Apache Spark源码走读（十）ShuffleMapTask计算结果的保存与读取 &WEB UI和Metrics初始化及数据更新过程分析

ShuffleMapTask的计算结果保存在哪，随后Stage中的task又是如何知道从哪里去读取的呢，这个过程一直让我困惑不已。

用比较通俗一点的说法来解释一下Shuffle数据的写入和读取过程

每一个task负责处理一个特定的data partition task在初始化的时候就已经明确处理结果可能会产生多少个不同的data partition 利用partitioner函数，task将处理结果存入到不同的partition，这些数据存放在当前task执行的机器上 假设当前是stage 2有两个task, stage 2可能输出4个不同的data partition, task 0和task 1各自运行于不同的机器上，task 0中的部分处理结果会存入到data partition 0，task 1的部分处理结果也可能存入到data partition 0. 由于stage 2产生了4个不同的data partition, 后续stage 1中的task个数就为4. task 0 就负责读取data partition 0的数据，对于(stage1, task0)来说，所要读取的data partition 0的内容由task 0和task 1中的partition 0共同组成。 现在问题的关键转换成为(stage_1, task_0)如何知道(stage_2, task_x)有没有相应的输出是属于data partition 0的呢？这个问题的解决就是MapStatus 每一个ShuffleMapTask在执行结束，都会上报一个MapStatus，在MapStatus中会反应出朝哪些data partition写入了数据，写入了数据则size为非零值，否则为零值 (stage_1,task_0)会去获取stage_2中所有task的MapStatus，以判定(stage_2, task_x)产生的数据中有自己需要读入的内容 假设(stage_1,task_0)知道(stage_2, task_0)生成了data partition 0中的数据，于是去(stage_2, task_0)运行时的机器去获取具体的数据，如果恰巧这个时候远端机器已经挂掉了，获取失败，怎么办？ 上报异常，由DAGScheduler重新调度(stage_2,task_0)，重新生成所需要的数据。 Spark不像Hadoop中的MapReduce有一个明显的combine阶段，在spark中combine过程有两次调用，一是Shuffle数据写入过程,另一个是Shuffle数据读取过程。

如果能够明白上述的过程，并对应到相应的代码，那就无须看下述的详细解释了。

好了，让我们开始代码跟踪吧。

数据写入过程

数据写入动作最原始的触发点是ShuffleMapTask.runTask函数，看一看源码先。

 override def runTask(context: TaskContext): MapStatus = {

 metrics = Some(context.taskMetrics)

 var writer: ShuffleWriter[Any, Any] = null

 try {

 val manager = SparkEnv.get.shuffleManager

 writer = manager.getWriter[Any, Any](dep.shuffleHandle, partitionId, context)

 writer.write(rdd.iterator(split, context).asInstanceOf[Iterator[_ 

 if (writer != null) {

 writer.stop(success = false)

 throw e

 } finally {

 context.executeOnCompleteCallbacks()

managerGetWriter返回的是HashShuffleWriter，所以调用过程是：ShuffleMapTask.runTask- HashShuffleWriter.write- BlockObjectWriter.write. 注意dep.mapSideCombine这一分支判断。ReduceByKey(_ + _)中的(_ + _)在此处被执行一次，另一次执行是在read过程。

 override def write(records: Iterator[_ : Product2[K, V]]): Unit = {

 val iter = if (dep.aggregator.isDefined) {

 if (dep.mapSideCombine) {

 dep.aggregator.get.combineValuesByKey(records, context)

 } else {

 records

 } else if (dep.aggregator.isEmpty dep.mapSideCombine) {

 throw new IllegalStateException("Aggregator is empty for map-side combine")

 } else {

 records

 for (elem - iter) {

 val bucketId = dep.partitioner.getPartition(elem._1)

 shuffle.writers(bucketId).write(elem)

HashShuffleWriter.write中主要处理两件事：

判断是否需要进行聚合,比如 hello,1 和 hello,1 都要写入的话,那么先生成 hello,2 然后再进行后续的写入工作 利用Partitioner函数来决定 k,val 写入到哪一个文件中

