心对象有

1.JobScheduler

2.JobGenerator

3.DStreamGraph

4.DStream

其中, JobScheduler 负责启动JobGenerator生成Job,并提交生成的Job到集群运行,这里的Job不是在spark core 中提到的job,它只是作业运行的代码模板,是逻辑级别的,可以类比java线程中的Runnable接口实现,不是真正运行的作业, 它封装了由DStream转化而来的RDD操作.JobGenerator负责定时调用DStreamingGraph的generateJob方法生成Job和清理Dstream的元数据, DStreamGraph持有构成DStream图的所有DStream对象,并调用DStream的generateJob方法生成具体Job对象.DStream生成最终的Job交给JobScheduler 调度执行。整体过程如下图所示：

原创文章，转载请注明:转载自周岳飞博客(http://zhou-yuefei.iteye.com/)

下面结合源码分析每一步过程 (源码中黄色背景部分为核心逻辑代码,例如 : scheduler.start()) :

首先，StreamingContext起动时调用start方法

try{
 validate()
 
// Start the streaming scheduler in a new thread, so that thread local properties
// like call sites and job groups can be reset without affecting those of the
// current thread.
ThreadUtils.runInNewThread("streaming-start"){
 sparkContext.setCallSite(startSite.get)
 sparkContext.clearJobGroup()
 sparkContext.setLocalProperty(SparkContext.SPARK_JOB_INTERRUPT_ON_CANCEL,"false")
 savedProperties.set(SerializationUtils.clone(
 sparkContext.localProperties.get()).asInstanceOf[Properties])
 scheduler.start()
}
 state =StreamingContextState.ACTIVE
}catch{
caseNonFatal(e)=>
 logError("Error starting the context, marking it as stopped", e)
 scheduler.stop(false)
 state =StreamingContextState.STOPPED
throw e
}

其中调用了scheduler的start方法,此处的scheduler 就是 org.apache.spark.streaming.scheduler.JobScheduler 对象,

StreamingContext持有org.apache.spark.streaming.scheduler.JobScheduler对象的引用。

下面看一下JobScheduler的start方法:

 eventLoop =newEventLoop[JobSchedulerEvent]("JobScheduler"){
 override protected def onReceive(event:JobSchedulerEvent):Unit= processEvent(event)
 
 override protected def onError(e:Throwable):Unit= reportError("Error in job scheduler", e)
}
 eventLoop.start()
 
// attach rate controllers of input streams to receive batch completion updates
for{
 inputDStream <- ssc.graph.getInputStreams
 rateController <- inputDStream.rateController
} ssc.addStreamingListener(rateController)
 
 listenerBus.start()
 receiverTracker =newReceiverTracker(ssc)
 inputInfoTracker =newInputInfoTracker(ssc)
 executorAllocationManager =ExecutorAllocationManager.createIfEnabled(
 ssc.sparkContext,
 receiverTracker,
 ssc.conf,
 ssc.graph.batchDuration.milliseconds,
 clock)
 executorAllocationManager.foreach(ssc.addStreamingListener)
 receiverTracker.start()
 jobGenerator.start()
 executorAllocationManager.foreach(_.start())
 logInfo("Started JobScheduler")

可以看到JobScheduler调用了jobGenerator的start方法和eventLoop的start方法,eventLoop用来接收JobSchedulerEvent消息,并交给processEvent函数进行处理

代码如下:

private def processEvent(event:JobSchedulerEvent){
try{
 event match {
caseJobStarted(job, startTime)=> handleJobStart(job, startTime)
caseJobCompleted(job, completedTime)=> handleJobCompletion(job, completedTime)
caseErrorReported(m, e)=> handleError(m, e)
}
}catch{
case e:Throwable=>
 reportError("Error in job scheduler", e)
}
}

可以看到JobScheduler中的eventLoop只处理JobStarted,JobCompleted和ErrorReported 三类消息,这三类消息的处理不是Job动态生成的核心逻辑代码先略过,(注意:后面JobGenerator中也有个eventLoop不要和这里的eventLoop混淆。)

JobGenerator的start方法首先new了一个EventLoop对象eventLoop,并复写onReceive(),将收到的JobGeneratorEvent 消息交给 processEvent 方法处理.源码如下:

