Spark资源调度机制源码分析--基于spreadOutApps及非spreadOutApps两种资源调度算法

来源：互联网发布：超牛数据恢复下载免费编辑：程序博客网时间：2024/06/09 20:41
1、spreadOutApp尽量平均分配到每个executor上；
2、非spreadOutApp尽量在使用单个executor的资源。
源码分析
org.apache.spark.deploy.master.Master
1、首先判断，master状态不是ALIVE的话，直接返回
2、调度driver
3、 Application的调度机制（核心之核心，重中之重）
源码如下：
   /*    *schedule()解决了spark资源调度的问题   */  private def schedule() {    //首先判断，master状态不是ALIVE的话，直接返回    //也就是说，stanby master是不会进行application等资源调度的    if (state != RecoveryState.ALIVE) { return }    // First schedule drivers, they take strict precedence over applications    // Randomization helps balance drivers        //Random.shuffle的原理，大家要清楚，就是对传入的集合的元素进行随机的打乱    //取出了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))    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调度driver了        //driver调度机制    //遍历waittingDrivers 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            //while的条件，numWorkersVisited小于numWorkersAlive      //什么意思？就是说，只要还有活着的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) {        val worker = shuffledAliveWorkers(curPos)        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          waitingDrivers -= driver          launched = true        }                //将指针指向下一个worker        curPos = (curPos + 1) % numWorkersAlive      }    }    // 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，重中之重）    // 首先， application的调度算法有两种，一种是spreadOutApps，另一种是非spreadOutApps    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application还需要高度的cores的application      for (app <- waitingApps if app.coresLeft > 0) {        //从workers中，过滤状态为ALIVE的，再次过滤可以被Application使用的Worker，然后按照剩余cpu数量倒序排序        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的数量和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，还没有分配完，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          }          //指针移动到下一下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分配多少个cpu core            //在spark-submit脚本中，可以指定要多少executor，每个execuor多少个cpu,多少内存            //那么基于源码机制，实际上，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，我人帝里基于总的cpu来分配的，就是比如，要求3个executor,每个要3个cpu,那么比如，有9个workers,每个有1个cpu            //那么其实总其知道，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            //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            //这种算法与spreadOutApps算法正好相反,1、spreadOutApp尽量平均分配到每个executor上；2、非spreadOutApp尽量在使用单个executor的资源。      //每个application，都尽可能分配到尽量少的worker上去，比如总其有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      //比如，spark-submit里，配置的是要10个executor,每个要2个core,那么总共是20个croe      //只会启动2个executor,每个有10个cores            //将每个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,并且是还有城朵分配的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)            //如果Worker剩余cpu为0了，就不分配了            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状态设置为running              app.state = ApplicationState.RUNNING            }          }        }      }    }  }
2 0