Partitioner是在什么时候注入的，RDD抽象类中，Partitioner为空？以reduceByKey为例，HashPartitioner会在后面combineByKey的代码创建ShuffledRDD的时候作为ShuffledRDD的构造函数传入。

 def reduceByKey(func: (V, V) = V, numPartitions: Int): RDD[(K, V)] = {

 reduceByKey(new HashPartitioner(numPartitions), func)

Stage在创建的时候通过构造函数入参明确需要从多少Partition读取数据，生成的Partition会有多少。看一看Stage的构造函数，读取的分区数目由RDD.partitions.size决定，输出的partitions由shuffleDep决定。

private[spark] class Stage(

 val id: Int,

 val rdd: RDD[_],

 val numTasks: Int,

 val shuffleDep: Option[ShuffleDependency[_, _, _]], // Output shuffle if stage is a map stage

 val parents: List[Stage],

 val jobId: Int,

 val callSite: CallSite)

extends Logging {

 val isShuffleMap = shuffleDep.isDefined

 val numPartitions = rdd.partitions.size

 val outputLocs = Array.fill[List[MapStatus]](numPartitions)(Nil)

 var numAvailableOutputs = 0

 private var nextAttemptId = 0

回到数据写入的问题上来，结果写入时的一个主要问题就是已经知道shuffle_id, map_id和要写入的elem,如何找到对应的写入文件。每一个临时文件由三元组(shuffle_id,map_id,reduce_id)来决定,当前已经知道了两个,还剩下一下reduce_id待确定。

reduce_id是使用partitioner计算出来的结果,输入的是elem的键值。也就是dep.partitioner.getPartition(elem._1)。 根据计算出来的bucketid找到对应的writer，然后真正写入。

在HashShuffleWriter.write中使用到的shuffle由ShuffleBlockManager的forMapTask函数生成,注意forMapTask中产生writers的代码逻辑。

每个writer分配一下文件, 文件名由三元组(shuffle_id,map_id,reduce_id)组成,如果知道了这个三元组就可以找到对应的文件。

如果consolidation没有打开,那么在一个task中,有多少个输出的partition就会有多少个中间文件。

 val writers: Array[BlockObjectWriter] = if (consolidateShuffleFiles) {

 fileGroup = getUnusedFileGroup()

 Array.tabulate[BlockObjectWriter](numBuckets) { bucketId = 

 val blockId = ShuffleBlockId(shuffleId, mapId, bucketId)

 blockManager.getDiskWriter(blockId, fileGroup(bucketId), serializer, bufferSize)

 } else {

 Array.tabulate[BlockObjectWriter](numBuckets) { bucketId = 

 val blockId = ShuffleBlockId(shuffleId, mapId, bucketId)

 val blockFile = blockManager.diskBlockManager.getFile(blockId)

 // Because of previous failures, the shuffle file may already exist on this machine.

 // If so, remove it.

 if (blockFile.exists) {

 if (blockFile.delete()) {

 logInfo(s"Removed existing shuffle file $blockFile")

 } else {

 logWarning(s"Failed to remove existing shuffle file $blockFile")

 blockManager.getDiskWriter(blockId, blockFile, serializer, bufferSize)

getFile负责将三元组(shuffle_id,map_id,reduce_id)映射到文件名

def getFile(filename: String): File = {

 // Figure out which local directory it hashes to, and which subdirectory in that

 val hash = Utils.nonNegativeHash(filename)

 val dirId = hash % localDirs.length

 val subDirId = (hash / localDirs.length) % subDirsPerLocalDir

 // Create the subdirectory if it doesnt already exist

 var subDir = subDirs(dirId)(subDirId)

 if (subDir == null) {

 subDir = subDirs(dirId).synchronized {

 val old = subDirs(dirId)(subDirId)

 if (old != null) {

 } else {

 val newDir = new File(localDirs(dirId), "%02x".format(subDirId))

 newDir.mkdir()

 subDirs(dirId)(subDirId) = newDir

 newDir

 new File(subDir, filename)

 def getFile(blockId: BlockId): File = getFile(blockId.name)

