Spark源码分析之五：Task调度（一）

        在前四篇博文中，我们分析了Job提交运行总流程的第一阶段Stage划分与提交，它又被细化为三个分阶段：

        1、Job的调度模型与运行反馈；

        2、Stage划分；

        3、Stage提交：对应TaskSet的生成。

        Stage划分与提交阶段主要是由DAGScheduler完成的，而DAGScheduler负责Job的逻辑调度，主要职责也即DAG图的分解，按照RDD间是否为shuffle dependency，将整个Job划分为一个个stage，并将每个stage转化为tasks的集合--TaskSet。

        接下来我们要讲的第二阶段Task调度与执行，则是Spark中Job的物理调度，它实际上分为两个主要阶段：

        1、Task调度；

        2、Task运行。

        下面，我们分析下Task的调度。我们知道，在第一阶段的末尾，stage被提交后，每个stage被转化为一组task的集合--TaskSet，而紧接着，则调用taskScheduler.submitTasks()提交这些tasks，而TaskScheduler的主要职责，则是负责Job物理调度阶段--Task调度。TaskScheduler为scala中的一个trait，你可以简单的把它理解为Java中的接口，目前它仅仅有一个实现类TaskSchedulerImpl。

        TaskScheduler负责低层次任务的调度，每个TaskScheduler为一个特定的SparkContext调度tasks。这些调度器获取到由DAGScheduler为每个stage提交至他们的一组Tasks，并负责将这些tasks发送到集群，以执行它们，在它们失败时重试，并减轻掉队情况（类似MapReduce的推测执行原理吧，在这里留个疑问）。这些调度器返回一些事件events给DAGScheduler。其源码如下：

/** * Low-level task scheduler interface, currently implemented exclusively by * [[org.apache.spark.scheduler.TaskSchedulerImpl]]. * This interface allows plugging in different task schedulers. Each TaskScheduler schedules tasks * for a single SparkContext. These schedulers get sets of tasks submitted to them from the * DAGScheduler for each stage, and are responsible for sending the tasks to the cluster, running * them, retrying if there are failures, and mitigating stragglers. They return events to the * DAGScheduler. *  */private[spark] trait TaskScheduler {  private val appId = "spark-application-" + System.currentTimeMillis  def rootPool: Pool  def schedulingMode: SchedulingMode  def start(): Unit  // Invoked after system has successfully initialized (typically in spark context).  // Yarn uses this to bootstrap allocation of resources based on preferred locations,  // wait for slave registrations, etc.  def postStartHook() { }  // Disconnect from the cluster.  def stop(): Unit  // Submit a sequence of tasks to run.  def submitTasks(taskSet: TaskSet): Unit  // Cancel a stage.  def cancelTasks(stageId: Int, interruptThread: Boolean)  // Set the DAG scheduler for upcalls. This is guaranteed to be set before submitTasks is called.  def setDAGScheduler(dagScheduler: DAGScheduler): Unit  // Get the default level of parallelism to use in the cluster, as a hint for sizing jobs.  def defaultParallelism(): Int  /**   * Update metrics for in-progress tasks and let the master know that the BlockManager is still   * alive. Return true if the driver knows about the given block manager. Otherwise, return false,   * indicating that the block manager should re-register.   */  def executorHeartbeatReceived(execId: String, taskMetrics: Array[(Long, TaskMetrics)],    blockManagerId: BlockManagerId): Boolean  /**   * Get an application ID associated with the job.   *   * @return An application ID   */  def applicationId(): String = appId  /**   * Process a lost executor   */  def executorLost(executorId: String, reason: ExecutorLossReason): Unit  /**   * Get an application's attempt ID associated with the job.   *   * @return An application's Attempt ID   */  def applicationAttemptId(): Option[String]}

        通过源码我们可以知道，TaskScheduler提供了实例化与销毁时必要的start()和stop()方法，并提供了提交Tasks与取消Tasks的submitTasks()和cancelTasks()方法，并且通过executorHeartbeatReceived()周期性的接收executor的心跳，更新运行中tasks的元信息，并让master知晓BlockManager仍然存活。

        好了，结合源码，我们一步步来看吧。

        首先，在DAGScheduler的submitMissingTasks()方法的最后，每个stage生成一组tasks后，即调用用TaskScheduler的submitTasks()方法提交task，代码如下：

// 利用taskScheduler.submitTasks()提交task      taskScheduler.submitTasks(new TaskSet(        tasks.toArray, stage.id, stage.latestInfo.attemptId, jobId, properties))      // 记录提交时间      stage.latestInfo.submissionTime = Some(clock.getTimeMillis())

