深度剖析Spark分佈式執行原理

時間 2019-11-06

原文原文鏈接

讓代碼分佈式運行是全部分佈式計算框架須要解決的最基本的問題。java

Spark是大數據領域中至關火熱的計算框架，在大數據分析領域有一統江湖的趨勢，網上對於Spark源碼分析的文章有不少，可是介紹Spark如何處理代碼分佈式執行問題的資料少之又少，這也是我撰寫文本的目的。node

Spark運行在JVM之上，任務的執行依賴序列化及類加載機制，所以本文會重點圍繞這兩個主題介紹Spark對代碼分佈式執行的處理。本文假設讀者對Spark、Java、Scala有必定的瞭解，代碼示例基於Scala，Spark源碼基於2.1.0版本。閱讀本文你能夠了解到：git

Java對象序列化機制
類加載器的做用
Spark對closure序列化的處理
Spark Application的class是如何加載的
Spark REPL（spark-shell）中的代碼是如何分佈式執行的

根據以上內容，讀者能夠基於JVM相關的語言構建一個本身的分佈式計算服務框架。github

Java對象序列化

序列化(Serialization)是將對象的狀態信息轉換爲能夠存儲或傳輸的形式的過程。所謂的狀態信息指的是對象在內存中的數據，Java中通常指對象的字段數據。咱們開發Java應用的時候或多或少都處理過對象序列化，對象常見的序列化形式有JSON、XML等。shell

JDK中內置一個ObjectOutputStream類能夠將對象序列化爲二進制數據，使用ObjectOutputStream序列化對象時，要求對象所屬的類必須實現java.io.Serializable接口，不然會報java.io.NotSerializableException的異常。apache

基本的概念先介紹到這。接下來咱們一塊兒探討一個問題：Java的方法可否被序列化？服務器

假設咱們有以下的SimpleTask類（Java類）：網絡

import java.io.Serializable;

public abstract class Task implements Serializable {
    public void run() {
        System.out.println("run task!");
    }
}

public class SimpleTask extends Task {
    @Override
    public void run() {
        System.out.println("run simple task!");
    }
}

還有一個用於將對象序列化到文件的工具類FileSerializer：閉包

import java.io.{FileInputStream, FileOutputStream, ObjectInputStream, ObjectOutputStream}

object FileSerializer {

  def writeObjectToFile(obj: Object, file: String) = {
    val fileStream = new FileOutputStream(file)
    val oos = new ObjectOutputStream(fileStream)
    oos.writeObject(obj)
    oos.close()
  }

  def readObjectFromFile(file: String): Object = {
    val fileStream = new FileInputStream(file)
    val ois = new ObjectInputStream(fileStream)
    val obj = ois.readObject()
    ois.close()
    obj
  }
}

簡單起見，咱們採用將對象序列化到文件，而後經過反序列化執行的方式來模擬代碼的分佈式執行。SimpleTask就是咱們須要模擬分佈式執行的代碼。咱們先將SimpleTask序列化到文件中：app

val task = new SimpleTask()
FileSerializer.writeObjectToFile(task, "task.ser")

而後將SimpleTask類從咱們的代碼中刪除，此時只有task.ser文件中含有task對象的序列化數據。接下來咱們執行下面的代碼：

val task = FileSerializer.readObjectFromFile("task.ser").asInstanceOf[Task]
task.run()

