Spark任务调度初识

前置知识

spark任务模型

1. job：action的调用，触发了DAG的提交和整个job的执行。
2. stage：stage是由是否shuffle来划分，如果发生shuffle，则分为2个stage。
3. taskSet：每一个stage对应1个taskset.1个taskset有多个task, 由RDD的partition数据决定，并行度就是各自RDD的partition数目。
4. task:同一个stage中同一个partition中的数据与处理过程，视为1个task. task从横向上看，与partition数量一致；从纵向上看，task包含1个stage中的处理过程，如下面中的mapstage中的flatmap、map、reduceBykey.

spark资源模型

Executor是真正执行任务的进程，本身拥有若干cpu和内存，可以执行以线程为单位的计算任务，它是资源管理系统能够给予的最小单位。

yarn资源

YARN的基本组成结构，YARN主要由ResourceManager、NodeManager、ApplicationMaster和Container等几个组件构成。

ResourceManager是Master上一个独立运行的进程，负责集群统一的资源管理、调度、分配等等；

NodeManager是Slave上一个独立运行的进程，负责上报节点的状态；

App Master和Container是运行在Slave上的组件，Container是yarn中分配资源的一个单位，包涵内存、CPU等等资源，yarn以Container为单位分配资源。

spark executor与yarn container的关系

Running Spark Applications on YARN

When running Spark on YARN, each Spark executor runs as a YARN container. 在spark on yarn模式，每个executor运行在1个yarn container上。

• Cluster Deployment Mode
  

两层模型

spark的任务模型与资源模型是如何匹配？

如上图所示：关键在于TaskScheduler与SchedulerBackend，由它们来适配task与executor。

spark的任务模型将提交的job分解成最小的任务单位task, 由TaskScheduler根据调度策略和task的资源申请情况来调用具体的SchedulerBackend(如yarn)。

SchedulerBackend的最小资源管理单位是executor。看workers中executros的资源“够不够”，“符不符合”task，ok的话task就被正式launch起来。注意，这里资源"够不够"是很好判断的，在TaskScheduler里设置了每个task启动需要的cpu个数，默认是1，所以只需要做核数的大小判断和减1操作就可以遍历分配下去。而"符不符合"这件事情，取决于每个tasks的locality设置。

task的locality有五种，按优先级高低排：PROCESS_LOCAL，NODE_LOCAL，NO_PREF，RACK_LOCAL，ANY。也就是最好在同个进程里，次好是同个node(即机器)上，再次是同机架，或任意都行。task有自己的locality，如果本次资源里没有想要的locality资源，怎么办呢？spark有一个spark.locality.wait参数，默认是3000ms。对于process，node，rack，默认都使用这个时间作为locality资源的等待时间。所以一旦task需要locality，就可能会触发delay scheduling。

SchedulerBackend是管“粮食”的，同时它在启动后会定期地去“询问”TaskScheduler有没有任务要运行，也就是说，它会定期地“问”TaskScheduler“我有这么余量，你要不要啊”，TaskScheduler在SchedulerBackend“问”它的时候，会从调度队列中按照指定的调度策略选择TaskSetManager去调度运行。

调度策略

1. FIFO(默认): 谁先提交谁先执行，后面的任务需要等待前面的任务执行。
2. FAIR: 支持在调度池中为任务进行分组，不同的调度池权重不同，任务可以按照权重来决定执行顺序。

参考文献

• Spark Scheduler 内部原理剖析
• Spark的任务调度