接下来的几篇文章我们会结合源码来分析注册Application以及启动Executor并向Driver注册的具体流程。

上文我们跟踪源码到了SparkDeploySchedulerBackend的start()方法的实例化AppClient部分，同时SparkDeploySchedulerBackend的start()方法中首先执行的就是其父类也就是CoarseGrainedSchedulerBackend的start方法，上面的两部分源码如下：

SparkDeploySchedulerBackend中的start()方法：

override def start() {  // 首先调用父类也就是CoarseGrainedSchedulerBackend的start方法，最重要的就是创建并注册DriverEndpoint
  super.start()
  
  ...
  
  client = new AppClient(sc.env.rpcEnv, masters, appDesc, this, conf)
  client.start()
  launcherBackend.setState(SparkAppHandle.State.SUBMITTED)
  waitForRegistration()
  launcherBackend.setState(SparkAppHandle.State.RUNNING)
}

CoarseGrainedSchedulerBackend中的start()方法：

override def start() {  val properties = new ArrayBuffer[(String, String)]  for ((key, value) <- scheduler.sc.conf.getAll) {    if (key.startsWith("spark.")) {
      properties += ((key, value))
    }
  }  // TODO (prashant) send conf instead of properties
  // 这里的ENDPOINT_NAME="CoarseGrainedScheduler"
  driverEndpoint = rpcEnv.setupEndpoint(ENDPOINT_NAME, createDriverEndpoint(properties))
}

DriverEndpoint

下面我们继续追踪源码，首先来看CoarseGrainedSchedulerBackend的start()方法(见上面的源码)，从上面的源码可以看出主要的操作就是创建了DriverEndpoint并向RpcEnv进行注册，所以我们进入createDriverEndpoint方法：

protected def createDriverEndpoint(properties: Seq[(String, String)]): DriverEndpoint = {  // 实例化DriverEndpoint
  new DriverEndpoint(rpcEnv, properties)
}

内部实例化了DriverEndpoint：

class DriverEndpoint(override val rpcEnv: RpcEnv, sparkProperties: Seq[(String, String)])
  extends ThreadSafeRpcEndpoint with Logging {  // If this DriverEndpoint is changed to support multiple threads,
  // then this may need to be changed so that we don't share the serializer
  // instance across threads
  private val ser = SparkEnv.get.closureSerializer.newInstance()  override protected def log = CoarseGrainedSchedulerBackend.this.log  protected val addressToExecutorId = new HashMap[RpcAddress, String]  private val reviveThread =    ThreadUtils.newDaemonSingleThreadScheduledExecutor("driver-revive-thread")

可以看出DriverEndpoint继承自ThreadSafeRpcEndpoint，所以DriverEndpoint是一个消息循环体，那么他到底负责与谁进行通信呢？我们继续追踪源码，实例化完成后回到CoarseGrainedSchedulerBackend中的start方法：向RpcEnv进行注册，注册的名字是ENDPOINT_NAME，即"CoarseGrainedScheduler"，注册的时候会调用DriverEndpoint的onStart方法(Rpc内部的机制决定的，具体可以参考Spark RPC 到底是个什么鬼？)：

override def onStart() {  // Periodically revive offers to allow delay scheduling to work
  val reviveIntervalMs = conf.getTimeAsMs("spark.scheduler.revive.interval", "1s")
  reviveThread.scheduleAtFixedRate(new Runnable {    override def run(): Unit = Utils.tryLogNonFatalError {      Option(self).foreach(_.send(ReviveOffers))
    }
  }, 0, reviveIntervalMs, TimeUnit.MILLISECONDS)
}

这里使用的是延迟调度的机制，关于延迟调度我们会单独用文章进行阐述，现在我们继续追踪源码，可以看到内部实际上是向自己发送了一条消息ReviveOffers，所以我们看DriverEndpoint接收到这条消息后都做了什么：

case ReviveOffers =>
  makeOffers()

可以看到是执行了makeOffers()方法：

// Make fake resource offers on all executorsprivate def makeOffers() {  // Filter out executors under killing
  val activeExecutors = executorDataMap.filterKeys(executorIsAlive)  val workOffers = activeExecutors.map { case (id, executorData) =>    new WorkerOffer(id, executorData.executorHost, executorData.freeCores)
  }.toSeq
  launchTasks(scheduler.resourceOffers(workOffers))
}

