小乌龟今天学习的是 Spark的 通讯框架。因为Spark 毕竟是分布式的，各模块之间需要进行通信，那么就必然用到通信框架。

Spark 通信架构概述

Spark1.6 之前使用的是 Akka 作为内部通讯组件，Spark1.6 之后将 Akka 换成了 Netty 。但是它借鉴了 Akka 中的设计，即 Actor 模型。
Spark 是一个分布式计算系统，因此节点间存在很多通信，那么Spark 就会借助这些通讯框架进行RPC 通信。
Spark 很多节点间都存在通信，例如：

  • driver 和 master 之间的通信，比如 driver 回向 master 申请计算资源
  • masetr 和 worker 之间进行通信，比如 worker 会向 master 上报 worker 上运行的 Executor 信息
  • exexutor 和 driver 通信，executor 向 driver 汇报任务运行结果
  • worker 和 worker 之间的通信，task之间需要互相拉取数据

Akka 介绍

Actor 模型

Akka 基于 Actor 模型，Actor 模型如下图所示。

简单案例

模拟yarn的 ResourceManager 和 NodeManager 互相通信。

  • MyResourceManager.scala
class MyResourceManager(var hostname: String, var port: Int) extends Actor {// 用来存储每个注册的NodeManager节点的信息private var id2nodemanagerinfo = new mutable.HashMap[String, NodeManagerInfo]()// 对所有注册的NodeManager进行去重，其实就是一个HashSetprivate var nodemanagerInfoes = new mutable.HashSet[NodeManagerInfo]()// actor在最开始的时候，会执行一次override def preStart(): Unit = {import scala.concurrent.duration._import context.dispatcher// 调度一个任务， 每隔五秒钟执行一次context.system.scheduler.schedule(0 millis, 5000 millis, self, CheckTimeOut)}override def receive: Receive = {case RegisterNodeManager(nodemanagerid, memory, cpu) => {val nodeManagerInfo = new NodeManagerInfo(nodemanagerid, memory, cpu)println(s"节点 ${nodemanagerid} 上线")// 对注册的NodeManager节点进行存储管理id2nodemanagerinfo.put(nodemanagerid, nodeManagerInfo)nodemanagerInfoes += nodeManagerInfo//把信息存到zookeepersender() ! RegisteredNodeManager(hostname + ":" + port)}case Heartbeat(nodemanagerid) => {val currentTime = System.currentTimeMillis()val nodeManagerInfo = id2nodemanagerinfo(nodemanagerid)nodeManagerInfo.lastHeartBeatTime = currentTimeid2nodemanagerinfo(nodemanagerid) = nodeManagerInfonodemanagerInfoes += nodeManagerInfo}// 检查过期失效的 NodeManagercase CheckTimeOut => {val currentTime = System.currentTimeMillis()// 15 秒钟失效nodemanagerInfoes.filter(nm => {val bool = currentTime - nm.lastHeartBeatTime > 15000if (bool) {println(s"节点 ${nm.nodemanagerid} 下线")}bool}).foreach(deadnm => {nodemanagerInfoes -= deadnmid2nodemanagerinfo.remove(deadnm.nodemanagerid)})println("当前注册成功的节点数" + nodemanagerInfoes.size + "\t分别是：" + nodemanagerInfoes.map(x => x.toString).mkString(","));}}}object MyResourceManager {def main(args: Array[String]): Unit = {//val RESOURCEMANAGER_HOSTNAME="localhost" //解析的配置的日志//val RESOURCEMANAGER_PORT=6789val str =s"""|akka.actor.provider = "akka.remote.RemoteActorRefProvider"|akka.remote.netty.tcp.hostname = localhost|akka.remote.netty.tcp.port = 6789""".stripMarginval conf = ConfigFactory.parseString(str)// TODO_MA 注释：ActorSystemval actorSystem = ActorSystem(Constant.RMAS, conf)// TODO_MA 注释：启动了一个actor ： MyResourceManageractorSystem.actorOf(Props(new MyResourceManager("localhost", 6789)), Constant.RMA)}}
  • MyNodeManager
class MyNodeManager(val nmhostname: String, val resourcemanagerhostname: String, val resourcemanagerport: Int,val memory: Int, val cpu: Int) extends Actor {var nodemanagerid: String = nmhostnamevar rmRef: ActorSelection = _override def preStart(): Unit = {// 远程path　　akka.tcp://（ActorSystem的名称）@（远程地址的IP） ： （远程地址的端口）/user/（Actor的名称）rmRef = context.actorSelection(s"akka.tcp://${Constant.RMAS}@${resourcemanagerhostname}:${resourcemanagerport}/user/${Constant.RMA}")// val nodemanagerid:String// val memory:Int// val cpu:Int//nodemanagerid = UUID.randomUUID().toString//nodemanagerid = "hadoop05"println(nodemanagerid + " 正在注册")rmRef ! RegisterNodeManager(nodemanagerid, memory, cpu)}override def receive: Receive = {case RegisteredNodeManager(masterURL) => {println(masterURL);/** * initialDelay: FiniteDuration, 多久以后开始执行 * interval: FiniteDuration, 每隔多长时间执行一次 * receiver: ActorRef, 给谁发送这个消息 * message:Any发送的消息是啥 */import scala.concurrent.duration._import context.dispatchercontext.system.scheduler.schedule(0 millis, 4000 millis, self, SendMessage)}case SendMessage => {//向主节点发送心跳信息rmRef ! Heartbeat(nodemanagerid)println(Thread.currentThread().getId)}}}object MyNodeManager {def main(args: Array[String]): Unit = {val HOSTNAME = args(0)val RM_HOSTNAME = args(1)val RM_PORT = args(2).toIntval NODEMANAGER_MEMORY = args(3).toIntval NODEMANAGER_CORE = args(4).toIntvar NODEMANAGER_PORT = args(5).toIntvar NMHOSTNAME = args(6)val str =s""" |akka.actor.provider = "akka.remote.RemoteActorRefProvider" |akka.remote.netty.tcp.hostname =${HOSTNAME} |akka.remote.netty.tcp.port=${NODEMANAGER_PORT}""".stripMarginval conf = ConfigFactory.parseString(str)val actorSystem = ActorSystem(Constant.NMAS, conf)actorSystem.actorOf(Props(new MyNodeManager(NMHOSTNAME, RM_HOSTNAME, RM_PORT, NODEMANAGER_MEMORY, NODEMANAGER_CORE)), Constant.NMA)}}

