如何进行JobScheduler内幕实现和深度思考

181次阅读

共计 3982 个字符，预计需要花费 10 分钟才能阅读完成。

本篇文章为大家展示了如何进行 JobScheduler 内幕实现和深度思考，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。

DStream 的 foreachRDD 方法，实例化 ForEachDStream 对象，并将用户定义的函数 foreachFunc 传入到该对象中。foreachRDD 方法是输出操作，foreachFunc 方法会作用到这个 DStream 中的每个 RDD。

/**
* Apply a function to each RDD in this DStream. This is an output operator, so
* this DStream will be registered as an output stream and therefore materialized.
* @param foreachFunc foreachRDD function
* @param displayInnerRDDOps Whether the detailed callsites and scopes of the RDDs generated
* in the `foreachFunc` to be displayed in the UI. If `false`, then
* only the scopes and callsites of `foreachRDD` will override those
* of the RDDs on the display.
*/
private def foreachRDD(
foreachFunc: (RDD[T], Time) = Unit,
displayInnerRDDOps: Boolean): Unit = {
new ForEachDStream(this,
context.sparkContext.clean(foreachFunc, false), displayInnerRDDOps).register()
}

ForEachDStream 对象中重写了 generateJob 方法，调用父 DStream 的 getOrCompute 方法来生成 RDD 并封装 Job，传入对该 RDD 的操作函数 foreachFunc 和 time。dependencies 方法定义为父 DStream 的集合。

/**
* An internal DStream used to represent output operations like DStream.foreachRDD.
* @param parent Parent DStream
* @param foreachFunc Function to apply on each RDD generated by the parent DStream
* @param displayInnerRDDOps Whether the detailed callsites and scopes of the RDDs generated
* by `foreachFunc` will be displayed in the UI; only the scope and
* callsite of `DStream.foreachRDD` will be displayed.
*/
private[streaming]
class ForEachDStream[T: ClassTag] (
parent: DStream[T],
foreachFunc: (RDD[T], Time) = Unit,
displayInnerRDDOps: Boolean
) extends DStream[Unit](parent.ssc) {

override def dependencies: List[DStream[_]] = List(parent)

override def slideDuration: Duration = parent.slideDuration

override def compute(validTime: Time): Option[RDD[Unit]] = None

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

DStreamGraph 的 generateJobs 方法中会调用 outputStream 的 generateJob 方法，就是调用 ForEachDStream 的 generateJob 方法。

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
}

DStream 的 generateJob 定义如下，其子类中只有 ForEachDStream 重写了 generateJob 方法。

/**
* Generate a SparkStreaming job for the given time. This is an internal method that
* should not be called directly. This default implementation creates a job
* that materializes the corresponding RDD. Subclasses of DStream may override this
* to generate their own jobs.
*/
private[streaming] def generateJob(time: Time): Option[Job] = {
getOrCompute(time) match {
case Some(rdd) = {
val jobFunc = () = {
val emptyFunc = {(iterator: Iterator[T]) = {}}
context.sparkContext.runJob(rdd, emptyFunc)
}
Some(new Job(time, jobFunc))
}
case None = None
}
}

DStream 的 print 方法内部还是调用 foreachRDD 来实现，传入了内部方法 foreachFunc，来取出 num+ 1 个数后打印输出。

/**
* Print the first num elements of each RDD generated in this DStream. This is an output
* operator, so this DStream will be registered as an output stream and there materialized.
*/
def print(num: Int): Unit = ssc.withScope {
def foreachFunc: (RDD[T], Time) = Unit = {
(rdd: RDD[T], time: Time) = {
val firstNum = rdd.take(num + 1)
// scalastyle:off println
println(——————————————-)
println(Time: + time)
println(——————————————-)
firstNum.take(num).foreach(println)
if (firstNum.length num) println(…)
println()
// scalastyle:on println
}
}
foreachRDD(context.sparkContext.clean(foreachFunc), displayInnerRDDOps = false)
}

总结：JobScheduler 是 SparkStreaming 所有 Job 调度的中心，内部有两个重要的成员：

JobGenerator 负责 Job 的生成，ReceiverTracker 负责记录输入的数据源信息。

JobScheduler 的启动会导致 ReceiverTracker 和 JobGenerator 的启动。ReceiverTracker 的启动导致运行在 Executor 端的 Receiver 启动并且接收数据，ReceiverTracker 会记录 Receiver 接收到的数据 meta 信息。JobGenerator 的启动导致每隔 BatchDuration，就调用 DStreamGraph 生成 RDD Graph，并生成 Job。JobScheduler 中的线程池来提交封装的 JobSet 对象 (时间值，Job，数据源的 meta)。Job 中封装了业务逻辑，导致最后一个 RDD 的 action 被触发，被 DAGScheduler 真正调度在 Spark 集群上执行该 Job。

上述内容就是如何进行 JobScheduler 内幕实现和深度思考，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注丸趣 TV 行业资讯频道。

正文完