Spark实战（4）_Master原理剖析与源码分析

主备切换机制原理剖析

Master可以配置两个，Spark原生的standalone模式支持Master主备切换。

Spark Master主备切换可以基于两种机制，一种是基于文件系统的，一种是基于ZooKeeper的，基于文件系统的主备切换机制，需要在Active Master挂掉之后，手动去切换到Standby Master上。基于ZooKeeper的主备切换机制，可以实现自动切换Master。

Master主备切换机制，就是在Active Master挂掉之后，切换到Standby Master会做哪些操作。

1. Standby Master，使用持久化引擎去读取持久化的storedApps、storedDrivers、storedWorkers。FileSystemPersistenceEngine，ZooKeeperPersistenceEngine。
2. 判断，如果storedApps、storedDrivers、storedWorkers有任何一个是非空的。
3. 将持久化的Application、Driver、Worker的信息，重新进行注册，注册到Master内部的内存缓存结构中。
4. 将Application和Worker的状态都修改为UNKNOWN，然后向Application所对应的Driver，以及Worker发送Standby Master的地址。
5. Driver和Worker，理论上来说，如果它们目前都是正常在运作的话，那么在接收到Master发送来的地址之后，就会返回响应消息给新的Master。
6. 此时，Master在陆续接收到Driver和Worker发送来的响应消息之后，会使用completeRecovery()方法对没有发送响应消息的Driver和Worker进行处理，过滤掉它们的信息。
7. 调用Master自己的schedule()方法，对正在等待资源配置的Driver和Application进行调度，比如在某个worker上启动Driver，或者为Application在Worker上启动它需要的Executor。

主备切换机制源码分析

org/apache/spark/deploy/master/Master.scala，completeRecovery方法。

/**
    * 完成Master的主备切换，就是完成Master的恢复
    */
  def completeRecovery() {
    // Ensure "only-once" recovery semantics using a short synchronization period.
    synchronized {
      if (state != RecoveryState.RECOVERING) { return }
      state = RecoveryState.COMPLETING_RECOVERY
    }

    // 将Application和Worker，过滤出来目前状态还是UNKNOWN的
    // 然后遍历，分别调用removeWorker和finishApplication方法，对可能已经出故障，
    // 或者甚至已经死掉的Application和Worker，进行清理
    // 总结一下清理的机制，三点：1、从内存缓存结构中移除；
    // 2、从相关的组件的内存缓存中移除；
    // 3、从持久化存储中移除。
    // Kill off any workers and apps that didn't respond to us.
    workers.filter(_.state == WorkerState.UNKNOWN).foreach(removeWorker)
    apps.filter(_.state == ApplicationState.UNKNOWN).foreach(finishApplication)

    // Reschedule drivers which were not claimed by any workers
    drivers.filter(_.worker.isEmpty).foreach { d =>
      logWarning(s"Driver ${d.id} was not found after master recovery")
      if (d.desc.supervise) {
        logWarning(s"Re-launching ${d.id}")
        relaunchDriver(d)
      } else {
        removeDriver(d.id, DriverState.ERROR, None)
        logWarning(s"Did not re-launch ${d.id} because it was not supervised")
      }
    }

    state = RecoveryState.ALIVE
    schedule()
    logInfo("Recovery complete - resuming operations!")
  }

注册机制原理剖析

Worker的注册，

1. Worker，在启动之后，就会主动向Master进行注册。
2. Master，过滤，将状态为DEAD的Worker过滤掉，对于状态为UNKNOWN的Worker，清理掉旧的Worker信息，替换为新的Worker信息。
3. 把Worker加入内存缓存中（HashMap）。
4. 用持久化引擎，将Worker信息进行持久化（文件系统、ZooKeeper）。
5. 调用schedule()方法。

Driver的注册，

1. Driver，用spark-submit提交spark Application，首先就会注册Driver。
2. 将Driver信息放入内存缓存中（HashMap）。
3. 加入等待调度队列（ArrayBuffer）。
4. 用持久化引擎，将Driver信息持久化。
5. 调用schedule()进行调度。