Spark 通信架构解析

组件间的关系

Spark 通讯架构中各个组件（Client/Master/Worker）可独立认为是一个个独立的实体，各个实体之间通过消息来通信。具体各个组件之间的关系如下：

EndPoint 有1个InBox 和 N 个 OutBox（N>=1，N取决于当前 EndPoint 与多少其他的 EndPoint 进行通信，一个与其通讯的其他 EndPoint 对应一个 OutBox），EndPoint 接收到的消息被写入 InBox，发送出去的消息写入 OutBox 并被发送到其他的EndPoint 的 InBox 中。

通讯架构

Spark的通讯架构如下图所示：

  1. RpcEndPoint
RPC 端点，Spark针对每个节点（Client/Master/Worker）都称为Rpc 端点，且都实现 RpcEndPoint 接口，内部根据不同端点的需求，设计不同的消息和不同的业务处理，如果需要发送（询问）则调用 Dispatcher。

RpcEndPoint类似于 Akka 中的 Actor。一个RpcEndpoint 经历的过程依次是：构建 -> onStart -> receive -> onStop。其中 onStart 在接收任务消息前调用，reveive 和 receiveAndReply 分别用来接收另外一个 RpcEndpoint（也可以是本身） send 和 ask 过来的消息，应答通过 RpcContext 回调。

