spark作業排程
一、排程分類
排程分為兩種,一是應用之間的,二是應用內部作業的。
(一)應用之間
我們前面幾章有說過,一個spark-submit提交的是一個應用,不同的應用之間是有排程的,這個就由資源分配者來排程。如果我們使用Yarn,那麼就由Yarn來排程。排程方式的配置就在$HADOOP_HOME/etc/hadoop/yarn-site.xml中
<property> <name>yarn.resourcemanager.scheduler.class</name> <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler</value> </property>
(二)應用內部
參考《Spark基礎入門(三)--------作業執行方式》可以看到,SparkContext底層會觸發呼叫runJob的方法阻塞式的提交job,提交job的執行緒會處於阻塞狀態,同一個執行緒中,後面的job需要等待前面job完成才能提交。但當多執行緒執行時,則可以併發提交Job。
例如SparkStreaming執行併發提交時,可以看到一個SparkStreaming的專案中多個job在同時跑:
再例如Thriftserver,多個使用者通過beeline連線Thriftserver提交自己的查詢,所有的查詢都是並行執行的:
我們重點介紹應用內部的排程,排程方式的配置在
$SPAKR_HOME/conf/spark-defaults.conf
spark.scheduler.mode = FIFO/FAIR
二、排程原理
結合《Spark基礎入門(三)--------作業執行方式》
(一)作業提交與排程池的建立
1. DAGScheduler採取的生產者消費者模型,存在一個Event佇列,使用者和TaskScheduler會生產event到這個佇列中,DAGScheduler中會有一個Daemon執行緒去消費這些event併產生對應的處理。DAGScheduler可以處理的Event包括:JobSubmitted、CompletionEvent、ExecutorLost
2. DAGScheduler 在接收到JobSubmitted的Event之後,會首先計算出其DAG圖,然後劃分Stage,最後提交TaskSet到TaskScheduler(通過呼叫TaskScheduler的submitTasks,TaskScheduler還有cancelTasks的方法)
3. TaskScheduler的submitTasks方法最後會建立TaskManager的例項,由它去管理裡面的TaskSet。
4. SparkContext是多執行緒安全的,可以有多個執行緒提交Job,這個Job也就是sparkAction
5. 每個執行緒提交Job時,是按Stage為最小單位來提交的,提交一個stage的TaskSet(一堆task任務)有一個TaskSetManager會來管理TaskSet,一個TaskSet對應一個TaskSetManager
6. TaskScheduler在初始化時,會建立一個Pool,用於排程;還會建立SchedulerBuilder,會去構造剛剛這個Pool。
7. SchedulerBuilder在TaskSchedulerImpl類中的定義如下,SchedulerBuilder會根據使用者設定的排程模式(比如FIFO或者Fair)呼叫其buildPools方法,將下面的TaskSetManager按照一定的組織形式放到Pool中。上圖綠色框圖圈出來的部分。比如使用的FIFO,則以FIFOSchedulableBuilder類來build pool,如果使用FAIR,則使用FairChedulableBuilder
var schedulableBuilder: SchedulableBuilder = null
...