 /** Start generation of jobs */
def start(): Unit = synchronized {
if (eventLoop != null) return // generator has already been started
// Call checkpointWriter here to initialize it before eventLoop uses it to avoid a deadlock.
// See SPARK-10125
checkpointWriter
 eventLoop = new EventLoop[JobGeneratorEvent]("JobGenerator") {
override protected def onReceive(event: JobGeneratorEvent): Unit = processEvent(event)
override protected def onError(e: Throwable): Unit = {
jobScheduler.reportError("Error in job generator", e)
}
}
eventLoop.start()
if (ssc.isCheckpointPresent) {
restart()
} else {
startFirstTime()
}
}

JobGenerator创建了eventLoop对象之后调用该对象的start方法,启动监听进程,准备接收JobGeneratorEvent类型消息交给processEvent函数处理,然后调用了startFirstTime方法,该方法启动DStreamGraph和定时器,定时器启动后根据程序设定的时间间隔给eventLoop对象发送GenerateJobs消息,如下图:

原创文章，转载请注明:转载自周岳飞博客(http://zhou-yuefei.iteye.com/)

eventLoop对象收到 GenerateJobs 消息交个processEvent方法处理,processEvent收到该消息,调用generateJobs方法处理,源码如下:

/** Generate jobs and perform checkpoint for the given `time`. */
private def generateJobs(time:Time){
// Checkpoint all RDDs marked for checkpointing to ensure their lineages are
// truncated periodically. Otherwise, we may run into stack overflows (SPARK-6847).
 ssc.sparkContext.setLocalProperty(RDD.CHECKPOINT_ALL_MARKED_ANCESTORS,"true")
Try{
 jobScheduler.receiverTracker.allocateBlocksToBatch(time)// allocate received blocks to batch
 graph.generateJobs(time)// generate jobs using allocated block
} match {
caseSuccess(jobs)=>
 val streamIdToInputInfos = jobScheduler.inputInfoTracker.getInfo(time)
 jobScheduler.submitJobSet(JobSet(time, jobs, streamIdToInputInfos))
caseFailure(e)=>
 jobScheduler.reportError("Error generating jobs for time "+ time, e)
}
 eventLoop.post(DoCheckpoint(time, clearCheckpointDataLater =false))
}

JobGenerator中的generateJobs方法主要关注两行代码,首先调用graph的generateJobs方法,给方法返回Success(jobs) 或者 Failure(e),其中的jobs就是该方法返回的Job对象集合,如果Job创建成功,再调用JobScheduler的submitJobSet方法将job提交给集群执行。

首先分析Job对象的产生，DStreamGraph 的start方法源码：

 def generateJobs(time:Time):Seq[Job]={
 logDebug("Generating jobs for time "+ time)
 val jobs =this.synchronized{
 outputStreams.flatMap { outputStream =>
 val jobOption = outputStream.generateJob(time)
 jobOption.foreach(_.setCallSite(outputStream.creationSite))
 jobOption
}
}
 logDebug("Generated "+ jobs.length +" jobs for time "+ time)
 jobs
}

DStreamGraph 的start方法源码调用了outputStream对象的generateJob方法，ForeachDStream重写了该方法：

 override def generateJob(time:Time):Option[Job]={
 parent.getOrCompute(time) match {
caseSome(rdd)=>
 val jobFunc =()=> createRDDWithLocalProperties(time, displayInnerRDDOps){
  foreachFunc(rdd, time)
}
Some(newJob(time, jobFunc))
caseNone=>None
}
}

ForeachDStream的generateJob 将用户编写的DStream处理函数封装在jobFunc中，并将其传入Job对象，至此Job的生成。

接下来分析Job提交过程，JobScheduler负责Job的提交，核心代码在submitJobSet方法中：

 def submitJobSet(jobSet:JobSet){
if(jobSet.jobs.isEmpty){
 logInfo("No jobs added for time "+ jobSet.time)
}else{
 listenerBus.post(StreamingListenerBatchSubmitted(jobSet.toBatchInfo))
 jobSets.put(jobSet.time, jobSet)
 jobSet.jobs.foreach(job => jobExecutor.execute(newJobHandler(job)))
 logInfo("Added jobs for time "+ jobSet.time)
}
}

其中jobExecutor对象是一个线程池，JobHandler实现了Runnable接口，在JobHandler 的run方法中会调用传入的job对象的run方法。

疑问：Job的run方法执行是如何触发RDD的Action操作从而出发job的真正运行的呢？我们下次再具体分析，请随时关注博客更新!

原创文章，转载请注明:转载自周岳飞博客(http://zhou-yuefei.iteye.com/)