  1. RpcEndpointRef
类似于 Akka 中的 ActorRef，是 RpcEndPoint 的引用，持有远程 RpcEndPoint 的地址名称等，提供了send 方法和 ask 方法用来发送请求。

RpcEndpointRef 是对远程 RpcEndpoint 的一个引用。当我们需要向一个具体的 RpcEndPoint 发送消息时，一般我们需要获取到该 RpcEndpoint 的引用，然后通过该引用发送消息。

  1. RpcEnv 和 NettyRpcEnv
RPC 上下文环境，RpcEnv 类似于 ActorSystem， 服务端和客户端都可以使用它来做通信。

对于 server 端来说，RpcEnv 是 RpcEndpoint 的运行环境，负责 RpcEndPoint 的生命周期管理，解析 Tcp 层的数据包以及反序列化数据封装成 RpcMessage，然后根据路由传送到对应的 Endpoint；

对于 client 端来说，可以通过 RpcEnv 获取 RpcEnvpoint 的引用，也就是 RpcEndpointRef，然后通过 RpcEndpointRef 与对应的 Endpoint 通信。

RpcEnv 为 RpcEndpoint 提供处理消息处理的环境，RpcEnv 负责 RpcEndpoint 整个生命周期的管理，包括：注册 endpoint。endpoint 之间消息的路由，以及停止 endpoint。

  1. Dispathcer 、InBox以及 OutBox
NettyRpcEnv 中包含 Dispatcher，主要针对服务端，帮助路由器到指定的 RpcEndPoint，并调用起业务逻辑。

Dispathcer ： 消息分发器，针对RPC 断点需要发送消息或者从远程 RPC 接收到的消息，分发至对应的指令收件箱/发件箱。如果指令接收方手机自己则存入收件箱，如果指令接受方不是自己，则放入发件箱；

Inbox：指令消息收件箱，一个本地RpcEndPoint 对应一个收件箱，Dispatcher 在每次向 Inbox 存入消息时，都将对应 EndpointData 加入内部 ReceiverQueue中；另外 Dispatcher 创建时会启动一个单独的线程进行轮询 Receiver Queue，进行收件箱消息消费。

OutBox： 指令消息发送箱，对于当前 RpcEndpoint 来说，一个目标 RpcEndPoint 对应一个发件箱，如果多个目标 RpcEndpoint 发送消息，则有多个OutBox。当消息放入 Outbox 后，紧接着通过 TransportClient 将消息发送出去。消息放入发件箱以及发送过程是在同一个线程中进行，这样做得主要原因是远程消息分为 RpcOutboxMessage，OneWayOutBoxMessage 两种消息，而针对需要应答的消息直接发送且需要得到结果进行处理。

  1. RpcAddress、TransportClient、TransportServer
RpcAddress： 表示远程的RpcEndPointRef 的地址，Host + Port。

TransportClient：Netty 通信客户端，一个OutBox 对应一个 TransportClient，TransportClient 不断轮询 OutBox，根据 OutBox 消息的 receiver 信息，请求对应的远程 TransportServer；

TransportServer：Netty 通信服务端，一个 RpcEndpoint 对应一个TransportServer，接受远程消息后调用 Dispatcher 分发消息至对应收发件箱。

根据上面的分析, Spark 通信架构的高层视图如下图所示：

Spark 的 Rpc 类图关系


核心要点如下：

  1. 核心的 RpcEnv 是一个特质(trait)，它主要提供了停止、注册，获取 endpoint 等方法的定义，而NettyRpcEnv 提供了该特质的一个具体的实现。
  2. 通过工厂 RpcEnvFactory 来生产一个 RpcEnv，而 NettyRpcEnvFactory 用来生成 NettyRpcEnv 的一个对象。
  3. 当我们调用RpcEnv 中的 SetupEndpoint 来注册一个 endpoint 到 rpcEnv 的时候，在 NettyRpcEnv 内部，会将该 endpoint 的名称与其本身的映射关系，rpcEndpoint 与 rpcEndpointRef 之间映射关系保存在 dispatcher 对应的成员变量中。