def initialize(backend: SchedulerBackend) {
this.backend = backend
// temporarily set rootPool name to empty
rootPool = new Pool("", schedulingMode, 0, 0)
schedulableBuilder = {
schedulingMode match {
case SchedulingMode.FIFO =>
//rootPool包含了一組TaskSetManager
new FIFOSchedulableBuilder(rootPool)
case SchedulingMode.FAIR =>
//rootPool包含了一組Pool樹,這棵樹的葉子節點都是TaskSetManager
new FairSchedulableBuilder(rootPool, conf)
}
}
schedulableBuilder.buildPools() //在FIFO中的實現是空
}
(二)作業排程
上述都是基礎工作,pool和排程物件建立聯絡之後,才開始真正的排程。
1. 排程由TaskScheduler進行,只有在有新的計算資源時才會進行作業排程。
2. TaskScheduler後面還有SchedulerBackend,SchedulerBackend會負責與Executor互動。
3. SchedulerBackend會呼叫makeOffers,觸發TaskScheduler呼叫resourceOffers方法。resourceOffers方法會根據當前的設定,選用一個排程演算法,進行作業排程。
var taskSetSchedulingAlgorithm: SchedulingAlgorithm = {
schedulingMode match {
case SchedulingMode.FAIR =>
new FairSchedulingAlgorithm()
case SchedulingMode.FIFO =>
new FIFOSchedulingAlgorithm()
}
}
4. 有兩種觸發SchedulerBackend呼叫makeOffers的場景:
(1) 定時任務:SchedulerBackend在啟動時會建立DriverEndPoint,DriverEndPoint中有定時任務,一定時間(spark.scheduler.revive.interval,預設為1s)進行一次排程(給自身傳送ReviveOffers訊息, 進行呼叫makeOffers進行排程)
(2)資源釋放:當Executor執行完成已分配任務時,會向Driver傳送StatusUpdate訊息,表明一個Executor資源已經釋放,則呼叫makeOffers(executorId)方法。
三、排程演算法
(一)FIFO(First in first out)
三個執行緒提交三個Job,則按照順序,先執行Job1,執行結束之後再執行Job2,然後再執行Job3。
1. buildPools演算法
對於FIFO模式的排程,rootPool管理的直接就是TaskSetManager。SchedulerBuilder的buildPools方法會遍歷所有的TaskSetManager,然後將他們直接掛在rootPool下面。
FIFO排程模式只有一層,會在葉子節點TaskSetManager中選擇排程哪一個
/**FIFO模式下的Pools的構建/
private[spark] class FIFOSchedulableBuilder(val rootPool: Pool)
extends SchedulableBuilder with Logging {
override def buildPools() {
// 實際什麼都不做
}
//新增下級排程實體的時候,直接新增到rootPool
override def addTaskSetManager(manager: Schedulable, properties: Properties) {
rootPool.addSchedulable(manager)
}
}
2. 排程演算法
/**
* FIFO排序的實現,主要因素是優先順序、其次是對應的Stage
* 優先順序高的在前面,優先順序相同,則靠前的stage優先
*/
private[spark] class FIFOSchedulingAlgorithm extends SchedulingAlgorithm {
override def comparator(s1: Schedulable, s2: Schedulable): Boolean = {
//優先順序越小優先順序越高
val priority1 = s1.priority
val priority2 = s2.priority
var res = math.signum(priority1 - priority2)
if (res == 0) {
//如果優先順序相同,那麼Stage靠前的優先
val stageId1 = s1.stageId
val stageId2 = s2.stageId
res = math.signum(stageId1 - stageId2)
}
if (res < 0) {
true
} else {
false
}
}
}
首先比較優先順序
如果優先順序相同,就比較Stage的大小。
在FIFO中,優先順序即是JobID。而JobID是順序生成的,所以也就是先生成的JobID比較小,參考程式碼可以看到優先順序(JobID)越小,越先排程。
對同一個作業(Job)來說越先生成的Stage,其StageId越小,
有依賴關係的多個Stage之間,DAGScheduler會控制Stage是否會被提交到排程佇列中(若其依賴的Stage未執行完前,此Stage不會被提交),其排程順序可通過此來保證。但若某Job中有兩個無入度的Stage的話,則先排程StageId小的Stage。
3. 實驗
這個演算法對外表現出來就是一個Job1先執行完了之後下一個Job2,那麼如果Job1執行需要3個小時,而Job2執行只需要1分鐘,結果Job2從提交到結束會需要3小時一分鐘。非常不友好、不靈活。
(二)FAIR
首先配置$SPAKR_HOME/conf/spark-defaults.conf
spark.scheduler.mode = FAIR
1. buildPools演算法
/**FAIR模式下的Pools的構建*/
private[spark] class FairSchedulableBuilder(val rootPool: Pool, conf: SparkConf)
extends SchedulableBuilder with Logging {
....省略程式碼...
override def buildPools() {
...省略...
buildDefaultPool()
}
private def buildDefaultPool() {
if (rootPool.getSchedulableByName(DEFAULT_POOL_NAME) == null) {
val pool = new Pool(DEFAULT_POOL_NAME, DEFAULT_SCHEDULING_MODE,
DEFAULT_MINIMUM_SHARE, DEFAULT_WEIGHT)
rootPool.addSchedulable(pool)
......
