JobScheduler, Job, JobSet 详解

引言
前面在 [Spark Streaming 实现思路与模块概述](0.1 Spark Streaming 实现思路与模块概述.md) 和 [DStream 生成 RDD 实例详解](1.2 DStream 生成 RDD 实例详解.md) 里我们分析了 DStream 和 DStreamGraph 具有能够实例化 RDD 和 RDD DAG 的能力，下面我们来看 Spark Streaming 是如何将其动态调度的。

在 Spark Streaming 程序的入口，我们都会定义一个 batchDuration，就是需要每隔多长时间就比照静态的 DStreamGraph 来动态生成一个 RDD DAG 实例。在 Spark Streaming 里，总体负责动态作业调度的具体类是 JobScheduler，在 Spark Streaming 程序在 ssc.start() 开始运行时，将 JobScheduler 的实例给 start() 运行起来。

Spark Streaming 的 Job 总调度者 JobScheduler
JobScheduler 是 Spark Streaming 的 Job 总调度者。
JobScheduler 有两个非常重要的成员：JobGenerator 和 ReceiverTracker。JobScheduler 将每个 batch 的 RDD DAG 具体生成工作委托给 JobGenerator，而将源头输入数据的记录工作委托给 ReceiverTracker。

JobScheduler的全限定名是：org.apache.spark.streaming.scheduler.JobScheduler
JobGenerator的全限定名是：org.apache.spark.streaming.scheduler.JobGenerator
ReceiverTracker的全限定名是：org.apache.spark.streaming.scheduler.ReceiverTracker

JobGenerator 维护了一个定时器，周期就是我们刚刚提到的 batchDuration，定时为每个 batch 生成 RDD DAG 的实例。 具体的，根据我们在 [DStream 生成 RDD 实例详解](1.2 DStream 生成 RDD 实例详解.md) 中的解析，DStreamGraph.generateJobs(time) 将返回一个 Seq[Job]，其中的每个 Job 是一个 ForEachDStream 实例的 generateJob(time) 返回的结果。

此时，JobGenerator 拿到了 Seq[Job] 后（如上图 (2) ），就将其包装成一个 JobSet（如上图 (3) ），然后就调用 JobScheduler.submitJobSet(jobSet) 来交付回 JobScheduler（如上图 (4) ）。

那么 JobScheduler 收到 jobSet 后是具体如何处理的呢？我们看其实现：

这里最重要的处理逻辑是 job => jobExecutor.execute(new JobHandler(job))，也就是将每个 job 都在 jobExecutor 线程池中、用 new JobHandler 来处理。

JobHandler
先来看 JobHandler 针对 Job 的主要处理逻辑：

也就是说，JobHandler 除了做一些状态记录外，最主要的就是调用 job.run()！这里就与我们在 [DStream 生成 RDD 实例详解](1.2 DStream 生成 RDD 实例详解.md) 里分析的对应起来了： 在 ForEachDStream.generateJob(time) 时，是定义了 Job 的运行逻辑，即定义了 Job.func。而在 JobHandler 这里，是真正调用了 Job.run()、将触发 Job.func 的真正执行！

Job 运行的线程池 jobExecutor
上面 JobHandler 是解决了做什么的问题，本节 jobExecutor 是解决 Job 在哪里做。

具体的，jobExecutor 是 JobScheduler 的成员：
也就是，ThreadUtils.newDaemonFixedThreadPool() 调用将产生一个名为 “streaming-job-executor” 的线程池，所以，Job 将在这个线程池的线程里，被实际执行 func。

spark.streaming.concurrentJobs 参数
这里 jobExecutor 的线程池大小，是由 spark.streaming.concurrentJobs 参数来控制的，当没有显式设置时，其取值为 1。

进一步说，这里 jobExecutor 的线程池大小，就是能够并行执行的 Job 数。而回想前文讲解的 DStreamGraph.generateJobs(time) 过程，一次 batch 产生一个 Seq[Job}，里面可能包含多个 Job —— 所以，确切的，有几个 output 操作，就调用几次 ForEachDStream.generatorJob(time)，就产生出几个 Job。

为了验证这个结果，我们做一个简单的小测试：先设置 spark.streaming.concurrentJobs = 10，然后在每个 batch 里做 2 次 foreachRDD() 这样的 output 操作：
在上面的设定下，我们很容易知道，能够同时在处理的 batch 有 10 / 2 = 5 个，其余的 batch 的 Job 只能处于等待处理状态。

下面的就是刚才测试代码的运行结果，验证了我们前面的分析和计算：
Spark Streaming 的 JobSet, Job，与 Spark Core 的 Job, Stage, TaskSet, Task
最后，我们专门拿出一个小节，辨别一下这 Spark Streaming 的 JobSet, Job，与 Spark Core 的 Job, Stage, TaskSet, Task 这几个概念。
Spark Core 的 Job, Stage, Task 就是我们“日常”谈论 Spark 任务时所说的那些含义，而且在 Spark 的 WebUI 上有非常好的体现，比如下图就是 1 个 Job 包含 3 个 Stage；3 个 Stage 各包含 8, 2, 4 个 Task。而 TaskSet 则是 Spark Core 的内部代码里用的类，是 Task 的集合，和 Stage 是同义的。
而 Spark Streaming 里也有一个 Job，但此 Job 非彼 Job。Spark Streaming 里的 Job 更像是个 Java 里的 Runnable，可以 run() 一个自定义的 func 函数。而这个 func, 可以：

直接调用 RDD 的 action，从而产生 1 个或多个 Spark Core 的 Job
先打印一行表头；然后调用 firstTen = RDD.collect()，再打印 firstTen 的内容；最后再打印一行表尾 —— 这正是 DStream.print() 的 Job 实现
也可以是任何用户定义的 code，甚至整个 Spark Streaming 执行过程都不产生任何 Spark Core 的 Job —— 如上一小节所展示的测试代码，其 Job 的 func 实现就是：Thread.sleep(Int.MaxValue)，仅仅是为了让这个 Job 一直跑在 jobExecutor 线程池里，从而测试 jobExecutor 的并行度 ????
最后，Spark Streaming 的 JobSet 就是多个 Job 的集合了。

如果对上面 5 个概念做一个层次划分的话（上一层与下一层多是一对多的关系，但不完全准确），就应该是下表的样子：

完全参考自腾讯广告团队酷玩Spark的知识总结，本人觉得文章写的非常好，能收获许多知识，仅是为了方便阅读，将其复制到****平台。