請各位讀者思考，上面的代碼執行後會出現什麼樣的結果？

輸出：run simple task! ?
輸出：run task! ?
仍是會報錯？

實際執行會出現形以下面的異常：

Exception in thread "main" java.lang.ClassNotFoundException: site.stanzhai.serialization.SimpleTask
    at java.net.URLClassLoader.findClass(URLClassLoader.java:381)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:424)
    at sun.misc.Launcher$AppClassLoader.loadClass(Launcher.java:331)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:357)
    at java.lang.Class.forName0(Native Method)
    at java.lang.Class.forName(Class.java:348)
    at java.io.ObjectInputStream.resolveClass(ObjectInputStream.java:628)
    at java.io.ObjectInputStream.readNonProxyDesc(ObjectInputStream.java:1620)
    at java.io.ObjectInputStream.readClassDesc(ObjectInputStream.java:1521)
    at java.io.ObjectInputStream.readOrdinaryObject(ObjectInputStream.java:1781)
    at java.io.ObjectInputStream.readObject0(ObjectInputStream.java:1353)
    at java.io.ObjectInputStream.readObject(ObjectInputStream.java:373)
    at site.stanzhai.serialization.FileSerializer$.readObjectFromFile(FileSerializer.scala:20)

從異常信息來看，反序列過程當中找不到SimpleTask類。由此能夠推斷序列化後的數據是不包含類的定義信息的。那麼，ObjectOutputStream到底序列化了哪些信息呢？

對ObjectOutputStream實現機制感興趣的同窗能夠去看下JDK中這個類的實現，ObjectOutputStream序列化對象時，從父類的數據開始序列化到子類，若是override了writeObject方法，會反射調用writeObject來序列化數據。序列化的數據會按照如下的順序以二進制的形式輸出到OutputStream中：

類的descriptor（僅僅是類的描述信息，不包含類的定義）
對象的primitive類型數據(int,boolean等，String和Array是特殊處理的)
對象的其餘obj數據

回到咱們的問題上：Java的方法可否被序列化？經過咱們代碼示例及分析，想必你們對這個問題應該清楚了。經過ObjectOutputStream序列化對象，僅包含類的描述（而非定義），對象的狀態數據，因爲缺乏類的定義，也就是缺乏SimpleTask的字節碼，反序列化過程當中就會出現ClassNotFound的異常。

如何讓咱們反序列化的對象能正常使用呢？咱們還須要瞭解類加載器。

類加載器：ClassLoader

ClassLoader在Java中是一個抽象類，ClassLoader的做用是加載類，給定一個類名，ClassLoader會嘗試查找或生成類的定義，一種典型的加載策略是將類名對應到文件名上，而後從文件系統中加載class file。

在咱們的示例中，反序列化SimpleTask失敗，是由於JVM找不到類的定義，所以要確保正常反序列化，咱們必須將SimpleTask的class文件保存下來，反序列化的時候可以讓ClassLoader加載到SimpleTask的class。

接下來，咱們對代碼作一些改造，添加一個ClassManipulator類，用於將對象的class文件導出到當前目錄的文件中，默認的文件名就是對象的類名（不含包名）：

object ClassManipulator {
  def saveClassFile(obj: AnyRef): Unit = {
    val classLoader = obj.getClass.getClassLoader
    val className = obj.getClass.getName
    val classFile = className.replace('.', '/') + ".class"
    val stream = classLoader.getResourceAsStream(classFile)

    // just use the class simple name as the file name
    val outputFile = className.split('.').last + ".class"
    val fileStream = new FileOutputStream(outputFile)
    var data = stream.read()
    while (data != -1) {
      fileStream.write(data)
      data = stream.read()
    }
    fileStream.flush()
    fileStream.close()
  }
}

按照JVM的規範，假設對package.Simple這樣的一個類編譯，編譯後的class文件爲package/Simple.class，所以咱們能夠根據路徑規則，從當前JVM進程的Resource中獲得指定類的class數據。

在刪除SimpleTask前，咱們除了將task序列化到文件外，還須要將task的class文件保存起來，執行完下面的代碼，SimpleTask類就能夠從代碼中剔除了：

val task = new SimpleTask()
FileSerializer.writeObjectToFile(task, "task.ser")
ClassManipulator.saveClassFile(task)