产生的文件在哪呢，如果没有更改默认的配置，生成的目录结构类似于下

/tmp/spark-local-20140723092540-7f24

/tmp/spark-local-20140723092540-7f24/0d

/tmp/spark-local-20140723092540-7f24/0d/shuffle_0_0_1

/tmp/spark-local-20140723092540-7f24/0d/shuffle_0_1_0

/tmp/spark-local-20140723092540-7f24/0c

/tmp/spark-local-20140723092540-7f24/0c/shuffle_0_0_0

/tmp/spark-local-20140723092540-7f24/0e

/tmp/spark-local-20140723092540-7f24/0e/shuffle_0_1_1 

当所有的数据写入文件并提交以后，还需要生成MapStatus汇报给driver application. MapStatus在哪生成的呢？commitWritesAndBuildStatus就干这活。

调用关系HashShuffleWriter.stop- commitWritesAndBuildStatus

private def commitWritesAndBuildStatus(): MapStatus = {

 // Commit the writes. Get the size of each bucket block (total block size).

 var totalBytes = 0L

 var totalTime = 0L

 val compressedSizes = shuffle.writers.map { writer: BlockObjectWriter = 

 writer.commit()

 writer.close()

 val size = writer.fileSegment().length

 totalBytes += size

 totalTime += writer.timeWriting()

 MapOutputTracker.compressSize(size)

 // Update shuffle metrics.

 val shuffleMetrics = new ShuffleWriteMetrics

 shuffleMetrics.shuffleBytesWritten = totalBytes

 shuffleMetrics.shuffleWriteTime = totalTime

 metrics.shuffleWriteMetrics = Some(shuffleMetrics)

 new MapStatus(blockManager.blockManagerId, compressedSizes)

compressedSize是一个非常让人疑惑的地方，原因慢慢道来，先看一下MapStatus的构造函数

class MapStatus(var location: BlockManagerId, var compressedSizes: Array[Byte])

 compressedSize是一个byte数组，每一个byte反应了该partiton中的数据大小。如Array(0)=128就表示在data partition 0中有128byte数据。

问题的问题是一个byte只能表示255，如果超过255怎么办呢？

当当当，数学闪亮登场了，注意到compressSize没，通过转换将2^8变换为1.1^256。一下子由255byte延伸到近35G.

看一看这神奇的compressSize函数吧，只是聊聊几行代码而已。

 def compressSize(size: Long): Byte = {

 if (size == 0) {

 } else if (size = 1L) {

 } else {

 math.min(255, math.ceil(math.log(size) / math.log(LOG_BASE)).toInt).toByte

 ShuffleMapTask运行结束时，会将MapStatus结果封装在StatusUpdate消息中汇报给SchedulerBackend, 由DAGScheduler在handleTaskCompletion函数中将MapStatus加入到相应的Stage。这一过程略过，不再详述。

MapOutputTrackerMaster会保存所有最新的MapStatus.

只画张图来表示存储之后的示意。

 

数据读取过程

ShuffledRDD.compute函数是读取过程的触发点。

 override def compute(split: Partition, context: TaskContext): Iterator[P] = {

 val dep = dependencies.head.asInstanceOf[ShuffleDependency[K, V, C]]

 SparkEnv.get.shuffleManager.getReader(dep.shuffleHandle, split.index, split.index + 1, context)

 .read()

 .asInstanceOf[Iterator[P]]

shuffleManager.getReader返回的是HashShuffleReader，所以看一看HashShuffleReader中的read函数的具体实现。

read函数处理逻辑中需要注意到一点即combine过程有可能会被再次执行。注意dep.aggregator.isDefined这一分支判断。ReduceByKey(_ + _)中的(_ + _)在此处被执行。

override def read(): Iterator[Product2[K, C]] = {

 val iter = BlockStoreShuffleFetcher.fetch(handle.shuffleId, startPartition, context,

 Serializer.getSerializer(dep.serializer))

 if (dep.aggregator.isDefined) {

 if (dep.mapSideCombine) {

 new InterruptibleIterator(context, dep.aggregator.get.combineCombinersByKey(iter, context))

 } else {

 new InterruptibleIterator(context, dep.aggregator.get.combineValuesByKey(iter, context))