首先就是提供计算资源，注释说的很清楚了“Make fake resource offers on all executors”，因为此时Executors还没有启动和注册，即还没有资源，所以是“fake”(假)的，等到Executors启动并注册后，这里就会获得空闲的计算资源，然后去执行launchTasks的操作，即向具体的Executor提交和运行tasks。所以CoarseGrainedSchedulerBackend端的start方法我们就追踪到这里，最后用一张图总结一下：

AppClient和ClientEndpoint

下面来看SparkDeploySchedulerBackend的start方法中剩余的那部分，即上篇文章中没有说完的那部分：

// Start executors with a few necessary configs for registering with the schedulerval sparkJavaOpts = Utils.sparkJavaOpts(conf, SparkConf.isExecutorStartupConf)val javaOpts = sparkJavaOpts ++ extraJavaOptsval command = Command("org.apache.spark.executor.CoarseGrainedExecutorBackend",
  args, sc.executorEnvs, classPathEntries ++ testingClassPath, libraryPathEntries, javaOptval appUIAddress = sc.ui.map(_.appUIAddress).getOrElse("")val coresPerExecutor = conf.getOption("spark.executor.cores").map(_.toInt)val appDesc = new ApplicationDescription(sc.appName, maxCores, sc.executorMemory,
  command, appUIAddress, sc.eventLogDir, sc.eventLogCodec, coresPerExecutor)
client = new AppClient(sc.env.rpcEnv, masters, appDesc, this, conf)
client.start()
launcherBackend.setState(SparkAppHandle.State.SUBMITTED)
waitForRegistration()
launcherBackend.setState(SparkAppHandle.State.RUNNING)

可以看见首先创建AppClient，这里需要注意一下传进来的参数中appDesc就是上面实例化的ApplicationDescription，他封装了应用程序的一些配置参数，最重要的是command，通过他可以看出启动Executor时执行main方法的入口类就是"org.apache.spark.executor.CoarseGrainedExecutorBackend"，我们后面会提到，所以这里先提一下。我们继续看实例化AppClient的部分：

private[spark] class AppClient(
    rpcEnv: RpcEnv,
    masterUrls: Array[String],
    appDescription: ApplicationDescription,
    listener: AppClientListener,
    conf: SparkConf)
  extends Logging {  // 获得masters的RpcAddress
  private val masterRpcAddresses = masterUrls.map(RpcAddress.fromSparkURL(_))  private val REGISTRATION_TIMEOUT_SECONDS = 20
  private val REGISTRATION_RETRIES = 3
  // 用来保存ClientEndpoint注册完成后返回的RpcEndpointRef，实际上是NettyRpcEndpointRef
  private val endpoint = new AtomicReference[RpcEndpointRef]  // 应用程序的ID
  private val appId = new AtomicReference[String]  // 是否已经完成注册
  private val registered = new AtomicBoolean(false)

AppClient实例化完成后调用了他的start()方法：

def start() {  // Just launch an rpcEndpoint; it will call back into the listener.
  endpoint.set(rpcEnv.setupEndpoint("AppClient", new ClientEndpoint(rpcEnv)))
}

可以看到内部创建了一个ClientEndpoint实例并向RpcEnv注册，注册的名称为“AppClient”，注册完成后将返回的NettyRpcEndpointRef赋值给AppClient的endpoint，而且注册后调用了ClientEndpoint的onStart()方法，实例化ClientEndpoint的时候执行了一些初始化操作，基本上都是和线程池和消息相关，这里就不列出来了，我们现在关注的是这个onStart()方法：

override def onStart(): Unit = {  try {
    registerWithMaster(1)
  } catch {    case e: Exception =>
      logWarning("Failed to connect to master", e)
      markDisconnected()
      stop()
  }
}

进入registerWithMaster，即向Master进行注册：

private def registerWithMaster(nthRetry: Int) {
  registerMasterFutures.set(tryRegisterAllMasters())
  registrationRetryTimer.set(registrationRetryThread.scheduleAtFixedRate(new Runnable {    override def run(): Unit = {      if (registered.get) {
        registerMasterFutures.get.foreach(_.cancel(true))
        registerMasterThreadPool.shutdownNow()
      } else if (nthRetry >= REGISTRATION_RETRIES) {
        markDead("All masters are unresponsive! Giving up.")
      } else {
        registerMasterFutures.get.foreach(_.cancel(true))
        registerWithMaster(nthRetry + 1)
      }
    }
  }, REGISTRATION_TIMEOUT_SECONDS, REGISTRATION_TIMEOUT_SECONDS, TimeUnit.SECONDS))
}