}
}
模型如上,Fair模型的排程是兩級排程。rootPool下面管理的是其他pool,下面的pool才去管理TaskManager。
配置方式:
1)新增池子
新增$SPAKR_HOME/conf/fairscheduler.xml可以設定排程的多個池子,如果不設定,則預設底下只有一個defaultPool池子。
<?xml version="1.0"?>
<allocations>
<pool name="default">
<schedulingMode>FAIR</schedulingMode>
<weight>1</weight>
<minShare>0</minShare>
</pool>
<pool name="pool1">
<schedulingMode>FAIR</schedulingMode>
<weight>1</weight>
<minShare>0</minShare>
</pool>
</allocations>
2)配置TaskSetManager與池子之間的關係
執行緒1提交了一個action,這個action觸發了一個jobId為1的job,會交給TaskSetManager1來管理。
在提交這個action之前,程式碼中設定spark.scheduler.pool:
SparkContext.setLocalProperty(“spark.scheduler.pool”,”pool_name_1”)
注意這裡的setLocalProperty,筆者認為應該是執行緒私有的物件。
如果不加設定,jobs會提交到default排程池中。由於排程池的使用是Thread級別的,只能通過具體的SparkContext來設定local屬性(即無法在配置檔案中通過引數spark.scheduler.pool來設定,因為配置檔案中的引數會被載入到SparkConf物件中)。所以需要使用指定排程池的話,需要在具體程式碼中通過SparkContext物件sc來按照如下方法進行設定:
sc.setLocalProperty("spark.scheduler.pool", "test")
設定該引數後,在該thread中提交的所有job都會提交到test Pool中。
如果接下來不再需要使用到該test排程池,
sc.setLocalProperty("spark.scheduler.pool", null)
我們將不同執行緒提交的job給隔離到不同的池子裡了
2. 排程演算法
private[spark] class FairSchedulingAlgorithm extends SchedulingAlgorithm {
override def comparator(s1: Schedulable, s2: Schedulable): Boolean = {
//最小共享,可以理解為執行需要的最小資源即CPU核數
val minShare1 = s1.minShare
val minShare2 = s2.minShare
//執行的任務的數量
val runningTasks1 = s1.runningTasks
val runningTasks2 = s2.runningTasks
//執行中的任務的數量與最小CPU核數比較,如果小於,則說明處於飢餓狀態
val s1Needy = runningTasks1 < minShare1
val s2Needy = runningTasks2 < minShare2
//飢餓程度越大(runningTask遠小於minshare),算出來的數值越小
val minShareRatio1 = runningTasks1.toDouble / math.max(minShare1, 1.0).toDouble
val minShareRatio2 = runningTasks2.toDouble / math.max(minShare2, 1.0).toDouble
//權重越高,算出來的數值越小
val taskToWeightRatio1 = runningTasks1.toDouble / s1.weight.toDouble
val taskToWeightRatio2 = runningTasks2.toDouble / s2.weight.toDouble
var compare: Int = 0
//飢餓的優先
if (s1Needy && !s2Needy) {
return true
} else if (!s1Needy && s2Needy) {
return false
} else if (s1Needy && s2Needy) {
//都處於捱餓狀態則飢餓程度越大的優先
compare = minShareRatio1.compareTo(minShareRatio2)
} else {
//都不捱餓,則權重高的優先
compare = taskToWeightRatio1.compareTo(taskToWeightRatio2)
}
if (compare < 0) {//小於0時,返回true
true
} else if (compare > 0) {//大於0時,返回false
false
} else {
//如果都一樣,那麼比較名字,按照字母順序比較,不考慮長度,所以名字比較重要
