深度剖析 Spark 分布式执行原理



转载请注明 AIQ - 最专业的机器学习大数据社区  http://www.6aiq.com

AIQ 机器学习大数据 知乎专栏 点击关注

让代码分布式运行是所有分布式计算框架需要解决的最基本的问题。
Spark 是大数据领域中相当火热的计算框架,在大数据分析领域有一统江湖的趋势,网上对于 Spark 源码分析的文章有很多,但是介绍 Spark 如何处理代码分布式执行问题的资料少之又少,这也是我撰写文本的目的。

Spark 运行在 JVM 之上,任务的执行依赖序列化及类加载机制,因此本文会重点围绕这两个主题介绍 Spark 对代码分布式执行的处理。本文假设读者对 Spark、Java、Scala 有一定的了解,代码示例基于 Scala,Spark 源码基于 2.1.0 版本。阅读本文你可以了解到:

  • Java 对象序列化机制

  • 类加载器的作用

  • Spark 对 closure 序列化的处理

  • Spark Application 的 class 是如何加载的

  • Spark REPL(spark-shell)中的代码是如何分布式执行的

根据以上内容,读者可以基于 JVM 相关的语言构建一个自己的分布式计算服务框架。

Java 对象序列化

序列化 (Serialization) 是将对象的状态信息转换为可以存储或传输的形式的过程。所谓的状态信息指的是对象在内存中的数据,Java 中一般指对象的字段数据。我们开发 Java 应用的时候或多或少都处理过对象序列化,对象常见的序列化形式有 JSON、XML 等。

JDK 中内置一个 ObjectOutputStream 类可以将对象序列化为二进制数据,使用 ObjectOutputStream 序列化对象时,要求对象所属的类必须实现 java.io.Serializable 接口,否则会报 java.io.NotSerializableException 的异常。

基本的概念先介绍到这。接下来我们一起探讨一个问题:Java 的方法能否被序列化?

假设我们有如下的 SimpleTask 类(Java 类):

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!");
    }
}

还有一个用于将对象序列化到文件的工具类 FileSerializer:

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
  }
}

简单起见,我们采用将对象序列化到文件,然后通过反序列化执行的方式来模拟代码的分布式执行。SimpleTask 就是我们需要模拟分布式执行的代码。

我们先将 SimpleTask 序列化到文件中:

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

然后将 SimpleTask 类从我们的代码中删除,此时只有 task.ser 文件中含有 task 对象的序列化数据。

接下来我们执行下面的代码:


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

请各位读者思考,上面的代码执行后会出现什么样的结果?

  • 输出:run simple task! ?
  • 输出:run task! ?
  • 还是会报错?
    实际执行会出现形如下面的异常:
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)

从异常信息来看,反序列过程中找不到 SimpleTask 类。由此可以推断序列化后的数据是不包含类的定义信息的。那么,ObjectOutputStream 到底序列化了哪些信息呢?

对 ObjectOutputStream 实现机制感兴趣的同学可以去看下 JDK 中这个类的实现,ObjectOutputStream 序列化对象时,从父类的数据开始序列化到子类,如果 override 了 writeObject 方法,会反射调用 writeObject 来序列化数据。序列化的数据会按照以下的顺序以二进制的形式输出到 OutputStream 中:
类的 descriptor(仅仅是类的描述信息,不包含类的定义)
对象的 primitive 类型数据 (int,boolean 等,String 和 Array 是特殊处理的)
对象的其他 obj 数据

回到我们的问题上:Java 的方法能否被序列化?通过我们代码示例及分析,想必大家对这个问题应该清楚了。通过 ObjectOutputStream 序列化对象,仅包含类的描述(而非定义),对象的状态数据,由于缺少类的定义,也就是缺少 SimpleTask 的字节码,反序列化过程中就会出现 ClassNotFound 的异常。

如何让我们反序列化的对象能正常使用呢?我们还需要了解类加载器。

类加载器:ClassLoader
ClassLoader 在 Java 中是一个抽象类,ClassLoader 的作用是加载类,给定一个类名,ClassLoader 会尝试查找或生成类的定义,一种典型的加载策略是将类名对应到文件名上,然后从文件系统中加载 class file。

在我们的示例中,反序列化 SimpleTask 失败,是因为 JVM 找不到类的定义,因此要确保正常反序列化,我们必须将 SimpleTask 的 class 文件保存下来,反序列化的时候能够让 ClassLoader 加载到 SimpleTask 的 class。