上面的源码说明：ClientEndpoint需要向所有的masters进行异步的注册，因为ClientEndpoint并不知道哪个Master是Active级别的，如果注册失败会按照一定的时间间隔进行一定次数的重试，可以看到具体的注册是执行的tryRegisterAllMasters方法：

private def tryRegisterAllMasters(): Array[JFuture[_]] = {  for (masterAddress <- masterRpcAddresses) yield {
    registerMasterThreadPool.submit(new Runnable {      override def run(): Unit = try {        if (registered.get) {          return
        }        // 打印日志，我们在使用spark-submit的client模式提交程序的时候可以看到这条日志
        logInfo("Connecting to master " + masterAddress.toSparkURL + "...")        // 获取Master的RpcEndpointRef，实际上是NettyRpcEndpointRef，用来向Master发送消息
        val masterRef =
          rpcEnv.setupEndpointRef(Master.SYSTEM_NAME, masterAddress, Master.ENDPOINT_NAME)        // 向Master发送消息，注意这里的self是指ClientEndpoint
        masterRef.send(RegisterApplication(appDescription, self))
      } catch {        case ie: InterruptedException => // Cancelled
        case NonFatal(e) => logWarning(s"Failed to connect to master $masterAddress", e)
      }
    })
  }
}

可以看到是使用了线程池进行异步注册，线程池的大小就是Master的个数，这样可以保证同一时间可以向多个Masters发送注册请求，因为ClientEndpoint并不知道哪个Master是Active级别的，如果一个一个注册会产生阻塞。内部首先获得Master的RpcEndpoint，实际上是NettyRpcEndpointRef，然后通过这个masterRef向Master发送消息：RegisterApplication(appDescription, self)，这里的self指的就是ClientEndpoint。

下面我们看Master接收到消息是如何进行处理的：

case RegisterApplication(description, driver) => {  // TODO Prevent repeated registrations from some driver
  if (state == RecoveryState.STANDBY) {    // ignore, don't send response
    // 如果该Master是STANDBY的状态就直接忽略，什么也不做
  } else {
    logInfo("Registering app " + description.name)    // 创建Application，注意这里传入的driver就是ClientEndpoint
    val app = createApplication(description, driver)    // 注册上一步创建的Application
    registerApplication(app)
    logInfo("Registered app " + description.name + " with ID " + app.id)    // 向持久化引擎中加入该Application的信息，用于HA，底层可以依赖Zookeeper实现
    persistenceEngine.addApplication(app)    // 向driver即ClientEndpoint发送消息RegisteredApplication(app.id, self)，这里的self就是Master
    driver.send(RegisteredApplication(app.id, self))    // 最后执行Master的schedule()方法
    schedule()
  }
}

主要的流程已经在源码中进行注释，现在我们一一进行分析，为了方便大家的阅读，这里我使用如下标题加以区分(持久化不是本文的重点，所以此处省略)：

• 创建Application

• 注册Application

• 向Driver发送消息

• 执行schedule()

创建Application

首先来看Application的创建过程：

private def createApplication(desc: ApplicationDescription, driver: RpcEndpointRef):    ApplicationInfo = {  val now = System.currentTimeMillis()  val date = new Date(now)  val appId = newApplicationId(date)  // 根据当前的时间构建Application的Id
  // 实例化ApplicationInfo
  new ApplicationInfo(now, appId, desc, date, driver, defaultCores)
}

而具体实例化的时候是执行了init()方法，限于篇幅这里就不一一说明了：

private def init() {
  state = ApplicationState.WAITING
  executors = new mutable.HashMap[Int, ExecutorDesc]
  coresGranted = 0
  endTime = -1L
  appSource = new ApplicationSource(this)
  nextExecutorId = 0
  removedExecutors = new ArrayBuffer[ExecutorDesc]
  executorLimit = Integer.MAX_VALUE
  appUIUrlAtHistoryServer = None}

注册Application

下面就是注册Application：

private def registerApplication(app: ApplicationInfo): Unit = {  val appAddress = app.driver.address  // 首先要判断是否发过来注册请求的driver的RpcAddress是否已经存在
  if (addressToApp.contains(appAddress)) {
    logInfo("Attempted to re-register application at same address: " + appAddress)    return
  }  // 关于统计系统的部分，我们这里不深入分析
  applicationMetricsSystem.registerSource(app.appSource)  // 下面就是向Master的各种数据结构中存入该Application的信息的操作
  apps += app
  idToApp(app.id) = app
  endpointToApp(app.driver) = app
  addressToApp(appAddress) = app
  waitingApps += app
}