        那么我们先来看下TaskScheduler的submitTasks()方法，在其实现类TaskSchedulerImpl中，代码如下：

override def submitTasks(taskSet: TaskSet) {        // 获取TaskSet中的tasks    val tasks = taskSet.tasks    logInfo("Adding task set " + taskSet.id + " with " + tasks.length + " tasks")        // 使用synchronized进行同步    this.synchronized {            // 创建TaskSetManager      val manager = createTaskSetManager(taskSet, maxTaskFailures)            // 获取taskSet对应的stageId      val stage = taskSet.stageId            // taskSetsByStageIdAndAttempt存储的是stageId->[taskSet.stageAttemptId->TaskSetManager]      // 更新taskSetsByStageIdAndAttempt，将上述对应关系存入      val stageTaskSets =        taskSetsByStageIdAndAttempt.getOrElseUpdate(stage, new HashMap[Int, TaskSetManager])      stageTaskSets(taskSet.stageAttemptId) = manager            // 查看是否存在冲突的taskSet，如果存在，抛出IllegalStateException异常      val conflictingTaskSet = stageTaskSets.exists { case (_, ts) =>        ts.taskSet != taskSet && !ts.isZombie      }      if (conflictingTaskSet) {        throw new IllegalStateException(s"more than one active taskSet for stage $stage:" +          s" ${stageTaskSets.toSeq.map{_._2.taskSet.id}.mkString(",")}")      }            // 将TaskSetManager添加到schedulableBuilder中      schedulableBuilder.addTaskSetManager(manager, manager.taskSet.properties)      // 如果不是本地任务，且不再接受任务      if (!isLocal && !hasReceivedTask) {        starvationTimer.scheduleAtFixedRate(new TimerTask() {          override def run() {            if (!hasLaunchedTask) {              logWarning("Initial job has not accepted any resources; " +                "check your cluster UI to ensure that workers are registered " +                "and have sufficient resources")            } else {              this.cancel()            }          }        }, STARVATION_TIMEOUT_MS, STARVATION_TIMEOUT_MS)      }            // 设置标志位hasReceivedTask为true      hasReceivedTask = true    }        // 最后调用SchedulerBackend的reviveOffers()    backend.reviveOffers()  }

        该方法首先从入参TaskSet中获取tasks；

        接下来，在synchronized同步代码块内，主要完成以下几件事：

        1、创建TaskSetManager，TaskSetManager主要用来干什么呢，后面我们会分析；

        2、通过taskSet获取stageId；

        3、更新数据结构taskSetsByStageIdAndAttempt，将映射关系stageId->[taskSet.stageAttemptId->TaskSetManager]存入，这里的TaskSetManager就是上面创建的TaskSetManager，taskSet.stageAttemptId是怎么赋值的呢？为了保证叙述的完整性，还是先留个小小的疑问吧；

        4、查看是否存在冲突的taskSet，如果存在，抛出IllegalStateException异常；

        5、将TaskSetManager添加到schedulableBuilder中；

        6、最后调用SchedulerBackend的reviveOffers()。

        下面慢慢分析上述流程，首先这个TaskSetManager是干什么呢？通过名字可以简单的推论出，它是TaskSet的管理者，主要在TaskSchedulerImpl中调度同一个TaskSet中的tasks。该类追踪每个task，当它们失败时重试（直到限制的最大次数），并通过延迟调度处理位置感知调度。该类最主要的接口就是resourceOffer()方法，该方法会询问TaskSet，它是否想要在一个节点上运行一个task，并在TaskSet中的task状态变更时通知它（比如完成等）。

        现在再来看下taskSet的stageAttemptId，在DAGScheduler的submitMissingTasks()方法中调用TaskScheduler的submitTasks()方法提交task，构造TaskSet对象时，赋值给TaskSet的stageAttemptId字段的是stage.latestInfo.attemptId。而Stage的latestInfo是这样定义的：

/** Returns the StageInfo for the most recent attempt for this stage. */  // 返回该stage的最新尝试attempt的StageInfo  def latestInfo: StageInfo = _latestInfo

