Spark存储体系底层架构剖析-Spark商业环境实战

本套系列博客从真实商业环境抽取案例进行总结和分享，并给出Spark源码解读及商业实战指导，请持续关注本套博客。版权声明：本套Spark源码解读及商业实战归作者（秦凯新）所有，禁止转载，欢迎学习。

Spark商业环境实战及调优进阶系列

• Spark商业环境实战-Spark内置框架rpc通讯机制及RpcEnv基础设施
• Spark商业环境实战-Spark事件监听总线流程分析
• Spark商业环境实战-Spark存储体系底层架构剖析
• Spark商业环境实战-Spark底层多个MessageLoop循环线程执行流程分析
• Spark商业环境实战-Spark二级调度系统Stage划分算法和最佳任务调度细节剖析
• Spark商业环境实战-Spark任务延迟调度及调度池Pool架构剖析
• Spark商业环境实战-Task粒度的缓存聚合排序结构AppendOnlyMap详细剖析
• Spark商业环境实战-ExternalSorter 排序器在Spark Shuffle过程中设计思路剖析
• Spark商业环境实战-StreamingContext启动流程及Dtream 模板源码剖析
• Spark商业环境实战-ReceiverTracker与BlockGenerator数据流接收过程剖析

1. Spark存储体系组件关系解释

BlockInfoManger 主要提供读写锁控制，层级仅仅位于BlockManger之下，通常Spark读写操作都先调用BlockManger，然后咨询BlockInfoManger是否存在锁竞争，然后才会调用DiskStore和MemStore，进而调用DiskBlockManger来确定数据与位置映射，或者调用 MemoryManger来确定内存池的软边界和内存使用申请。

1.1 Driver 与 Executor 与 SparkEnv 与 BlockManger 组件关系：

Driver与 Executor 组件各自拥有任务执行的SparkEnv环境，而每一个SparkEnv 中都有一个BlockManger负责存储服务，作为高层抽象，BlockManger 之间需要通过 RPCEnv，ShuffleClient，及BlocakTransferService相互通讯。

1.1 BlockInfoManger 与 BlockInfo 共享锁和排它锁读写控制关系：

BlockInfo中具有读写锁的标志，通过标志可以判断是否进行写控制

  val NO_WRITER: Long = -1
  val NON_TASK_WRITER: Long = -1024
  
 * The task attempt id of the task which currently holds the write lock for this block, or
 * [[BlockInfo.NON_TASK_WRITER]] if the write lock is held by non-task code, or
 * [[BlockInfo.NO_WRITER]] if this block is not locked for writing.
 
 def writerTask: Long = _writerTask
 def writerTask_=(t: Long): Unit = {
 _writerTask = t
    checkInvariants()
复制代码

BlockInfoManager具有BlockId与BlockInfo的映射关系以及任务id与BlockId的锁映射：

 private[this] val infos = new mutable.HashMap[BlockId, BlockInfo]  
 
 *Tracks the set of blocks that each task has locked for writing.
 private[this] val writeLocksByTask = new mutable.HashMap[TaskAttemptId, mutable.Set[BlockId]]
                                       with mutable.MultiMap[TaskAttemptId, BlockId]
 
 *Tracks the set of blocks that each task has locked for reading, along with the number of times
 *that a block has been locked (since our read locks are re-entrant).
 private[this] val readLocksByTask =
 new mutable.HashMap[TaskAttemptId, ConcurrentHashMultiset[BlockId]]
复制代码

1.3 DiskBlockManager 与 DiskStore 组件关系：

可以看到DiskStore内部会调用DiskBlockManager来确定Block的读写位置：

• 以下是DiskStore的抽象写操作，需要传入FileOutputStream => Unit高阶函数：

    def put(blockId: BlockId)(writeFunc: FileOutputStream => Unit): Unit = {
    if (contains(blockId)) {
    throw new IllegalStateException(s"Block $blockId is already present in the disk store")
    }
    logDebug(s"Attempting to put block $blockId")
    val startTime = System.currentTimeMillis
    
    val file = diskManager.getFile(blockId)
    
    val fileOutputStream = new FileOutputStream(file)
    var threwException: Boolean = true
    try {
        writeFunc(fileOutputStream)
        threwException = false
    } finally {
     try {
        Closeables.close(fileOutputStream, threwException)
     } finally {
     if (threwException) {
      remove(blockId)
            }
        }
    }
    val finishTime = System.currentTimeMillis
    logDebug("Block %s stored as %s file on disk in %d ms".format(
    file.getName,
    Utils.bytesToString(file.length()),
    finishTime - startTime))
    }
  复制代码

• 以下是DiskStore的读操作，调用DiskBlockManager来获取数据位置：

    def getBytes(blockId: BlockId): ChunkedByteBuffer = {
    
    val file = diskManager.getFile(blockId.name)
   
    val channel = new RandomAccessFile(file, "r").getChannel
    Utils.tryWithSafeFinally {
  * For small files, directly read rather than memory map
    if (file.length < minMemoryMapBytes) {
    val buf = ByteBuffer.allocate(file.length.toInt)
    channel.position(0)
    while (buf.remaining() != 0) {
      if (channel.read(buf) == -1) {
        throw new IOException("Reached EOF before filling buffer\n" +
          s"offset=0\nfile=${file.getAbsolutePath}\nbuf.remaining=${buf.remaining}")
      }
    }
    buf.flip()
    new ChunkedByteBuffer(buf)
    } else {
    new ChunkedByteBuffer(channel.map(MapMode.READ_ONLY, 0, file.length))
        }
    } {
    channel.close()
     }
    }
  复制代码

1.3 MemManager 与 MemStore 与 MemoryPool 组件关系：

在这里要强调的是：第一代大数据框架hadoop只将内存作为计算资源，而Spark不仅将内存作为计算资源外，还将内存的一部分纳入存储体系：

• 内存池模型 ：逻辑上分为堆内存和堆外内存，然后堆内存（或堆外内存）内部又分为StorageMemoryPool和ExecutionMemoryPool。
• MemManager是抽象的，定义了内存管理器的接口规范，方便以后扩展，比如：老版的StaticMemoryManager和新版的UnifiedMemoryManager.
• MemStore 依赖于UnifiedMemoryManager进行内存的申请和软边界变化或内存释放。
• MemStore 内部同时负责存储真实的对象，比如内部成员变量：entries ，建立了内存中的BlockId与MemoryEntry(Block的内存的形式)之间的映射。
• MemStore 内部的“占座”行为，如：内部变量offHeapUnrollMemoryMap 和onHeapUnrollMemoryMap。

1.4 BlockManagerMaster 与 BlockManager 组件关系：

• BlockManagerMaster的作用就是对存在于Dirver或Executor上的BlockManger进行统一管理，这简直是代理行为，因为他持有BlockManagerMasterEndpointREf，进而和BlockManagerMasterEndpoint进行通讯。

2. Spark存储体系组件BlockTransferServic传输服务

未完待续

3. 总结

存储体系是Spark的基石，我争取把每一块细微的知识点进行剖析，和大部分博客不同的是，我会尽量采用最平实的语言，毕竟技术就是一层窗户纸。

秦凯新 20181031 凌晨