最近对音视频转码系统进行重构，尝试使用spark作分布式并发转码任务框架。对于不熟悉的事物，使用起来毕竟心里没底。所以便有了这次源码的阅读。

Master 启动过程

master的启动命令是：

./sbin/start-master.sh

于是我们从这个脚本出发。开始跟踪Spark的启动流程。
我们只抓主线，其它一些支节先忽略，先了解整体流程。
阅读start-master.sh 发现实际执行语句为：

${SPARK_HOME}/sbin"/spark-daemon.sh start $CLASS 1 \
 --ip $SPARK_MASTER_IP --port $SPARK_MASTER_PORT --webui-port  $SPARK_MASTER_WEBUI_PORT \ $ORIGINAL_ARGS

其中CLASS为：

\# NOTE: This exact class name is matched downstream by SparkSubmit.\# Any changes need to be reflected there.CLASS="org.apache.spark.deploy.master.Master"

• 其它参数主要是端口信息有一些启动参数，可以先忽略。
  精简为：

spark-daemon.sh start  org.apache.spark.deploy.master.Master 1

查看/spark-daemon.sh
关键语句为：

nohup nice -n "$SPARK_NICENESS" "${SPARK_HOME}"/bin/spark-class $command "$@" >> "$log" 2>&1 < /dev/null

其中command 为start
查看:/bin/spark-class
找到真正入口：

CMD=()                       
while IFS= read -d '' -r ARG; do
  CMD+=("$ARG")              
done < <("$RUNNER" -cp "$LAUNCH_CLASSPATH"   org.apache.spark.launcher.Main "$@")exec "${CMD[@]}"

$RUNNER 和 $LAUNCH_CLASSPATH 分别是java 路径及类路径。
实际调用：org.apache.spark.launcher.Main 生成java命令重定向输入到$CMD中，并使用exec执行$CMD。在$CMD中主要执行类为上面提到的**org.apache.spark.deploy.master.Master **
到这里找到程序的实际真正入口：

org.apache.spark.deploy.master.Master

文件所在位置：

core/src/main/scala/org/apache/spark/deploy/master/Master.scala

入口函数：private[deploy] object Master extends Logging
如下：

private[deploy] object Master extends Logging {
  val SYSTEM_NAME = "sparkMaster"
  val ENDPOINT_NAME = "Master"

  def main(argStrings: Array[String]) {
    SignalLogger.register(log)
    val conf = new SparkConf
    val args = new MasterArguments(argStrings, conf)
    val (rpcEnv, _, _) = startRpcEnvAndEndpoint(args.host, args.port, args.webUiPort, conf)
rpcEnv.awaitTermination()
  }  /**
   * Start the Master and return a three tuple of:
   *   (1) The Master RpcEnv
   *   (2) The web UI bound port
   *   (3) The REST server bound port, if any
   */
  def startRpcEnvAndEndpoint(
      host: String,
      port: Int,
      webUiPort: Int,
      conf: SparkConf): (RpcEnv, Int, Option[Int]) = {
    val securityMgr = new SecurityManager(conf)
    val rpcEnv = RpcEnv.create(SYSTEM_NAME, host, port, conf, securityMgr)//创建rpcEnv使用Netty
    val masterEndpoint = rpcEnv.setupEndpoint(ENDPOINT_NAME,  new Master(rpcEnv, rpcEnv.address, webUiPort, securityMgr, conf))
val portsResponse = masterEndpoint.askWithRetry[BoundPortsResponse](BoundPortsRequest)
(rpcEnv, portsResponse.webUIPort, portsResponse.restPort)
  }
}

这里主要是创建了一个rpcEnv，并将master数作为一个endpoint注入其中。
跟入： RpcEnv.create

  def create(
      name: String,      host: String,      port: Int,      conf: SparkConf,      securityManager: SecurityManager,      clientMode: Boolean = false): RpcEnv = {    // Using Reflection to create the RpcEnv to avoid to depend on Akka directly
    val config = RpcEnvConfig(conf, name, host, port, securityManager, clientMode)
    getRpcEnvFactory(conf).create(config)
  }