Application的注册，

1. Driver启动好了，执行我们编写的Application，执行SparkContext初始化，底层的SparkDeploySchedulerBackend，会通过AppClient内部的线程，ClientActor，发送RegisterApplication，到Master，进行Application的注册。
2. 将Application信息放入内存缓存（HashMap）。
3. 将Application加入等待调度的Application队列（ArrayBuffer）。
4. 用持久化引擎将Application信息持久化。
5. 调用schedule()方法，进行资源调度。

Application注册的源码分析

org/apache/spark/deploy/master/Master.scala，RegisterApplication样例类。

/**
      * 处理Application注册的请求
      */
    case RegisterApplication(description) => {
      // 如果master的状态是standby，也就是当前这个master，是standBy Master，不是Active Master，
      // 那么Application来请求注册，什么都不会干
      if (state == RecoveryState.STANDBY) {
        // ignore, don't send response
      } else {
        logInfo("Registering app " + description.name)
        // 用ApplicationDescription信息，创建ApplicationInfo
        val app = createApplication(description, sender)
        // 注册Application
        // 将ApplicationInfo加入缓存，将Application加入等待调度的队列waitingApps
        registerApplication(app)
        logInfo("Registered app " + description.name + " with ID " + app.id)
        // 使用持久化引擎，将Application进行持久化
        persistenceEngine.addApplication(app)
        // SparkDeploySchedulerBackend创建的AppClient通过ClientActor线程向Master Actor发送注册请求，
        // ClientActor会把自己的引用给带过来，用sender来命名，
        // Master就知道RegisterApplication这个消息是谁给我发过来的，
        // 反向，向SparkDeploySchedulerBackend的AppClient的ClientActor，发送消息，
        // 也就是RegisteredApplication
        sender ! RegisteredApplication(app.id, masterUrl)
        schedule()
      }
    }
    
def registerApplication(app: ApplicationInfo): Unit = {
    val appAddress = app.driver.path.address
    if (addressToApp.contains(appAddress)) {
      logInfo("Attempted to re-register application at same address: " + appAddress)
      return
    }

    applicationMetricsSystem.registerSource(app.appSource)
    // 将app的信息加入内存缓存中
    apps += app
    idToApp(app.id) = app
    actorToApp(app.driver) = app
    addressToApp(appAddress) = app
    // 将app加入等待调度的队列waitingApps
    waitingApps += app
  }

Master状态改变处理机制源码分析

Driver的状态改变，package org.apache.spark.deploy.master，DriverStateChanged。

case DriverStateChanged(driverId, state, exception) => {
      state match {
          // 如果Driver的状态是错误、完成、被杀掉、失败
          // 那么就移除Driver。
        case DriverState.ERROR | DriverState.FINISHED | DriverState.KILLED | DriverState.FAILED =>
          removeDriver(driverId, state, exception)
        case _ =>
          throw new Exception(s"Received unexpected state update for driver $driverId: $state")
      }
    }
    
def removeDriver(driverId: String, finalState: DriverState, exception: Option[Exception]) {
    // 用scala的find()高阶函数，找到driverId对应的driver
    drivers.find(d => d.id == driverId) match {
        // 如果找到了，Some，样例类（Option）
      case Some(driver) =>
        logInfo(s"Removing driver: $driverId")
        // 将driver从内存缓存中移除
        drivers -= driver
        if (completedDrivers.size >= RETAINED_DRIVERS) {
          val toRemove = math.max(RETAINED_DRIVERS / 10, 1)
          completedDrivers.trimStart(toRemove)
        }
        // 想completedDrivers中加入driver
        completedDrivers += driver
        // 使用持久化引擎去除driver的持久化信息
        persistenceEngine.removeDriver(driver)
        // 设置driver的state、exception
        driver.state = finalState
        driver.exception = exception
        // 将driver所在的worker，移除dirver
        driver.worker.foreach(w => w.removeDriver(driver))
        // 同样，调用schedule()方法
        schedule()
      case None =>
        logWarning(s"Asked to remove unknown driver: $driverId")
    }
  }