 } else if (dep.aggregator.isEmpty dep.mapSideCombine) {

 throw new IllegalStateException("Aggregator is empty for map-side combine")

 } else {

 iter

一路辗转，终于来到了读取过程中非常关键的所在BlockStoreShuffleFetcher。

BlockStoreShuffleFetcher需要回答如下问题

所要获取的mapid的mapstatus的内容是什么 根据获得的mapstatus去相应的blockmanager获取具体的数据

 val blockManager = SparkEnv.get.blockManager

 val startTime = System.currentTimeMillis

 val statuses = SparkEnv.get.mapOutputTracker.getServerStatuses(shuffleId, reduceId)

 logDebug("Fetching map output location for shuffle %d, reduce %d took %d ms".format(

 shuffleId, reduceId, System.currentTimeMillis - startTime))

 val splitsByAddress = new HashMap[BlockManagerId, ArrayBuffer[(Int, Long)]]

 for (((address, size), index) 

 (address, splits.map(s = (ShuffleBlockId(shuffleId, s._1, reduceId), s._2)))

 val blockFetcherItr = blockManager.getMultiple(blocksByAddress, serializer)

 val itr = blockFetcherItr.flatMap(unpackBlock)

一个ShuffleMapTask会生成一个MapStatus，MapStatus中含有当前ShuffleMapTask产生的数据落到各个Partition中的大小。如果大小为0,则表示该分区没有数据产生。MapStatus中另一个重要的成员变量就是BlockManagerId，该变量表示目标数据在哪个BlockManager当中。

MapoutputTrackerMaster拥有最新的MapStatus信息，为了执行效率，MapoutputTrackerWorker会定期更新数据到本地，所以MapoutputTracker先从本地查找，如果找不到再从MapoutputTrackerMaster上同步最新数据。

索引即是reduceId，如果array(0) == 0,就表示上一个ShuffleMapTask中生成的数据中没有任意的内容可以作为reduceId为0的ResultTask的输入。如果不能理解，返回仔细看一下MapStatus的结构图。

BlockManager.getMultiple用于读取BlockManager中的数据，根据配置确定生成tNettyBlockFetcherIterator还是BasicBlockFetcherIterator。

如果所要获取的文件落在本地，则调用getLocal读取，否则发送请求到远端blockmanager。看一下BlockFetcherIterator的initialize函数

 override def initialize() {

 // Split local and remote blocks.

 val remoteRequests = splitLocalRemoteBlocks()

 // Add the remote requests into our queue in a random order

 fetchRequests ++= Utils.randomize(remoteRequests)

 // Send out initial requests for blocks, up to our maxBytesInFlight

 while (!fetchRequests.isEmpty 

 (bytesInFlight == 0 || bytesInFlight + fetchRequests.front.size = maxBytesInFlight)) {

 sendRequest(fetchRequests.dequeue())

 val numFetches = remoteRequests.size - fetchRequests.size

 logInfo("Started " + numFetches + " remote fetches in" + Utils.getUsedTimeMs(startTime))

 // Get Local Blocks

 startTime = System.currentTimeMillis

 getLocalBlocks()

 logDebug("Got local blocks in " + Utils.getUsedTimeMs(startTime) + " ms")

至此，数据读取的正常流程讲述完毕。

数据读取异常

如果数据读取中碰到异常怎么办？比如，

已知(stage_2,task_0)产生的parition_0的数据在机器m1, 当前任务在m2执行，于是从m2向m1发起远程获取请求，如果m2中拥有目标数据的JVM进程异常退出，则相应的目标数据无法获取。

如果无法获取目标数据，就会上报FetchFailedException.

 def unpackBlock(blockPair: (BlockId, Option[Iterator[Any]])) : Iterator[T] = {

 val blockId = blockPair._1

 val blockOption = blockPair._2

 blockOption match {

 case Some(block) = {

 block.asInstanceOf[Iterator[T]]

 case None = {

 blockId match {

 case ShuffleBlockId(shufId, mapId, _) = 

 val address = statuses(mapId.toInt)._1

 throw new FetchFailedException(address, shufId.toInt, mapId.toInt, reduceId)

 case _ = 

 throw new SparkException(

 "Failed to get block " + blockId + ", which is not a shuffle block")