        即它是由_latestInfo来赋值的，那么_latestInfo呢？代码如下：

/**   * Pointer to the [StageInfo] object for the most recent attempt. This needs to be initialized   * here, before any attempts have actually been created, because the DAGScheduler uses this   * StageInfo to tell SparkListeners when a job starts (which happens before any stage attempts   * have been created).   * 指向stage最新一次尝试的StageInfo对象。   * 在任何尝试实际发生之前，都需要在这里被初始化，因为当一个Job启动时（任何stage尝试发生时）DAGScheduler使用   * 这个StageInfo告诉SparkListeners。   */  private var _latestInfo: StageInfo = StageInfo.fromStage(this, nextAttemptId)

        具体初始化过程我们不做过多讨论，我们只要知道，StageInfo中存在一个成员变量attemptId即可，而这个成员变量就是上面我们所说的taskSet的stageAttemptId。而StageInfo中attemptId的值，则是由Stage中nextAttemptId的值确定的，其定义如下：

/** The ID to use for the next new attempt for this stage. */  // 该stage下一次新尝试的id  private var nextAttemptId: Int = 0

         而它值的变化是怎么样的呢？答案就在Stage的makeNewStageAttempt()方法中，代码如下：

/** Creates a new attempt for this stage by creating a new StageInfo with a new attempt ID. */  // 通过用一个最新的nextAttemptId创建的StageInfo对象来创建该stage的最新的一次尝试  def makeNewStageAttempt(      numPartitionsToCompute: Int,      taskLocalityPreferences: Seq[Seq[TaskLocation]] = Seq.empty): Unit = {        // 构造_latestInfo    _latestInfo = StageInfo.fromStage(      this, nextAttemptId, Some(numPartitionsToCompute), taskLocalityPreferences)        // nextAttemptId自增    nextAttemptId += 1  }

        什么时候调用makeNewStageAttempt()方法呢？还记得《Spark源码分析之Stage提交》一文的最后，真正提交stage的方法submitMissingTasks()中第6步，标记新的stage attempt，并发送一个SparkListenerStageSubmitted事件吗，代码如下：

// 标记新的stage attempt    stage.makeNewStageAttempt(partitionsToCompute.size, taskIdToLocations.values.toSeq)    // 发送一个SparkListenerStageSubmitted事件    listenerBus.post(SparkListenerStageSubmitted(stage.latestInfo, properties))

        也就是说，在每次提交stage时，即会调用该方法，创建一个新的_latestInfo对象，并对nextAttemptId进行自增。

        好了，言归正传，继续往下看。第5步便是将TaskSetManager添加到schedulableBuilder中，那么这里就有两个问题：

        1、schedulableBuilder是什么？

        2、为什么要将TaskSetManager添加到schedulableBuilder中呢？

        我们首先看下schedulableBuilder的定义及初始化。其定义代码如下：

var schedulableBuilder: SchedulableBuilder = null

        而它的初始化则是在TaskSchedulerImpl的initialize()方法中。如下：

// 初始化  def initialize(backend: SchedulerBackend) {    // 赋值SchedulerBackend    this.backend = backend        // temporarily set rootPool name to empty    // 临时将rootPool的名字设置为空    rootPool = new Pool("", schedulingMode, 0, 0)        // 调度构造器，分两种，FIFO和FAIR    schedulableBuilder = {      schedulingMode match {        case SchedulingMode.FIFO =>          new FIFOSchedulableBuilder(rootPool)        case SchedulingMode.FAIR =>          new FairSchedulableBuilder(rootPool, conf)      }    }    schedulableBuilder.buildPools()  }

        这个方法同时也初始化了TaskSchedulerImpl中SchedulerBackend类型的backend对象，这个对象在最后一步会用到，我们稍后再说。

        继续看schedulableBuilder，通过代码我们就能知道，这个schedulableBuilder是调度构造器，分FIFO和FAIR两种。至于这两种构造器的含义和区别，我们以后再分析。下面看下SchedulableBuilder的源码：

/** * An interface to build Schedulable tree * buildPools: build the tree nodes(pools) * addTaskSetManager: build the leaf nodes(TaskSetManagers) */private[spark] trait SchedulableBuilder {  def rootPool: Pool  def buildPools()  def addTaskSetManager(manager: Schedulable, properties: Properties)}

        从上面的英文注释我们就能知道，SchedulableBuilder是一个构造调度树的接口，它提供了一个成员变量Pool类型的rootPool和两个主要方法：
        1、buildPools()方法：构造调度树节点（调度池）；

        2、addTaskSetManager()方法：构造叶子节点（TaskSetManagers）。

        下面，我们以FIFOSchedulableBuilder为例，简单说下。FIFOSchedulableBuilder中buildPools()是个空方法，没什么可说的，我们主要分析下它的buildPools()方法，代码如下：

override def addTaskSetManager(manager: Schedulable, properties: Properties) {    rootPool.addSchedulable(manager)  }