Executor的状态改变，package org.apache.spark.deploy.master，ExecutorStateChanged。

case ExecutorStateChanged(appId, execId, state, message, exitStatus) => {
      // 找到executor对应的app，然后再反过来通过app内部的executors缓存获取executor信息
      val execOption = idToApp.get(appId).flatMap(app => app.executors.get(execId))
      execOption match {
          // 如果有值
        case Some(exec) => {
          // 设置executor的当前状态
          val appInfo = idToApp(appId)
          exec.state = state
          if (state == ExecutorState.RUNNING) { appInfo.resetRetryCount() }
          // 向driver同步发送ExecutorUpdated消息
          exec.application.driver ! ExecutorUpdated(execId, state, message, exitStatus)
          // 判断，如果executor完成了
          if (ExecutorState.isFinished(state)) {
            // Remove this executor from the worker and app
            logInfo(s"Removing executor ${exec.fullId} because it is $state")
            // 从app的缓存中移除executor
            appInfo.removeExecutor(exec)
            // 从运行executor的worker的缓存中移除executor
            exec.worker.removeExecutor(exec)

            // 判断，如果executor的退出状态是非正常的
            val normalExit = exitStatus == Some(0)
            // Only retry certain number of times so we don't go into an infinite loop.
            if (!normalExit) {
              // 判断application当前的重试次数，是否达到了最大值10，
              if (appInfo.incrementRetryCount() < ApplicationState.MAX_NUM_RETRY) {
                // 重新进行调度
                schedule()
              } else {
                // 否则，那么就removeApplication操作
                // executor反复调度都是失败，那么就认为application也失败了
                val execs = appInfo.executors.values
                if (!execs.exists(_.state == ExecutorState.RUNNING)) {
                  logError(s"Application ${appInfo.desc.name} with ID ${appInfo.id} failed " +
                    s"${appInfo.retryCount} times; removing it")
                  removeApplication(appInfo, ApplicationState.FAILED)
                }
              }
            }
          }
        }
        case None =>
          logWarning(s"Got status update for unknown executor $appId/$execId")
      }
    }

Master资源调度算法原理剖析与源码分析

org/apache/spark/deploy/master/Master.scala，schedule方法。

/**
   * Schedule the currently available resources among waiting apps. This method will be called
   * every time a new app joins or resource availability changes.
   */
  private def schedule() {
    // 首先判断，master状态不是ALIVE的话，直接返回，
    // 也就是说，standby master是不会进行application等资源的调度的。
    if (state != RecoveryState.ALIVE) { return }

    // First schedule drivers, they take strict precedence over applications
    // Randomization helps balance drivers
    // Random.shuffle的原理，就是对传入的集合的元素进行随机的打乱
    // 取出workers中的所有之前注册上来的worker，进行过滤，必须是状态为ALIVE的worker
    // 对状态为ALIVE的worker，调用Random的shuffle方法，进行随机的打乱
    val shuffledAliveWorkers = Random.shuffle(workers.toSeq.filter(_.state == WorkerState.ALIVE))
    // 获取shuffledAliveWorkers的大小
    val numWorkersAlive = shuffledAliveWorkers.size
    var curPos = 0
    // 首先调度driver
    // 为什么要调度driver，大家想一下，什么情况下，会注册driver，并且会导致driver被调度
    // 其实，只有用yarn-cluster模式提交的时候，才会注册driver，因为standalone和yarn-client模式，
    // 都会在本地直接启动driver，而不会来注册driver，就更不可能让master来调度driver了。

