关于spark:Sparksubmit执行流程了解一下

摘要： 本文次要是通过 Spark 代码走读来理解 spark-submit 的流程。

1. 工作命令提交

咱们在进行 Spark 工作提交时，会应用“spark-submit -class …..”款式的命令来提交工作，该命令为 Spark 目录下的 shell 脚本。它的作用是查问 spark-home，调用 spark-class 命令。

if [-z "${SPARK_HOME}" ]; then
  source "$(dirname"$0")"/find-spark-home
fi

# disable randomized hash for string in Python 3.3+
export PYTHONHASHSEED=0

exec "${SPARK_HOME}"/bin/spark-class org.apache.spark.deploy.SparkSubmit "$@"

随后会执行 spark-class 命令，以 SparkSubmit 类为参数进行工作向 Spark 程序的提交，而 Spark-class 的 shell 脚本次要是执行以下几个步骤：

（1）加载 spark 环境参数，从 conf 中获取

if [-z "${SPARK_HOME}" ]; then
  source "$(dirname"$0")"/find-spark-home
fi

. "${SPARK_HOME}"/bin/load-spark-env.sh

# 寻找 javahome
if [-n "${JAVA_HOME}" ]; then
  RUNNER="${JAVA_HOME}/bin/java"
else
  if ["$(command -v java)" ]; then
    RUNNER="java"
  else
    echo "JAVA_HOME is not set" >&2
    exit 1
  fi
fi

（2）载入 java，jar 包等

# Find Spark jars.
if [-d "${SPARK_HOME}/jars" ]; then
  SPARK_JARS_DIR="${SPARK_HOME}/jars"
else
  SPARK_JARS_DIR="${SPARK_HOME}/assembly/target/scala-$SPARK_SCALA_VERSION/jars"
fi

（3）调用 org.apache.spark.launcher 中的 Main 进行参数注入

build_command() {
  "$RUNNER" -Xmx128m -cp "$LAUNCH_CLASSPATH" org.apache.spark.launcher.Main "$@"
  printf "%d0" $?
}

（4）shell 脚本监测工作执行状态，是否实现或者退出工作，通过执行返回值，判断是否完结

if ! [[$LAUNCHER_EXIT_CODE =~ ^[0-9]+$ ]]; then
  echo "${CMD[@]}" | head -n-1 1>&2
  exit 1
fi

if [$LAUNCHER_EXIT_CODE != 0]; then
  exit $LAUNCHER_EXIT_CODE
fi

CMD=("${CMD[@]:0:$LAST}")
exec "${CMD[@]}"

2. 工作检测及提交工作到 Spark

检测执行模式（class or submit）构建 cmd，在 submit 中进行参数的查看（SparkSubmitOptionParser），构建命令行并且打印回 spark-class 中，最初调用 exec 执行 spark 命令行提交工作。通过组装而成 cmd 内容如下所示：

/usr/local/java/jdk1.8.0_91/bin/java-cp
/data/spark-1.6.0-bin-hadoop2.6/conf/:/data/spark-1.6.0-bin-hadoop2.6/lib/spark-assembly-1.6.0-hadoop2.6.0.jar:/data/spark-1.6.0-bin-hadoop2.6/lib/datanucleus-api-jdo-3.2.6.jar:/data/spark-1.6.0-bin-hadoop2.6/lib/datanucleus-rdbms-3.2.9.jar:/data/spark-1.6.0-bin-hadoop2.6/lib/datanucleus-core-3.2.10.jar:/data/hadoop-2.6.5/etc/hadoop/
-Xms1g-Xmx1g -Xdebug -Xrunjdwp:transport=dt_socket,server=y,suspend=y,address=1234
org.apache.spark.deploy.SparkSubmit
--classorg.apache.spark.repl.Main
--nameSpark shell
--masterspark://localhost:7077
--verbose/tool/jarDir/maven_scala-1.0-SNAPSHOT.jar

3.SparkSubmit 函数的执行

（1）Spark 工作在提交之后会执行 SparkSubmit 中的 main 办法

 def main(args: Array[String]): Unit = {val submit = new SparkSubmit()
    submit.doSubmit(args)
  }

（2）doSubmit（）对 log 进行初始化，增加 spark 工作参数，通过参数类型执行工作：

 def doSubmit(args: Array[String]): Unit = {
    // Initialize logging if it hasn't been done yet. Keep track of whether logging needs to
    // be reset before the application starts.
    val uninitLog = initializeLogIfNecessary(true, silent = true)

    val appArgs = parseArguments(args)
    if (appArgs.verbose) {logInfo(appArgs.toString)
    }
    appArgs.action match {case SparkSubmitAction.SUBMIT => submit(appArgs, uninitLog)
      case SparkSubmitAction.KILL => kill(appArgs)
      case SparkSubmitAction.REQUEST_STATUS => requestStatus(appArgs)
      case SparkSubmitAction.PRINT_VERSION => printVersion()}
  }

SUBMIT：应用提供的参数提交 application

KILL（Standalone and Mesos cluster mode only）：通过 REST 协定终止工作

REQUEST_STATUS（Standalone and Mesos cluster mode only）：通过 REST 协定申请曾经提交工作的状态

PRINT_VERSION：对 log 输入版本信息

（3）调用 submit 函数：

def doRunMain(): Unit = {if (args.proxyUser != null) {
        val proxyUser = UserGroupInformation.createProxyUser(args.proxyUser,
          UserGroupInformation.getCurrentUser())
        try {proxyUser.doAs(new PrivilegedExceptionAction[Unit]() {override def run(): Unit = {runMain(args, uninitLog)
            }
          })
        } catch {
          case e: Exception =>
            // Hadoop's AuthorizationException suppresses the exception's stack trace, which
            // makes the message printed to the output by the JVM not very helpful. Instead,
            // detect exceptions with empty stack traces here, and treat them differently.
            if (e.getStackTrace().length == 0) {error(s"ERROR: ${e.getClass().getName()}: ${e.getMessage()}")
            } else {throw e}
        }
      } else {runMain(args, uninitLog)
      }
    }

doRunMain 为集群调用子 main class 筹备参数，而后调用 runMain() 执行工作 invoke main

4. 总结

Spark 在作业提交中会采纳多种不同的参数及模式，都会依据不同的参数抉择不同的分支执行，因而在最初提交的 runMain 中会将所须要的参数传递给执行函数。

本文分享自华为云社区《Spark 内核解析之 Spark-submit》，原文作者：笨熊爱喝 cola。

点击关注，第一工夫理解华为云陈腐技术~