这里使用了getRpcEnvFactory(conf).create(config) 创建一个rpcEnv返回。

  private def getRpcEnvFactory(conf: SparkConf): RpcEnvFactory = {
    val rpcEnvNames = Map(      "akka" -> "org.apache.spark.rpc.akka.AkkaRpcEnvFactory",      "netty" -> "org.apache.spark.rpc.netty.NettyRpcEnvFactory")
    val rpcEnvName = conf.get("spark.rpc", "netty")
    val rpcEnvFactoryClassName = rpcEnvNames.getOrElse(rpcEnvName.toLowerCase, rpcEnvName)
    Utils.classForName(rpcEnvFactoryClassName).newInstance().asInstanceOf[RpcEnvFactory]
  }

实际使用中，我们使用了netty作为异步NIO框架。故这里使用的是
org.apache.spark.rpc.netty.NettyRpcEnvFactory
工厂类用于生成 rpcEnv
路径：

core/src/main/scala/org/apache/spark/rpc/netty/NettyRpcEnv.scala

看一下这个工厂类。create方法。

private[netty] class NettyRpcEnvFactory extends RpcEnvFactory with Logging {

  def create(config: RpcEnvConfig): RpcEnv = {
    val sparkConf = config.conf    // Use JavaSerializerInstance in multiple threads is safe. However, if we plan to support
    // KryoSerializer in future, we have to use ThreadLocal to store SerializerInstance
    val javaSerializerInstance =      new JavaSerializer(sparkConf).newInstance().asInstanceOf[JavaSerializerInstance]
    val nettyEnv =      new NettyRpcEnv(sparkConf, javaSerializerInstance, config.host, config.securityManager)    if (!config.clientMode) {
      val startNettyRpcEnv: Int => (NettyRpcEnv, Int) = { actualPort =>
        nettyEnv.startServer(actualPort)
        (nettyEnv, nettyEnv.address.port)
      }      try {
        Utils.startServiceOnPort(config.port, startNettyRpcEnv, sparkConf, config.name)._1
      } catch {        case NonFatal(e) =>
          nettyEnv.shutdown()          throw e
      }
    }
    nettyEnv
  }
}

rpcEnv的实现是NettyRpcEnv

使用

 Utils.startServiceOnPort(config.port, startNettyRpcEnv, sparkConf, config.name)._1

启动服务： nettyEnv.startServer(actualPort)

  def startServer(port: Int): Unit = {
    val bootstraps: java.util.List[TransportServerBootstrap] =      if (securityManager.isAuthenticationEnabled()) {
        java.util.Arrays.asList(new SaslServerBootstrap(transportConf, securityManager))
      } else {
        java.util.Collections.emptyList()
      }
    server = transportContext.createServer(host, port, bootstraps)
    dispatcher.registerRpcEndpoint(
      RpcEndpointVerifier.NAME, new RpcEndpointVerifier(this, dispatcher))
  }

回到Master.scala  startRpcEnvAndEndpoint中

  val masterEndpoint = rpcEnv.setupEndpoint(ENDPOINT_NAME,  new Master(rpcEnv, rpcEnv.address, webUiPort, securityMgr, conf))

将Master注册进入rpcEnv中获得masterEndpoint
Netty中通过dispatcher派发消息
我们进入Dispatcher.scala定位到消息派发函数：

  /** Message loop used for dispatching messages. */
  private class MessageLoop extends Runnable {    override def run(): Unit = {      try {        while (true) {          try {
            val data = receivers.take()            if (data == PoisonPill) {              // Put PoisonPill back so that other MessageLoops can see it.
              receivers.offer(PoisonPill)              return
            }
            data.inbox.process(Dispatcher.this)
          } catch {            case NonFatal(e) => logError(e.getMessage, e)
          }
        }
      } catch {        case ie: InterruptedException => // exit
      }
    }
  }

消息通过

 data.inbox.process(Dispatcher.this)