        可以看到，它实际上是调用的Pool的addSchedulable()方法。继续追踪：

override def addSchedulable(schedulable: Schedulable) {    require(schedulable != null)        // 将schedulable加入到schedulableQueue队列，队列为ConcurrentLinkedQueue类型    schedulableQueue.add(schedulable)        // 将schedulable的name与schedulable的对应关系添加到schedulableNameToSchedulable集合，集合为ConcurrentHashMap类型    schedulableNameToSchedulable.put(schedulable.name, schedulable)        // 将this赋值给schedulable的parent，即形成schedulable为this子节点（即截至目前时点的叶子节点）的树形结构    schedulable.parent = this  }

        而翻看TaskSetManager的源码可以知道，TaskSetManager就实现了Schedulable这个trait（特质，类似java的接口），也就意味着TaskSetManager是可以被调度的，这也就回答了上面的问题2。

        好了，我们继续看最后一步，调用SchedulerBackend的reviveOffers()。问题又来了，问题不断啊。

        1、SchedulerBackend是什么？

        2、SchedulerBackend如何被初始化？

        3、SchedulerBackend的reviveOffers()到底做了什么？

        带着问题去学习终究是好的，它让我们有了暂时的目标。下面，我们一步步来分析。

        SchedulerBackend是Spark中一个可插拔组件，可插拔意味着它可以有多种实现方式，后续我们会概略讲讲。按照字面意思，它就是调度器的一个后台服务或者实现，其主要作用就是在物理机器或者说worker就绪后，能够提供其上的资源并将tasks加载到那些机器或者worker上。

        上文中我们已经预先提到过，在TaskSchedulerImpl的initialize()方法初始化schedulableBuilder时，同时也初始化了SchedulerBackend，即：

// 赋值SchedulerBackend    this.backend = backend

        这个SchedulerBackend是被传递进来的，那么这时我们就要追溯到TaskSchedulerImpl实例化的时候了。在Spark应用环境的初始化时，其上下文信息SparkContext中存在以下代码：

// Create and start the scheduler    val (sched, ts) = SparkContext.createTaskScheduler(this, master)    _schedulerBackend = sched    _taskScheduler = ts