因爲咱們保存class文件的方式比較特殊，既不在jar包中，也不是按package/ClassName.class這種標準的保存方式，所以還須要實現一個自定義的FileClassLoader按照咱們保存class文件的方式來加載所需的類：

class FileClassLoader() extends ClassLoader {
  override def findClass(fullClassName: String): Class[_] = {
    val file = fullClassName.split('.').last + ".class"
    val in = new FileInputStream(file)
    val bos = new ByteArrayOutputStream
    val bytes = new Array[Byte](4096)
    var done = false
    while (!done) {
      val num = in.read(bytes)
      if (num >= 0) {
        bos.write(bytes, 0, num)
      } else {
        done = true
      }
    }
    val data = bos.toByteArray
    defineClass(fullClassName, data, 0, data.length)
  }
}

ObjectInputStream類用於對象的反序列化，在反序列化過程當中，它根據序列化數據中類的descriptor信息，調用resolveClass方法加載對應的類，可是經過Class.forName加載class使用的並非咱們自定義的FileClassLoader，因此若是直接使用ObjectInputStream進行反序列，依然會由於找不到類而報錯，下面是resolveClass的源碼：

protected Class<?> resolveClass(ObjectStreamClass desc)
    throws IOException, ClassNotFoundException
{
    String name = desc.getName();
    try {
        return Class.forName(name, false, latestUserDefinedLoader());
    } catch (ClassNotFoundException ex) {
        Class<?> cl = primClasses.get(name);
        if (cl != null) {
            return cl;
        } else {
            throw ex;
        }
    }
}

爲了能讓ObjectInputStream在序列化的過程當中使用咱們自定義的ClassLoader，咱們還須要對FileSerializer中的readObjectFromFile方法作些改造，修改的代碼以下：

def readObjectFromFile(file: String, classLoader: ClassLoader): Object = {
  val fileStream = new FileInputStream(file)
  val ois = new ObjectInputStream(fileStream) {
    override def resolveClass(desc: ObjectStreamClass): Class[_] =
      Class.forName(desc.getName, false, classLoader)
  }
  val obj = ois.readObject()
  ois.close()
  obj
}

最後，咱們將反序列化的代碼調整爲：

val fileClassLoader = new FileClassLoader()
val task = FileSerializer.readObjectFromFile("task.ser", fileClassLoader).asInstanceOf[Task]
task.run()

反序列化的過程當中可以經過fileClassLoader加載到所需的類，這樣咱們在執行就不會出錯了，最終的執行結果爲：run simple task!。到此爲止，咱們已經完整地模擬了代碼分佈式執行的過程。完整的示例代碼，請參閱：https://github.com/stanzhai/jvm-exercise/tree/master/src/main/scala/site/stanzhai/exercise/serialization

Spark對closure序列化的處理

咱們依然經過一個示例，快速瞭解下Scala對閉包的處理，下面是從Scala的REPL中執行的代碼：

scala> val n = 2
n: Int = 2

scala> val f = (x: Int) => x * n
f: Int => Int = <function1>

scala> Seq.range(0, 5).map(f)
res0: Seq[Int] = List(0, 2, 4, 6, 8)

f是採用Scala的=>語法糖定義的一個閉包，爲了弄清楚Scala是如何處理閉包的，咱們繼續執行下面的代碼：

scala> f.getClass
res0: Class[_ <: Int => Int] = class $anonfun$1

scala> f.isInstanceOf[Function1[Int, Int]]
res1: Boolean = true

scala> f.isInstanceOf[Serializable]
res2: Boolean = true

能夠看出f對應的類爲$anonfun$1是Function1[Int, Int]的子類，並且實現了Serializable接口，這說明f是能夠被序列化的。

Spark對於數據的處理基本都是基於閉包，下面是一個簡單的Spark分佈式處理數據的代碼片斷：

val spark = SparkSession.builder().appName("demo").master("local").getOrCreate()
val sc = spark.sparkContext
val data = Array(1, 2, 3, 4, 5)
val distData = sc.parallelize(data)
val sum = distData.map(x => x * 2).sum()
println(sum)  // 30.0