 FetchFailedExecption会被包装在StatutsUpdate上报给SchedulerBackend,然后一路处理下去，最终将丢失目标数据的归属Task重新提交。比如当前是(stage_1, task_0)，需要读取(stage_2, task_1)产生的目标数据，但是对应的目标数据丢失，这个时候就需要将(stage_2, task_1)重新提交运行。

注意DAGScheduler中的FetchFailed处理分支，一路跟踪下去就会看到任务被重新提交了

 case FetchFailed(bmAddress, shuffleId, mapId, reduceId) = 

 // Mark the stage that the reducer was in as unrunnable

 val failedStage = stageIdToStage(task.stageId)

 runningStages -= failedStage

 // TODO: Cancel running tasks in the stage

 logInfo("Marking " + failedStage + " (" + failedStage.name +

 ") for resubmision due to a fetch failure")

 // Mark the map whose fetch failed as broken in the map stage

 val mapStage = shuffleToMapStage(shuffleId)

 if (mapId != -1) {

 mapStage.removeOutputLoc(mapId, bmAddress)

 mapOutputTracker.unregisterMapOutput(shuffleId, mapId, bmAddress)

 logInfo("The failed fetch was from " + mapStage + " (" + mapStage.name +

 "); marking it for resubmission")

 if (failedStages.isEmpty eventProcessActor != null) {

 // Dont schedule an event to resubmit failed stages if failed isnt empty, because

 // in that case the event will already have been scheduled. eventProcessActor may be

 // null during unit tests.

 import env.actorSystem.dispatcher

 env.actorSystem.scheduler.scheduleOnce(

 RESUBMIT_TIMEOUT, eventProcessActor, ResubmitFailedStages)

 failedStages += failedStage

 failedStages += mapStage

 // TODO: mark the executor as failed only if there were lots of fetch failures on it

 if (bmAddress != null) {

 handleExecutorLost(bmAddress.executorId, Some(task.epoch))

生成的中间数据是在什么时候被清除的呢？

当Driver Application退出的时候,该Application生成的临时文件将会被一一清除，注意是application结束生命，不是job。一个application可以包含一至多个job。

以local-cluster方式运行spark-shell，观察/tmp/spark-local*目录下的文件变化，具体指令如下

MASTER=local-cluster[2,2,512] bin/spark-shell

#进入spark-shell之后，输入

sc.textFile("README.md").flatMap(_.split(" ")).map(w= (w,1)).reduceByKey(_ + _)

Shuffle数据的写入和读取是Spark Core这一部分最为复杂的内容，彻底了解该部分内容才能深刻意识到Spark实现的精髓所在。

二 WEB UI和Metrics初始化及数据更新过程分析

WEB UI和Metrics子系统为外部观察监测Spark内部运行情况提供了必要的窗口，本文将简略的过一下其内部代码实现。

WEB UI

先上图感受一下spark webui 假设当前已经在本机运行standalone cluster模式,输入http://127.0.0.1:8080将会看到如下页面

  driver application默认会打开4040端口进行http监听,可以看到application相关的详细信息

显示每个stage的详细信息

本节要讨论的重点是http server是如何启动的,页面中的数据是从哪里获取到的?Spark中用到的http server是jetty, jetty采用java编写,是非常轻巧的servlet engine和http server。能够嵌入到用户程序中执行,不用像tomcat或jboss那样需要自己独立的jvm进程。

SparkUI在SparkContext初始化的时候创建

// Initialize the Spark UI , registering all

associated listeners

private [spark] val ui = new SparkUI (this)

ui.bind ()

initialize的主要工作是注册页面处理句柄,WebUI的子类需要实现自己的initialize函数

bind将真正启动jetty server.

def bind () {

assert (! serverInfo .isDefined , " Attempted to bind %

s more than once!". format ( className ))

try {

// 启 动 JettyServer

serverInfo = Some( startJettyServer (" 0.0.0.0 ",

port , handlers , conf))

logInfo (" Started %s at http ://%s:%d". format (

className , publicHostName , boundPort ))