向Driver发送消息

然后就是向driver即ClientEndpoint发送消息：RegisteredApplication(app.id, self)，ClientEndpoint在接收到消息后的处理如下：

case RegisteredApplication(appId_, masterRef) =>  // FIXME How to handle the following cases?
  // 一些意外的情况，感兴趣的可以研究下怎么解决。
  // 1. A master receives multiple registrations and sends back multiple
  // RegisteredApplications due to an unstable network.
  // 2. Receive multiple RegisteredApplication from different masters because the master is
  // changing.
  // 将获得的appId_存入到appId中，注意这里的appId是属于AppClient的
  // 下面的registered、master也是如此
  appId.set(appId_)
  registered.set(true)
  master = Some(masterRef)
  listener.connected(appId.get)

至此，我们使用一张图总结一下：

执行schedule()

我们在Spark-Core源码精读(2)、Master中的schedule详解已经分析了一部分源码，我们简单的回顾一下(我们这里都是假设集群是Standalone模式的，所以直接看Executor启动的部分)：

schedule中的最后一句就是：startExecutorsOnWorkers()，我们从这里开始：

private def startExecutorsOnWorkers(): Unit = {  // 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.
  for (app <- waitingApps if app.coresLeft > 0) {    val coresPerExecutor: Option[Int] = app.desc.coresPerExecutor    // Filter out workers that don't have enough resources to launch an executor
    val usableWorkers = workers.toArray.filter(_.state == WorkerState.ALIVE)
      .filter(worker => worker.memoryFree >= app.desc.memoryPerExecutorMB &&
        worker.coresFree >= coresPerExecutor.getOrElse(1))
      .sortBy(_.coresFree).reverse    val assignedCores = scheduleExecutorsOnWorkers(app, usableWorkers, spreadOutApps)    // Now that we've decided how many cores to allocate on each worker, let's allocate them
    for (pos <- 0 until usableWorkers.length if assignedCores(pos) > 0) {
      allocateWorkerResourceToExecutors(
        app, assignedCores(pos), coresPerExecutor, usableWorkers(pos))
    }
  }
}

上面源码首先决定在每个worker上分配多少个cores，即scheduleExecutorsOnWorkers方法，默认是将exeutors分配到尽可能多的workers上，然后就是使用allocateWorkerResourceToExecutors方法在对应的Woker上启动Executor并为其分配计算资源：

private def allocateWorkerResourceToExecutors(
    app: ApplicationInfo,
    assignedCores: Int,
    coresPerExecutor: Option[Int],
    worker: WorkerInfo): Unit = {  // If the number of cores per executor is specified, we divide the cores assigned
  // to this worker evenly among the executors with no remainder.
  // Otherwise, we launch a single executor that grabs all the assignedCores on this worker.
  val numExecutors = coresPerExecutor.map { assignedCores / _ }.getOrElse(1)  val coresToAssign = coresPerExecutor.getOrElse(assignedCores)  for (i <- 1 to numExecutors) {    val exec = app.addExecutor(worker, coresToAssign)
    launchExecutor(worker, exec)
    app.state = ApplicationState.RUNNING
  }
}

内部执行的是launchExecutor(worker, exec)，注意exec就是指ExecutorDesc，即Executor的描述信息，我们继续追踪launchExecutor：

private def launchExecutor(worker: WorkerInfo, exec: ExecutorDesc): Unit = {
  logInfo("Launching executor " + exec.fullId + " on worker " + worker.id)
  worker.addExecutor(exec)
  worker.endpoint.send(LaunchExecutor(masterUrl,
    exec.application.id, exec.id, exec.application.desc, exec.cores, exec.memory))
  exec.application.driver.send(    ExecutorAdded(exec.id, worker.id, worker.hostPort, exec.cores, exec.memory))
}

可以看到具体分成了两步：

• 向worker发送启动Executor的消息

• 启动完成后向driver发送ExecutorAdded的消息，这里的driver就是ClientEndpoint

考虑到大家的阅读体验，我们将这两部分放到下一篇文章进行阐述。

本文参照的是Spark 1.6.3版本的源码，同时给出Spark 2.1.0版本的连接：

Spark 1.6.3 源码

Spark 2.1.0 源码

本文为原创，欢迎转载，转载请注明出处、作者，谢谢！

作者：sun4lower
链接：https://www.jianshu.com/p/fe6b1b899b4c