处理
跟入：

core/src/main/scala/org/apache/spark/rpc/netty/Inbox.scala

定位：

   /**
   * Process stored messages.
   */
  def process(dispatcher: Dispatcher): Unit = {
    var message: InboxMessage = null
    inbox.synchronized {      if (!enableConcurrent && numActiveThreads != 0) {        return
      }
      message = messages.poll()      if (message != null) {
        numActiveThreads += 1
      } else {        return
      }
    }    while (true) {
      safelyCall(endpoint) {
        message match {          case RpcMessage(_sender, content, context) =>            try {
              endpoint.receiveAndReply(context).applyOrElse[Any, Unit](content, { msg =>                throw new SparkException(s"Unsupported message $message from ${_sender}")
              })
            } catch {              case NonFatal(e) =>
                context.sendFailure(e)                // Throw the exception -- this exception will be caught by the safelyCall function.
                // The endpoint's onError function will be called.
                throw e
            }          case OneWayMessage(_sender, content) =>
            endpoint.receive.applyOrElse[Any, Unit](content, { msg =>              throw new SparkException(s"Unsupported message $message from ${_sender}")
            })          case OnStart =>
            endpoint.onStart()            if (!endpoint.isInstanceOf[ThreadSafeRpcEndpoint]) {
              inbox.synchronized {                if (!stopped) {
                  enableConcurrent = true
                }
              }
            }          case OnStop =>
            val activeThreads = inbox.synchronized { inbox.numActiveThreads }                assert(activeThreads == 1,
              s"There should be only a single active thread but found $activeThreads threads.")
            dispatcher.removeRpcEndpointRef(endpoint)
            endpoint.onStop()            assert(isEmpty, "OnStop should be the last message")          case RemoteProcessConnected(remoteAddress) =>
            endpoint.onConnected(remoteAddress)          case RemoteProcessDisconnected(remoteAddress) =>
            endpoint.onDisconnected(remoteAddress)          case RemoteProcessConnectionError(cause, remoteAddress) =>
            endpoint.onNetworkError(cause, remoteAddress)
        }
      }

      inbox.synchronized {        // "enableConcurrent" will be set to false after `onStop` is called, so we should check it
        // every time.
        if (!enableConcurrent && numActiveThreads != 1) {          // If we are not the only one worker, exit
          numActiveThreads -= 1
          return
        }
        message = messages.poll()        if (message == null) {
          numActiveThreads -= 1
          return
        }
      }
    }
  }

可看出：
启动时调用了：

endpoint.onStart()

启动后提供rpc调用，并通过receiveAndReply处理：

endpoint.receiveAndReply

这里endpoint 为我们的 Master
到Master中查看这两个函数。

• 先看onStart()

  override def onStart(): Unit = {
    logInfo("Starting Spark master at " + masterUrl)
    logInfo(s"Running Spark version ${org.apache.spark.SPARK_VERSION}")
    webUi = new MasterWebUI(this, webUiPort)
    webUi.bind()
    masterWebUiUrl = "http://" + masterPublicAddress + ":" + webUi.boundPort
    checkForWorkerTimeOutTask = forwardMessageThread.scheduleAtFixedRate(new Runnable {
      override def run(): Unit = Utils.tryLogNonFatalError {        self.send(CheckForWorkerTimeOut)
      }
    }, 0, WORKER_TIMEOUT_MS, TimeUnit.MILLISECONDS)    if (restServerEnabled) {
      val port = conf.getInt("spark.master.rest.port", 6066)
      restServer = Some(new StandaloneRestServer(address.host, port, conf, self, masterUrl))
    }
    restServerBoundPort = restServer.map(_.start())

    masterMetricsSystem.registerSource(masterSource)
    masterMetricsSystem.start()
    applicationMetricsSystem.start()    // Attach the master and app metrics servlet handler to the web ui after the metrics systems are
    // started.
    masterMetricsSystem.getServletHandlers.foreach(webUi.attachHandler)
    applicationMetricsSystem.getServletHandlers.foreach(webUi.attachHandler)