s1.name < s2.name
}
}
}
上述演算法總結下來就是:
1.飢餓的優先(minShare)
2.都處於捱餓狀態則飢餓程度越大的優先(running/minShare越小的優先)
3.都不捱餓,則權重程度高的優先(running/weight越小的優先)
4.算出來的值相同時,則比較名字(按照字母順序比較)
3. 案例分析
20核分配
三個池子hello(minshare:5/weight:15), apple(minshare:2/weight:5), pool(minshare:3/weight:1)
初始狀態:0<5 0<2 0<3
全部飢餓
飢餓程度 0% 0% 0%
按名字分配 1
飢餓程度 0% 1/2(50%) 0%
按名字 1
飢餓程度 0% 1/2(50%) 1/3(33.3%)
按飢餓程度1
飢餓程度 1/5(20%) 1/2(50%) 1/3(33.3%)
按飢餓程度1
飢餓程度 2/5(40%) 1/2(50%) 1/3(33.3%)
按飢餓程度2/5(40%) 1/2(50%) 2/3(66.7%)
按飢餓程度3/5(60%) 1/2(50%) 2/3(66.7%)
按飢餓程度3/5(60%) 2/2(100%) 2/3(66.7%)
按飢餓程度4/5(80%) 2/2(100%) 2/3(66.7%)
按飢餓程度4/5(80%) 2/2(100%) 3/3(100%)
按飢餓 5/5(100%) 2/2(100%) 3/3(100%)
此時已經分配10個核
全部不飢餓,權重程度 5/15(33.3%) 2/5(40%) 3/1(300%)
按權重程度6/15(40%) 2/5(40%) 3/1(300%)
按名字 6/15(40%) 3/5(60%) 3/1(300%)
按權重程度 7/15(46.7%) 3/5(60%) 3/1(300%)
按權重程度 8/15(53.3%) 3/5(60%) 3/1(300%)
按權重程度 9/15(60%) 3/5(60%) 3/1(300%)
按名字 9/15(60%) 4/5(80%) 3/1(300%)
按權重程度 10/15(66.7%) 4/5(80%) 3/1(300%)
按權重程度 11/15(73.3%) 4/5(80%) 3/1(300%)
按權重程度 12/15(80%) 4/5(80%) 3/1(300%)
按名字 12/15(80%) 5/5(100%) 3/1(300%)
此時20核全部分配完
如果使用者配置一個指定排程池權重為2, 那麼這個排程池將會獲得相對於權重為1的排程池2倍的資源
4. 池子內部的排程
第一小層是Pool(資源池)間的公平排程,第二小層是Pool內的。注意,Pool內部排程預設是FIFO的,需要設定{spark_base_dir}/conf/fairscheduler.xml,針對具體的Pool設定排程規則
<pool name="default">
<schedulingMode>FAIR</schedulingMode>
<weight>1</weight>
<minShare>0</minShare>
</pool>
但pool內已經沒有minShare、weight了,所以筆者猜測pool內minShare全是0,weight全是1。然後也就是公平的平均分配所有的資源。
四、TaskSetManager內部排程
當資源已經分配給一個taskSetManager之後,再就是執行任務內部的排程邏輯。因為分配的資源是某個executor上的,每個Task又有自己prefer的節點(為了計算的本地性),他們之間可能不是完全的匹配。
例如資源executor(機器c上的)排程給了一個taskSetManager,而taskSetManager中此時只有a,b兩個task(它們prefer的節點是a,b),那麼如果此時將c資源給a task,那麼a可能計算就是rack(機架中的),然後很短時間內,又有一個a資源排程過來,而此時只能把它給b task。而實際上最佳的方式應該是把a資源給a task,c資源給b task。
所以這裡有一個等待機制,包括以下引數:spark.locality.wait.process、spark.locality.wait.node、spark.locality.wait.rack。TaskSetManager會根據等待時間降低自己的要求。(從process本地程序---->node本地節點---->rack同機架上---->any任意匹配)。這種等待機制會帶來一定延遲,但如果這種調整有效那麼也會節約很多計算時間(比如上例中,最後a上計算a task會比c上計算a task快很多)。
五、Thriftserver的排程
想要thriftserver達到SQL級別的公平排程,需要配置三個配置檔案:yarn-site.xml、spark-defaults.conf、fairscheduler.xml。由於thriftserver的SQL沒有按照不同使用者區分多個Pool,所以其實並不能實現不同權重和minshare的設定,只能達到完全公平的分配(也就是(三)4)中提到的池子內的排程)。
但通過修改thriftserver的原始碼,可以實現不同sql分配到不同的池子裡面,就可以實現sql級別的排程了。但池子必須提前配置好。