    // driver的调度机制
    // 遍历waitingDrivers ArrayBuffer
    for (driver <- waitingDrivers.toList) { // iterate over a copy of waitingDrivers
      // We assign workers to each waiting driver in a round-robin fashion. For each driver, we
      // start from the last worker that was assigned a driver, and continue onwards until we have
      // explored all alive workers.
      var launched = false
      var numWorkersVisited = 0
      // numWorkersVisited小于numWorkersAlive
      // 就是说只要还有或者的worker没有遍历到，那么就继续进行遍历，
      // 而且，当前这个driver还没有被启动，也就是launched为false
      while (numWorkersVisited < numWorkersAlive && !launched) {
        // 拿到一个活着的worker
        val worker = shuffledAliveWorkers(curPos)
        // 遍历过的worker加1
        numWorkersVisited += 1
        // 如果当前这个worker的空闲内存量大于等于driver需要的内存
        // 并且worker的空闲cpu数量，大于等于driver需要的cpu数量
        if (worker.memoryFree >= driver.desc.mem && worker.coresFree >= driver.desc.cores) {
          // 启动driver
          launchDriver(worker, driver)
          // 并且将driver从waitingDrivers队列中移除，后面就不会调度它了，把launched设为true。
          waitingDrivers -= driver
          launched = true
        }
        // 将指针指向下一个worker
        curPos = (curPos + 1) % numWorkersAlive
        // 这个driver去循环遍历所有活着的worker，只要launched为true，表明当前这个driver已经在某个worker启动。
      }
    }

    // Right now this is a very simple FIFO scheduler. We keep trying to fit in the first app
    // in the queue, then the second app, etc.
    // Application的调度机制（核心之核心）
    // Application的调度算法有两种，一种是spreadOutApps，另一种是非spreadOutApps
    // val spreadOutApps = conf.getBoolean("spark.deploy.spreadOut", true)
    if (spreadOutApps) {
      // Try to spread out each app among all the nodes, until it has all its cores

      // 首先遍历waitingApps中的ApplicationInfo，并且过滤出还有需要调度的core的Application
      for (app <- waitingApps if app.coresLeft > 0) {
        // 从workers中，过滤出状态为ALIVE的，再次过滤出可以被Application使用的Worker，
        // 然后，按照剩余cpu数量倒序排序
        // canUse，worker.memoryFree >= app.desc.memoryPerSlave && !worker.hasExecutor(app)
        val usableWorkers = workers.toArray.filter(_.state == WorkerState.ALIVE)
          .filter(canUse(app, _)).sortBy(_.coresFree).reverse
        val numUsable = usableWorkers.length
        // 创建一个空数组，存储了要分配给每个worker的cpu数量
        val assigned = new Array[Int](numUsable) // Number of cores to give on each node
        // 获取到底要分配多少cpu，取app剩余要分配的cpu数量和worker总共可用cpu数量的最小值
        var toAssign = math.min(app.coresLeft, usableWorkers.map(_.coresFree).sum)

        // 通过这种算法，其实会将每个application，要启动的executor，都平均分布到各个worker上去
        // 比如有20个cpu core要分配，那么实际会循环两遍worker，每次循环，给每个worker分配1个core
        // 最后每个worker分配了2个core

        // while条件，只要要分配的cpu，还没分配完，就继续循环
        var pos = 0
        while (toAssign > 0) {
          // 每一个worker，如果空闲的cpu数量，大于已经分配出去的cpu数量
          // 也就是说，worker还有可分配的cpu
          if (usableWorkers(pos).coresFree - assigned(pos) > 0) {
            // 将总共要分配的cpu数量-1，因为这里已经决定在这个worker上分配一个cpu了
            toAssign -= 1
            // 给这个worker分配的cpu数量，加1
            assigned(pos) += 1
          }
          // 指针移动到下一个worker
          pos = (pos + 1) % numUsable
        }
        // Now that we've decided how many cores to give on each node, let's actually give them