} catch {

case e: Exception = 

logError (" Failed to bind %s". format ( className )

System .exit (1)

在startJettyServer函数中将JettyServer运行起来的关键处理函数是connect

 def connect(currentPort: Int): (Server, Int) = {

 val server = new Server(new InetSocketAddress(hostName, currentPort))

 val pool = new QueuedThreadPool

 pool.setDaemon(true)

 server.setThreadPool(pool)

 server.setHandler(collection)

 Try {

 server.start()

 } match {

 case s: Success[_] = 

 (server, server.getConnectors.head.getLocalPort)

 case f: Failure[_] = 

 val nextPort = (currentPort + 1) % 65536

 server.stop()

 pool.stop()

 val msg = s"Failed to create UI on port $currentPort. Trying again on port $nextPort."

 if (f.toString.contains("Address already in use")) {

 logWarning(s"$msg - $f")

 } else {

 logError(msg, f.exception)

 connect(nextPort)

 val (server, boundPort) = connect(port)

 ServerInfo(server, boundPort, collection)

页面中的数据是如何获取的呢,这就要归功于SparkListener了,典型的观察者设计模式。当有与stage及task相关的事件发生时,这些Listener都将收到通知,并进行数据更新。

需要指出的是,数据尽管得以自动更新,但页面并没有,还是需要手工刷新才能得到最新的数据。

 

上图显示的是SparkUI中注册了哪些SparkListener子类。来看一看这些子类是在什么时候注册进去的, 注意研究一下SparkUI.initialize函

 def initialize() {

 listenerBus.addListener(storageStatusListener)

 val jobProgressTab = new JobProgressTab(this)

 attachTab(jobProgressTab)

 attachTab(new StorageTab(this))

 attachTab(new EnvironmentTab(this))

 attachTab(new ExecutorsTab(this))

 attachHandler(createStaticHandler(SparkUI.STATIC_RESOURCE_DIR, "/static"))

 attachHandler(createRedirectHandler("/", "/stages", basePath = basePath))

 attachHandler(

 createRedirectHandler("/stages/stage/kill", "/stages", jobProgressTab.handleKillRequest))

 if (live) {

 sc.env.metricsSystem.getServletHandlers.foreach(attachHandler)

举一个实际例子来看看Notifier发送Event的时刻,比如有任务提交的时 resourceOffer- taskStarted- handleBeginEvent

private [ scheduler ] def handleBeginEvent (task: Task[_

], taskInfo : TaskInfo ) {

listenerBus .post( SparkListenerTaskStart (task.

stageId , taskInfo ))

submitWaitingStages ()

post其实是向listenerBus的消息队列中添加一个消息,真正将消息发送 出去的时另一个处理线程listenerThread

override def run (): Unit = Utils.

logUncaughtExceptions {

while (true) {

eventLock . acquire ()

// Atomically remove and process this event

LiveListenerBus .this. synchronized {

val event = eventQueue .poll

if (event == SparkListenerShutdown ) {

// Get out of the while loop and shutdown

the daemon thread

return

Option (event). foreach ( postToAll )

Option(event).foreach(postToAll)负责将事件通知给各个Observer.postToAll的函数实现如下

def postToAll(event: SparkListenerEvent) {

 event match {

 case stageSubmitted: SparkListenerStageSubmitted = 

 foreachListener(_.onStageSubmitted(stageSubmitted))

 case stageCompleted: SparkListenerStageCompleted = 

 foreachListener(_.onStageCompleted(stageCompleted))

 case jobStart: SparkListenerJobStart = 

 foreachListener(_.onJobStart(jobStart))

 case jobEnd: SparkListenerJobEnd = 

 foreachListener(_.onJobEnd(jobEnd))

 case taskStart: SparkListenerTaskStart = 

 foreachListener(_.onTaskStart(taskStart))

 case taskGettingResult: SparkListenerTaskGettingResult = 

 foreachListener(_.onTaskGettingResult(taskGettingResult))

 case taskEnd: SparkListenerTaskEnd = 

 foreachListener(_.onTaskEnd(taskEnd))

