Spark2.11 Standalone模式下Driver、Executor启动流程源码概要

Spark 应用程序启动的时候必须依赖SparkContext类，在SparkContext实例化的时候主要的工作是：实例化DAGScheduler job调度器，TaskSchedulerImpl 任务调度器，StandaloneSchedulerBackend通信实体。

 

实例化StandaloneSchedulerBackend后会将其传给TaskSchedulerImpl 底层任务调度器，

同时会初始化任务的资源池，默认的是FIFO的形式，但是可以配置FAIR的模式，在FAIR模式下更加可以通过rdd.sparkContext.setLocalProperty(“spark.scheduler.pool”,”xx”)为每个任务分配不同的资源池执行任务。

二、TaskSchedulerImpl 的start方法启动，实际上就是StandaloneSchedulerBackend.start();

override def start() {
  super.start()
  启动JVM进程名称
  val command = Command("org.apache.spark.executor.CoarseGrainedExecutorBackend",
    args, sc.executorEnvs, classPathEntries ++ testingClassPath, libraryPathEntries, javaOpts)
  Application 描述信息
  val appDesc = ApplicationDescription(sc.appName, maxCores, sc.executorMemory, command,
    webUrl, sc.eventLogDir, sc.eventLogCodec, coresPerExecutor, initialExecutorLimit)

   StandaloneSchedulerBackend的内部通信实体StandaloneAppClient负责接收和发送指令

  client = new StandaloneAppClient(sc.env.rpcEnv, masters, appDesc, this, conf)

  client.start()

ClientEndpoint的onstart()负责向master发送注册application的消息

会不断的根据设定的时间重试，直到register.get为true的时候停止。

当master接收到RegisterApplication的消息后会向client向自己发送一条RegisteredApplication消息告诉client已经注册成功,然后master开始调度决定在某一个服务器上启动Driver。

client接收到消息后会设定registered为true，此时停止发送注册application消息给master。

此时master会先对ALIVE的worker打乱排序，选择一个内存和core都满足的worker启动Driver。

startExecutorsOnWorkers是master开始在worker上启动Executor的动作，其实根据配置策略是有两种模式来启动：

1、对于满足要求的服务器，先最大化的分配Executor，直到没有资源才对另一个服务器分配。

2、对于满足的要求的服务器，先轮训的分配Executor，公平的分配。