對於distData.map(x => x * 2)，map中傳的一個匿名函數，也是一個很是簡單的閉包，對distData中的每一個元素*2，咱們知道對於這種形式的閉包，Scala編譯後是能夠序列化的，因此咱們的代碼能正常執行也合情合理。將入咱們將處理函數的閉包定義到一個類中，而後將代碼改造爲以下形式：

class Operation {
  val n = 2
  def multiply = (x: Int) => x * n
}
...
val sum = distData.map(new Operation().multiply).sum()
...

咱們在去執行，會出現什麼樣的結果呢？實際執行會出現這樣的異常：

Exception in thread "main" org.apache.spark.SparkException: Task not serializable
    at org.apache.spark.util.ClosureCleaner$.ensureSerializable(ClosureCleaner.scala:298)
    ...
Caused by: java.io.NotSerializableException: Operation

Scala在構造閉包的時候會肯定他所依賴的外部變量，並將它們的引用存到閉包對象中，這樣能保證在不一樣的做用域中調用閉包不出現問題。

出現Task not serializable的異常，是因爲咱們的multiply函數依賴Operation類的變量n，雖然multiply是支持序列化的，可是Operation不支持序列化，這致使multiply函數在序列化的過程當中出現了NotSerializable的異常，最終致使咱們的Task序列化失敗。爲了確保multiply能被正常序列化，咱們須要想辦法去除對Operation的依賴，咱們將代碼作以下修改，在去執行就能夠了：

class Operation {
  def multiply = (x: Int) => x * 2
}
...
val sum = distData.map(new Operation().multiply).sum()
...

Spark對閉包序列化前，會經過工具類org.apache.spark.util.ClosureCleaner嘗試clean掉閉包中無關的外部對象引用，ClosureCleaner對閉包的處理是在運行期間，相比Scala編譯器，能更精準的去除閉包中無關的引用。這樣作，一方面能夠儘量保證閉包可被序列化，另外一方面能夠減小閉包序列化後的大小，便於網絡傳輸。

咱們在開發Spark應用的時候，若是遇到Task not serializable的異常，就須要考慮下，閉包中是否或引用了沒法序列化的對象，有的話，嘗試去除依賴就能夠了。

Spark中實現的序列化工具備多個：

從SparkEnv類的實現來看，用於閉包序列化的是JavaSerializer:

JavaSerializer內部使用的是ObjectOutputStream將閉包序列化：

private[spark] class JavaSerializationStream(
    out: OutputStream, counterReset: Int, extraDebugInfo: Boolean)
  extends SerializationStream {
  private val objOut = new ObjectOutputStream(out)
  ...
}

將閉包反序列化的核心代碼爲：

private[spark] class JavaDeserializationStream(in: InputStream, loader: ClassLoader)
  extends DeserializationStream {

  private val objIn = new ObjectInputStream(in) {
    override def resolveClass(desc: ObjectStreamClass): Class[_] =
      try {
        Class.forName(desc.getName, false, loader)
      } catch {
        case e: ClassNotFoundException =>
          JavaDeserializationStream.primitiveMappings.getOrElse(desc.getName, throw e)
      }
  }
  ...
}

關於ObjectInputStream咱們前面已有介紹，JavaDeserializationStream有個關鍵的成員變量loader，它是個ClassLoader，可讓Spark使用非默認的ClassLoader按照自定義的加載策略去加載class，這樣才能保證反序列化過程在其餘節點正常進行。

經過前面的介紹，想要代碼在另外一端執行，只有序列化還不行，還須要保證執行端可以加載到閉包對應的類。接下來咱們探討Spark加載class的機制。

Spark Application的class是如何加載的

一般狀況下咱們會將開發的Spark Application打包爲jar包，而後經過spark-submit命令提交到集羣運行，下面是一個官網的示例：

./bin/spark-submit \
  --class org.apache.spark.examples.SparkPi \
  ... \
  --jars /path/to/dep-libs.jar \
  /path/to/examples.jar \