 case environmentUpdate: SparkListenerEnvironmentUpdate = 

 foreachListener(_.onEnvironmentUpdate(environmentUpdate))

 case blockManagerAdded: SparkListenerBlockManagerAdded = 

 foreachListener(_.onBlockManagerAdded(blockManagerAdded))

 case blockManagerRemoved: SparkListenerBlockManagerRemoved = 

 foreachListener(_.onBlockManagerRemoved(blockManagerRemoved))

 case unpersistRDD: SparkListenerUnpersistRDD = 

 foreachListener(_.onUnpersistRDD(unpersistRDD))

 case applicationStart: SparkListenerApplicationStart = 

 foreachListener(_.onApplicationStart(applicationStart))

 case applicationEnd: SparkListenerApplicationEnd = 

 foreachListener(_.onApplicationEnd(applicationEnd))

 case SparkListenerShutdown = 

Metrics

在系统设计中,测量模块是不可或缺的组成部分。通过这些测量数据来感知系统的运行情况。

在Spark中，测量模块由MetricsSystem来担任，MetricsSystem中有三个重要的概念，分述如下。

instance 表示谁在使用metrics system, 目前已知的有master, worker, executor和client driver会创建metrics system用以测量 source 表示数据源,从哪里获取数据 sinks 数据目的地,将从source获取的数据发送到哪
JmxSink 注册到JMX,以通过JMXConsole来查看 MetricsServlet 在SparkUI中添加MetricsServlet用以查看Task运行时的测量数据 GraphiteSink 发送给Graphite以对整个系统(不仅仅包括spark)进行监控

下面从MetricsSystem的创建,数据源的添加,数据更新与发送几个方面来跟踪一下源码。

初始化过程

MetricsSystem依赖于由codahale提供的第三方库Metrics，可以在metrics.codahale.com找到更为详细的介绍。

以Driver Application为例，driver application首先会初始化SparkContext,在SparkContext的初始化过程中就会创建MetricsSystem，具体调用关系如下。 SparkContext.init- SparkEnv.init- MetricsSystem.createMetricsSystem

注册数据源，继续以SparkContext为例

 private val dagSchedulerSource = new DAGSchedulerSource(this.dagScheduler, this)

 private val blockManagerSource = new BlockManagerSource(SparkEnv.get.blockManager, this)

 private def initDriverMetrics() {

 SparkEnv.get.metricsSystem.registerSource(dagSchedulerSource)

 SparkEnv.get.metricsSystem.registerSource(blockManagerSource)

initDriverMetrics()

数据读取由Sink来完成,在Spark中创建的Sink子类如下图所示

读取最新的数据，以CsvSink为例,最主要的就是创建CsvReporter，启动之后会定期更新最近的数据到console。不同类型的Sink所使用的Reporter是不一样的。

 val reporter: CsvReporter = CsvReporter.forRegistry(registry)

 .formatFor(Locale.US)

 .convertDurationsTo(TimeUnit.MILLISECONDS)

 .convertRatesTo(TimeUnit.SECONDS)

 .build(new File(pollDir))

 override def start() {

 reporter.start(pollPeriod, pollUnit)

Spark中关于metrics子系统的配置文件详见conf/metrics.properties. 默认的Sink是MetricsServlet，在任务提交执行之后，输入http://127.0.0.1:4040/metrics/json会得到以json格式保存的metrics信息。

《Apache Spark 中文实战攻略下册》电子版地址 《Apache Spark 中文实战攻略（下册）》让企业大数据平台性能更优。阿里、Databricks、领英、Intel都在用！Spark 企业级最佳实践中文解读全收纳！
《Apache Spark 中文实战攻略上册》电子版地址 《Apache Spark 中文实战攻略（上册）》全新收录了Spark+AI Summit 2020 中文精华版峰会，Apache Spark 3.0性能优化与基础实战一书看遍！
《Apache Spark 中文实战攻略下册》电子版 《Apache Spark 中文实战攻略（下册）》让企业大数据平台性能更优。阿里、Databricks、领英、Intel都在用！Spark 企业级最佳实践中文解读全收纳！