        // 给每个worker分配完application要求的cpu core之后
        // 遍历worker
        for (pos <- 0 until numUsable) {
          // 只要判断之前给这个worker分配到了core
          if (assigned(pos) > 0) {
            // 首先，在application内部缓存结构中，添加executor
            // 并且创建ExecutorDesc对象，其中封装了，给这个executor分配多个cpu core
            // 这里至少是spark1.3.0版本的executor启动的内部机制
            // 在spark-submit脚本中，可以指定要多少个executor，每个executor多少个cpu，多少内存
            // 基于我们的机制，实际上，最后，executor的实际数量，以及每个executor的cpu，可能与配置是不一样的
            // 因为，我们这里是基于总的cpu来分配的，就是说，比如要求3个executor，每个要3个cpu，
            // 比如有9个worker，每个有1个cpu，那么其实总共知道，要分配9个core，其实根据这种算法，
            // 会给每个worker分配一个core，然后，给每个worker启动一个executor吧，最后，
            // 会启动9个executor，每个executor有1个cpu core
            val exec = app.addExecutor(usableWorkers(pos), assigned(pos))
            // 那么就在worker上启动executor
            launchExecutor(usableWorkers(pos), exec)
            // 将application的状态设置为RUNNING
            app.state = ApplicationState.RUNNING
          }
        }
      }
    } else {
      // Pack each app into as few nodes as possible until we've assigned all its cores
      // 非spreadOutApps调度算法

      // 这种算法和spreadOutApps算法正好相反
      // 每个application，都尽可能分配到尽量少的worker上去，
      // 比如总共有10个worker，每个有10个core，app总共要分配20个core，那么，其实
      // 只会分配到两个worker上，每个worker都占满10个core，那么其余的app，就只能分配到下一个worker了。
      // 所以，比方说，application，spark-submit里，配置的是要10个executor，每个要2个core，那么总共是20个core，
      // 但是在这种算法下，其实只会启动2个executor，每个有10个core。

      // 将每一个Application，尽可能少的分配到worker上去
      // 首先遍历worker，并且是状态为ALIVE，还有空闲cpu的worker
      for (worker <- workers if worker.coresFree > 0 && worker.state == WorkerState.ALIVE) {
        // 遍历application，并且是还有需要分配的core的application
        for (app <- waitingApps if app.coresLeft > 0) {
          // 判断，如果当前这个worker可以被application使用
          if (canUse(app, worker)) {
            // 取worker剩余cpu数量，与app要分配的cpu数量的最小值
            val coresToUse = math.min(worker.coresFree, app.coresLeft)
            if (coresToUse > 0) {
              // 给app添加一个executor
              val exec = app.addExecutor(worker, coresToUse)
              // 在worker上启动executor
              launchExecutor(worker, exec)
              // 将application状态修改为RUNNING
              app.state = ApplicationState.RUNNING
            }
          }
        }
      }
    }
  }

launchDriver方法，

def launchDriver(worker: WorkerInfo, driver: DriverInfo) {
    logInfo("Launching driver " + driver.id + " on worker " + worker.id)
    // 将driver键入worker内部的缓存结构
    // 将worker内使用的内存和cpu数量，都加上driver需要的内存和cpu数量
    worker.addDriver(driver)
    // 同时把worker加入到driver内部的缓存结构中
    driver.worker = Some(worker)
    // 然后调用worker的actor，给它发送LaunchDriver，让Worker来启动Driver
    worker.actor ! LaunchDriver(driver.id, driver.desc)
    // 将driver的状态设置为RUNNING
    driver.state = DriverState.RUNNING
  }

launchExecutor方法，

def launchExecutor(worker: WorkerInfo, exec: ExecutorDesc) {
    logInfo("Launching executor " + exec.fullId + " on worker " + worker.id)
    // 将executor加入worker内部的缓存
    worker.addExecutor(exec)
    // 向worker的actor发送LaunchExecutor消息
    worker.actor ! LaunchExecutor(masterUrl,
      exec.application.id, exec.id, exec.application.desc, exec.cores, exec.memory)
    // 向executor对应的application的driver，发送ExecutorAdded消息
    exec.application.driver ! ExecutorAdded(
      exec.id, worker.id, worker.hostPort, exec.cores, exec.memory)
  }

---

本文首发于steem，感谢阅读，转载请注明。

https://steemit.com/@padluo

---

微信公众号「padluo」，分享数据科学家的自我修养，既然遇见，不如一起成长。

---

读者交流电报群

https://t.me/sspadluo

---

知识星球交流群