此時，咱們編寫的代碼中所包含的閉包，對應的類已經被編譯到jar包中了，因此Executor端只要能加載到這個jar包，從jar包中定位閉包的class文件，就能夠將閉包反序列化了。事實上Spark也是這麼作的。

Spark Application的Driver端在運行的時候會基於netty創建一個文件服務，咱們運行的jar包，及--jars中指定的依賴jar包，會被添加到文件服務器中。這個過程在SparkContext的addJar方法中完成：

/**
 * Adds a JAR dependency for all tasks to be executed on this SparkContext in the future.
 * The `path` passed can be either a local file, a file in HDFS (or other Hadoop-supported
 * filesystems), an HTTP, HTTPS or FTP URI, or local:/path for a file on every worker node.
 */
def addJar(path: String) {
  if (path == null) {
    logWarning("null specified as parameter to addJar")
  } else {
    var key = ""
    if (path.contains("\\")) {
      // For local paths with backslashes on Windows, URI throws an exception
      key = env.rpcEnv.fileServer.addJar(new File(path))
    } else {
      val uri = new URI(path)
      // SPARK-17650: Make sure this is a valid URL before adding it to the list of dependencies
      Utils.validateURL(uri)
      key = uri.getScheme match {
        // A JAR file which exists only on the driver node
        case null | "file" =>
          try {
            env.rpcEnv.fileServer.addJar(new File(uri.getPath))
          } catch {
            case exc: FileNotFoundException =>
              logError(s"Jar not found at $path")
              null
          }
        // A JAR file which exists locally on every worker node
        case "local" =>
          "file:" + uri.getPath
        case _ =>
          path
      }
    }
    if (key != null) {
      val timestamp = System.currentTimeMillis
      if (addedJars.putIfAbsent(key, timestamp).isEmpty) {
        logInfo(s"Added JAR $path at $key with timestamp $timestamp")
        postEnvironmentUpdate()
      }
    }
  }
}

Executor端在執行任務的時候，會從任務信息中獲得依賴的jar包，而後updateDependencies從Driver端的文件服務器下載缺失的jar包，並將jar包添加到URLClassLoader中，最後再將task反序列化，反序列化前所需的jar都已準備好，所以可以將task中的閉包正常反序列化，核心代碼以下：

override def run(): Unit = {
  ...
  
  try {
    val (taskFiles, taskJars, taskProps, taskBytes) =
      Task.deserializeWithDependencies(serializedTask)

    // Must be set before updateDependencies() is called, in case fetching dependencies
    // requires access to properties contained within (e.g. for access control).
    Executor.taskDeserializationProps.set(taskProps)

    updateDependencies(taskFiles, taskJars)
    task = ser.deserialize[Task[Any]](taskBytes, Thread.currentThread.getContextClassLoader)
    ...
  } finally {
    runningTasks.remove(taskId)
  }
}

這麼來看，整個Spark Application分佈式加載class的機制就比較清晰了。Executor端可以正常加載class，反序列化閉包，分佈式執行代碼天然就不存在什麼問題了。

Spark REPL（spark-shell）中的代碼是如何分佈式執行的

spark-shell是Spark爲咱們提供的一個REPL的工具，可讓咱們很是方便的寫一些簡單的數據處理腳本。下面是一個運行在spark-shell的代碼：

scala> val f = (x: Int) => x + 1
f: Int => Int = <function1>

scala> val data = Array(1, 2, 3, 4, 5)
data: Array[Int] = Array(1, 2, 3, 4, 5)

scala> val distData = sc.parallelize(data)
distData: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at <console>:26