    val serializer = new JavaSerializer(conf)
    val (persistenceEngine_, leaderElectionAgent_) = RECOVERY_MODE match {      case "ZOOKEEPER" =>
        logInfo("Persisting recovery state to ZooKeeper")
        val zkFactory =          new ZooKeeperRecoveryModeFactory(conf, serializer)
        (zkFactory.createPersistenceEngine(), zkFactory.createLeaderElectionAgent(this))      case "FILESYSTEM" =>
        val fsFactory =          new FileSystemRecoveryModeFactory(conf, serializer)
        (fsFactory.createPersistenceEngine(), fsFactory.createLeaderElectionAgent(this))      case "CUSTOM" =>
        val clazz = Utils.classForName(conf.get("spark.deploy.recoveryMode.factory"))
        val factory = clazz.getConstructor(classOf[SparkConf], classOf[Serializer])
          .newInstance(conf, serializer)
          .asInstanceOf[StandaloneRecoveryModeFactory]
        (factory.createPersistenceEngine(), factory.createLeaderElectionAgent(this))      case _ =>
        (new BlackHolePersistenceEngine(), new MonarchyLeaderAgent(this))
    }
    persistenceEngine = persistenceEngine_
    leaderElectionAgent = leaderElectionAgent_
  }

主要动作是启动了web ui界面，启动了监控，设置了master的高可用。

• 再看另一函数：receiveAndReply
  这个是master的主要工作函数。

首先其分为多个case项。
先看第一个。

case RegisterWorker

这个主要是当有新worker启动时，worker的注册函数。
看一下主体部分：

//创建worker信息类

 val worker = new WorkerInfo(id, workerHost, workerPort, cores, memory,
          workerRef, workerUiPort, publicAddress) if (registerWorker(worker)) {    //注册worker
   persistenceEngine.addWorker(worker)
   context.reply(RegisteredWorker(self, masterWebUiUrl))
   schedule() //重新调度，平衡集群
 }

• 重点看一下schedule()

 /**
   * Schedule the currently available resources among waiting apps. This method will be called
   * every time a new app joins or resource availability changes.
   */
  private def schedule(): Unit = {    if (state != RecoveryState.ALIVE) {      return
    }    // Drivers take strict precedence over executors
    val shuffledAliveWorkers = Random.shuffle(workers.toSeq.filter(_.state == WorkerState.ALIVE))
    val numWorkersAlive = shuffledAliveWorkers.size    var curPos = 0
    for (driver <- waitingDrivers.toList) { // iterate over a copy of waitingDrivers
      // We assign workers to each waiting driver in a round-robin fashion. For each driver, we
      // start from the last worker that was assigned a driver, and continue onwards until we have
      // explored all alive workers.
      var launched = false
      var numWorkersVisited = 0
      while (numWorkersVisited < numWorkersAlive && !launched) {
        val worker = shuffledAliveWorkers(curPos)
        numWorkersVisited += 1
        if (worker.memoryFree >= driver.desc.mem && worker.coresFree >= driver.desc.cores) {
          launchDriver(worker, driver)
          waitingDrivers -= driver
          launched = true
        }
        curPos = (curPos + 1) % numWorkersAlive
      }
    }
    startExecutorsOnWorkers()
  }

整个调度过程还是比较简单的。
首先取出workers集合状态为alive的worker
然后遍历driver等待队列，将driver 加载到满足资源要求的worker中。
最后遍历Apps等待队列，过滤出可用的wokers，apps并发度没达到预设值时，将app放到对应的worker中，增加app并发度。

这里startExecutorsOnWorkers() 如下：

  /**
   * Schedule and launch executors on workers
   */
  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))
      }
    }
  }

简单的FIFO方式。
scheduleExecutorsOnWorkers()返回对应worker需要扩展的executor记录
allocateWorkerResourceToExecutors()进行资源分配

到这里启过程基本完成，但仍有两处不明白。driver与app 分别是怎么动作机制。代码是如何提交上来的。

作者：Avanpourm
链接：https://www.jianshu.com/p/74a865f76fb6