basic spark or spark essentials-02(notes)

submitjob：：做了什么

 

1含有dagScheduler的runJob函数的runJob是入口，并且是堵塞的操作,即直到Spark完成Job的运行之前,rdd.doCheckpoint()是不会执行的。堵塞在3的waiter.awaitResult()操作,即submitJob会返回一个waiter对象,而awaitResult()就堵塞了。其中resultHandler参数是下面runjob构造的回调函数，这里是没有返回值的。

 

2runjob，构造Array，并将函数对象"(index, res) => results(index) = res"继续传递给runJob函数(即在runJob添加一个回调函数,将runJob的运行结果保存到Array），等待runJob函数运行结束,将results返回。

 

3最终导致了DAGScheduler中的submitJob中,给这次job分配了一个jobID, 通过创建了一个JobWaiter对象,返回给1中。调用eventProcessLoop.post(JobSubmitted(jobId, rdd, func2, partitions.toArray, callSite, waiter,SerializationUtils.clone(properties)))向DAG调度器 发送一个case class JobSubmitted的消息。

 

4消息包包含：jobId,rdd,func2,partitions.toArray，callSite/properties:个人不是很感兴趣,姑且理解为不重要的

waiter就是上面创建的JobWaiter对象,这个很重要,因为这个对象封装了几个重要的参数:jobId:Job编号，partitions.size:分区编号（它需要接受到partitions.size个归属于jobid的task成功运行的结果,并通过resultHandler来将这些task运行结果回调给的Array），resultHandler:回调函数

 

5消息循环器 会不断的检查有没有消息要处理，并调用handlerjobsubmitted来处理该消息，开始划分stages。HandleJobSubmitted 生成finalStage后，就会为该Job生成一个ActiveJob,保存当前Job的一些信息，同时调用submitStage来提交Stage。

 

（这里Stage的划分是对一个Job里面一系列RDD转换和动作进行划分。首先job是因动作而产生，因此每个job肯定都有一个ResultStage，否则job就不会启动。其次，如果Job内部RDD之间存在宽依赖，Spark会针对它产生一个中间Stage，即为ShuffleStage，严格来说应该是ShuffleMapStage，这个stage是针对父RDD而产生的， 相当于在父RDD上做一个父rdd.map().collect()的操作。ShuffleMapStage生成的map输入，对于子RDD，如果检测到所自己所“宽依赖”的stage完成计算，就可以启动一个shuffleFectch， 从而将父RDD输出的数据拉取过程，进行后续的计算。因此一个Job由一个ResultStage和多个ShuffleMapStage组成。

finalStage = newResultStage(finalRDD, func, partitions, jobId, callSite)）

 

（这里的newResultStage是如何划分task(一个partition就是一个task)？）

 

6首先是在当前的rdd上调用getParentStagesAndId来生成父Stage,父Stages是一个列表

然后就创建一个Stage对象,并更新Stage和job之间的关系.

 

stage类：

ShuffleMapStage:

shuffleDep:该stage生成的原因

parents：父stage列表

ShuffleMapStage.class

 

getParentStages 的具体的实现使用的 是图算法里面的 广度遍历。

RDD[_]是表示任何类型的RDD