scala> distData.map(f).sum()
res0: Double = 20.0

咱們已知，閉包f會被Scala編譯爲匿名類，若是要將f序列化到Executor端執行，必需要加載f對應的匿名類的class數據，才能正常反序列化。

Spark是如何獲得f的class數據的？Executor又是如何加載到的？

源碼面前，了無祕密。咱們看一下Spark的repl項目的代碼入口，核心代碼以下：

object Main extends Logging {
  ...
  val rootDir = conf.getOption("spark.repl.classdir").getOrElse(Utils.getLocalDir(conf))
  val outputDir = Utils.createTempDir(root = rootDir, namePrefix = "repl")

  def main(args: Array[String]) {
    doMain(args, new SparkILoop)
  }

  // Visible for testing
  private[repl] def doMain(args: Array[String], _interp: SparkILoop): Unit = {
    interp = _interp
    val jars = Utils.getUserJars(conf, isShell = true).mkString(File.pathSeparator)
    val interpArguments = List(
      "-Yrepl-class-based",
      "-Yrepl-outdir", s"${outputDir.getAbsolutePath}",
      "-classpath", jars
    ) ++ args.toList

    val settings = new GenericRunnerSettings(scalaOptionError)
    settings.processArguments(interpArguments, true)

    if (!hasErrors) {
      interp.process(settings) // Repl starts and goes in loop of R.E.P.L
      Option(sparkContext).map(_.stop)
    }
  }
  ...
}

Spark2.1.0的REPL基於Scala-2.11的scala.tools.nsc編譯工具實現，代碼已經至關簡潔，Spark給interp設置了2個關鍵的配置-Yrepl-class-based和-Yrepl-outdir，經過這兩個配置，咱們在shell中輸入的代碼會被編譯爲class文件輸出到執行的文件夾中。若是指定了spark.repl.classdir配置，會用這個配置的路徑做爲class文件的輸出路徑，不然使用SPARK_LOCAL_DIRS對應的路徑。下面是我測試過程當中輸出到文件夾中的class文件：

咱們已經清楚Spark如何將shell中的代碼編譯爲class了，那麼Executor端，如何加載到這些class文件呢？在org/apache/spark/executor/Executor.scala中有段和REPL相關的代碼：

private val urlClassLoader = createClassLoader()
private val replClassLoader = addReplClassLoaderIfNeeded(urlClassLoader)

/**
 * If the REPL is in use, add another ClassLoader that will read
 * new classes defined by the REPL as the user types code
 */
private def addReplClassLoaderIfNeeded(parent: ClassLoader): ClassLoader = {
  val classUri = conf.get("spark.repl.class.uri", null)
  if (classUri != null) {
    logInfo("Using REPL class URI: " + classUri)
    try {
      val _userClassPathFirst: java.lang.Boolean = userClassPathFirst
      val klass = Utils.classForName("org.apache.spark.repl.ExecutorClassLoader")
        .asInstanceOf[Class[_ <: ClassLoader]]
      val constructor = klass.getConstructor(classOf[SparkConf], classOf[SparkEnv],
        classOf[String], classOf[ClassLoader], classOf[Boolean])
      constructor.newInstance(conf, env, classUri, parent, _userClassPathFirst)
    } catch {
      case _: ClassNotFoundException =>
        logError("Could not find org.apache.spark.repl.ExecutorClassLoader on classpath!")
        System.exit(1)
        null
    }
  } else {
    parent
  }
}

override def run(): Unit = {
  ...
  Thread.currentThread.setContextClassLoader(replClassLoader)
  val ser = env.closureSerializer.newInstance()
  ...
}

Executor啓動時會判斷是否爲REPL模式，若是是的話會使用ExecutorClassLoader作爲反序列閉包時所使用的ClassLoader，ExecutorClassLoader會經過網絡從Driver端（也就是執行spark-shell的節點）加載所需的class文件。這樣咱們在spark-shell中寫的代碼就能夠分佈式執行了。