接下来,我们对代码做一些改造,添加一个 ClassManipulator 类,用于将对象的 class 文件导出到当前目录的文件中,默认的文件名就是对象的类名(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 的规范,假设对 package.Simple 这样的一个类编译,编译后的 class 文件为 package/Simple.class,因此我们可以根据路径规则,从当前 JVM 进程的 Resource 中得到指定类的 class 数据。

在删除 SimpleTask 前,我们除了将 task 序列化到文件外,还需要将 task 的 class 文件保存起来,执行完下面的代码,SimpleTask 类就可以从代码中剔除了:

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

由于我们保存 class 文件的方式比较特殊,既不在 jar 包中,也不是按 package/ClassName.class 这种标准的保存方式,因此还需要实现一个自定义的 FileClassLoader 按照我们保存 class 文件的方式来加载所需的类:

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 类用于对象的反序列化,在反序列化过程中,它根据序列化数据中类的 descriptor 信息,调用 resolveClass 方法加载对应的类,但是通过 Class.forName 加载 class 使用的并不是我们自定义的 FileClassLoader,所以如果直接使用 ObjectInputStream 进行反序列,依然会因为找不到类而报错,下面是 resolveClass 的源码:

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;
        }
    }
}

为了能让 ObjectInputStream 在序列化的过程中使用我们自定义的 ClassLoader,我们还需要对 FileSerializer 中的 readObjectFromFile 方法做些改造,修改的代码如下:

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
}

最后,我们将反序列化的代码调整为:

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

反序列化的过程中能够通过 fileClassLoader 加载到所需的类,这样我们在执行就不会出错了,最终的执行结果为:run simple task!。到此为止,我们已经完整地模拟了代码分布式执行的过程。完整的示例代码,请参阅:点击这里

Spark 对 closure 序列化的处理
我们依然通过一个示例,快速了解下 Scala 对闭包的处理,下面是从 Scala 的 REPL 中执行的代码:

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 是采用 Scala 的 => 语法糖定义的一个闭包,为了弄清楚 Scala 是如何处理闭包的,我们继续执行下面的代码:

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

可以看出 f 对应的类为 $anonfun$1 是 Function1[Int, Int] 的子类,而且实现了 Serializable 接口,这说明 f 是可以被序列化的。

Spark 对于数据的处理基本都是基于闭包,下面是一个简单的 Spark 分布式处理数据的代码片段:

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

对于 distData.map(x => x * 2),map 中传的一个匿名函数,也是一个非常简单的闭包,对 distData 中的每个元素 *2,我们知道对于这种形式的闭包,Scala 编译后是可以序列化的,所以我们的代码能正常执行也合情合理。将入我们将处理函数的闭包定义到一个类中,然后将代码改造为如下形式:

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

我们在去执行,会出现什么样的结果呢?实际执行会出现这样的异常:

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 在构造闭包的时候会确定他所依赖的外部变量,并将它们的引用存到闭包对象中,这样能保证在不同的作用域中调用闭包不出现问题。

出现 Task not serializable 的异常,是由于我们的 multiply 函数依赖 Operation 类的变量 n,虽然 multiply 是支持序列化的,但是 Operation 不支持序列化,这导致 multiply 函数在序列化的过程中出现了 NotSerializable 的异常,最终导致我们的 Task 序列化失败。

为了确保 multiply 能被正常序列化,我们需要想办法去除对 Operation 的依赖,我们将代码做如下修改,在去执行就可以了:

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

Spark 对闭包序列化前,会通过工具类 org.apache.spark.util.ClosureCleaner 尝试 clean 掉闭包中无关的外部对象引用,ClosureCleaner 对闭包的处理是在运行期间,相比 Scala 编译器,能更精准的去除闭包中无关的引用。这样做,一方面可以尽可能保证闭包可被序列化,另一方面可以减少闭包序列化后的大小,便于网络传输。

我们在开发 Spark 应用的时候,如果遇到 Task not serializable 的异常,就需要考虑下,闭包中是否或引用了无法序列化的对象,有的话,尝试去除依赖就可以了。

Spark 中实现的序列化工具有多个:
94d95c216b334afe9fe1c24a7653c556-image.png

从 SparkEnv 类的实现来看,用于闭包序列化的是 JavaSerializer:
88640c1f4b994b9aad057ecb64b063a4-image.png

JavaSerializer 内部使用的是 ObjectOutputStream 将闭包序列化:

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

将闭包反序列化的核心代码为:

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)
      }
  }
  ...
}

关于 ObjectInputStream 我们前面已有介绍,JavaDeserializationStream 有个关键的成员变量 loader,它是个 ClassLoader,可以让 Spark 使用非默认的 ClassLoader 按照自定义的加载策略去加载 class,这样才能保证反序列化过程在其他节点正常进行。

通过前面的介绍,想要代码在另一端执行,只有序列化还不行,还需要保证执行端能够加载到闭包对应的类。接下来我们探讨 Spark 加载 class 的机制。

Spark Application 的 class 是如何加载的

通常情况下我们会将开发的 Spark Application 打包为 jar 包,然后通过 spark-submit 命令提交到集群运行,下面是一个官网的示例:

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

此时,我们编写的代码中所包含的闭包,对应的类已经被编译到 jar 包中了,所以 Executor 端只要能加载到这个 jar 包,从 jar 包中定位闭包的 class 文件,就可以将闭包反序列化了。事实上 Spark 也是这么做的。

Spark Application 的 Driver 端在运行的时候会基于 netty 建立一个文件服务,我们运行的 jar 包,及–jars 中指定的依赖 jar 包,会被添加到文件服务器中。这个过程在 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 端在执行任务的时候,会从任务信息中得到依赖的 jar 包,然后 updateDependencies 从 Driver 端的文件服务器下载缺失的 jar 包,并将 jar 包添加到 URLClassLoader 中,最后再将 task 反序列化,反序列化前所需的 jar 都已准备好,因此能够将 task 中的闭包正常反序列化,核心代码如下:

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)
  }
}

这么来看,整个 Spark Application 分布式加载 class 的机制就比较清晰了。Executor 端能够正常加载 class,反序列化闭包,分布式执行代码自然就不存在什么问题了。

Spark REPL(spark-shell)中的代码是如何分布式执行的
spark-shell 是 Spark 为我们提供的一个 REPL 的工具,可以让我们非常方便的写一些简单的数据处理脚本。下面是一个运行在 spark-shell 的代码:

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

我们已知,闭包 f 会被 Scala 编译为匿名类,如果要将 f 序列化到 Executor 端执行,必须要加载 f 对应的匿名类的 class 数据,才能正常反序列化。

Spark 是如何得到 f 的 class 数据的?Executor 又是如何加载到的?

源码面前,了无秘密。我们看一下 Spark 的 repl 项目的代码入口,核心代码如下:

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 基于 Scala-2.11 的 scala.tools.nsc 编译工具实现,代码已经相当简洁,Spark 给 interp 设置了 2 个关键的配置 -Yrepl-class-based 和 -Yrepl-outdir,通过这两个配置,我们在 shell 中输入的代码会被编译为 class 文件输出到执行的文件夹中。

如果指定了 spark.repl.classdir 配置,会用这个配置的路径作为 class 文件的输出路径,否则使用 SPARK_LOCAL_DIRS 对应的路径。下面是我测试过程中输出到文件夹中的 class 文件:
9ee73474fd6048d9bf95d1499b3ba7c3-image.png

我们已经清楚 Spark 如何将 shell 中的代码编译为 class 了,那么 Executor 端,如何加载到这些 class 文件呢?在 org/apache/spark/executor/Executor.scala 中有段和 REPL 相关的代码:

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 启动时会判断是否为 REPL 模式,如果是的话会使用 ExecutorClassLoader 做为反序列闭包时所使用的 ClassLoader,ExecutorClassLoader 会通过网络从 Driver 端(也就是执行 spark-shell 的节点)加载所需的 class 文件。这样我们在 spark-shell 中写的代码就可以分布式执行了。

总结
Spark 实现代码的分布式执行有 2 个关键点:
1.对象必须可序列化
2.Executor端能够加载到所需类的class文件,保证反序列化过程不出错,这点通过自定义的ClassLoader来保障

满足以上 2 个条件,我们的代码就可以分布式运行了。

当然,构建一个完整的分布式计算框架,还需要有网络通信框架、RPC、文件传输服务等作为支撑,在了解 Spark 代码分布式执行原理的基础上,相信读者已有思路基于 JVM 相关的语言构建分布式计算服务。

类比其他非 JVM 相关的语言,实现一个分布式计算框架,依然是需要解决序列化,动态加载执行代码的问题。

(完)


更多高质资源 尽在AIQ 机器学习大数据 知乎专栏 点击关注

转载请注明 AIQ - 最专业的机器学习大数据社区  http://www.6aiq.com