        createTaskScheduler()方法主要就是根据给定的Master URL创建一个TaskScheduler。大致代码如下：

/**   * Create a task scheduler based on a given master URL.   * Return a 2-tuple of the scheduler backend and the task scheduler.   * 根据给定的Master URL创建一个TaskScheduler。   */  private def createTaskScheduler(      sc: SparkContext,      master: String): (SchedulerBackend, TaskScheduler) = {    import SparkMasterRegex._    // When running locally, don't try to re-execute tasks on failure.    val MAX_LOCAL_TASK_FAILURES = 1    master match {      case "local" =>        val scheduler = new TaskSchedulerImpl(sc, MAX_LOCAL_TASK_FAILURES, isLocal = true)        val backend = new LocalBackend(sc.getConf, scheduler, 1)        scheduler.initialize(backend)        (backend, scheduler)      case LOCAL_N_REGEX(threads) =>        def localCpuCount: Int = Runtime.getRuntime.availableProcessors()        // local[*] estimates the number of cores on the machine; local[N] uses exactly N threads.        val threadCount = if (threads == "*") localCpuCount else threads.toInt        if (threadCount <= 0) {          throw new SparkException(s"Asked to run locally with $threadCount threads")        }        val scheduler = new TaskSchedulerImpl(sc, MAX_LOCAL_TASK_FAILURES, isLocal = true)        val backend = new LocalBackend(sc.getConf, scheduler, threadCount)        scheduler.initialize(backend)        (backend, scheduler)      case LOCAL_N_FAILURES_REGEX(threads, maxFailures) =>        def localCpuCount: Int = Runtime.getRuntime.availableProcessors()        // local[*, M] means the number of cores on the computer with M failures        // local[N, M] means exactly N threads with M failures        val threadCount = if (threads == "*") localCpuCount else threads.toInt        val scheduler = new TaskSchedulerImpl(sc, maxFailures.toInt, isLocal = true)        val backend = new LocalBackend(sc.getConf, scheduler, threadCount)        scheduler.initialize(backend)        (backend, scheduler)      // Standalone模式      case SPARK_REGEX(sparkUrl) =>              // 初始化TaskSchedulerImpl实例scheduler        val scheduler = new TaskSchedulerImpl(sc)        val masterUrls = sparkUrl.split(",").map("spark://" + _)                // 初始化一个SparkDeploySchedulerBackend实例backend        val backend = new SparkDeploySchedulerBackend(scheduler, sc, masterUrls)                // 调用TaskSchedulerImpl的initialize()方法，        // 为其成员变量SchedulerBackend赋值SparkDeploySchedulerBackend        scheduler.initialize(backend)        // 返回backend和scheduler        (backend, scheduler)      case LOCAL_CLUSTER_REGEX(numSlaves, coresPerSlave, memoryPerSlave) =>        // Check to make sure memory requested <= memoryPerSlave. Otherwise Spark will just hang.        val memoryPerSlaveInt = memoryPerSlave.toInt        if (sc.executorMemory > memoryPerSlaveInt) {          throw new SparkException(            "Asked to launch cluster with %d MB RAM / worker but requested %d MB/worker".format(              memoryPerSlaveInt, sc.executorMemory))        }        val scheduler = new TaskSchedulerImpl(sc)        val localCluster = new LocalSparkCluster(          numSlaves.toInt, coresPerSlave.toInt, memoryPerSlaveInt, sc.conf)        val masterUrls = localCluster.start()        val backend = new SparkDeploySchedulerBackend(scheduler, sc, masterUrls)        scheduler.initialize(backend)        backend.shutdownCallback = (backend: SparkDeploySchedulerBackend) => {          localCluster.stop()        }        (backend, scheduler)      case "yarn-standalone" | "yarn-cluster" =>        if (master == "yarn-standalone") {          logWarning(            "\"yarn-standalone\" is deprecated as of Spark 1.0. Use \"yarn-cluster\" instead.")        }        val scheduler = try {          val clazz = Utils.classForName("org.apache.spark.scheduler.cluster.YarnClusterScheduler")          val cons = clazz.getConstructor(classOf[SparkContext])          cons.newInstance(sc).asInstanceOf[TaskSchedulerImpl]        } catch {          // TODO: Enumerate the exact reasons why it can fail          // But irrespective of it, it means we cannot proceed !          case e: Exception => {            throw new SparkException("YARN mode not available ?", e)          }        }        val backend = try {          val clazz =            Utils.classForName("org.apache.spark.scheduler.cluster.YarnClusterSchedulerBackend")          val cons = clazz.getConstructor(classOf[TaskSchedulerImpl], classOf[SparkContext])          cons.newInstance(scheduler, sc).asInstanceOf[CoarseGrainedSchedulerBackend]        } catch {          case e: Exception => {            throw new SparkException("YARN mode not available ?", e)          }        }        scheduler.initialize(backend)        (backend, scheduler)      case "yarn-client" =>        val scheduler = try {          val clazz = Utils.classForName("org.apache.spark.scheduler.cluster.YarnScheduler")          val cons = clazz.getConstructor(classOf[SparkContext])          cons.newInstance(sc).asInstanceOf[TaskSchedulerImpl]        } catch {          case e: Exception => {            throw new SparkException("YARN mode not available ?", e)          }        }        val backend = try {          val clazz =            Utils.classForName("org.apache.spark.scheduler.cluster.YarnClientSchedulerBackend")          val cons = clazz.getConstructor(classOf[TaskSchedulerImpl], classOf[SparkContext])          cons.newInstance(scheduler, sc).asInstanceOf[CoarseGrainedSchedulerBackend]        } catch {          case e: Exception => {            throw new SparkException("YARN mode not available ?", e)          }        }        scheduler.initialize(backend)        (backend, scheduler)      case MESOS_REGEX(mesosUrl) =>        MesosNativeLibrary.load()        val scheduler = new TaskSchedulerImpl(sc)        val coarseGrained = sc.conf.getBoolean("spark.mesos.coarse", defaultValue = true)        val backend = if (coarseGrained) {          new CoarseMesosSchedulerBackend(scheduler, sc, mesosUrl, sc.env.securityManager)        } else {          new MesosSchedulerBackend(scheduler, sc, mesosUrl)        }        scheduler.initialize(backend)        (backend, scheduler)      case SIMR_REGEX(simrUrl) =>        val scheduler = new TaskSchedulerImpl(sc)        val backend = new SimrSchedulerBackend(scheduler, sc, simrUrl)        scheduler.initialize(backend)        (backend, scheduler)      case zkUrl if zkUrl.startsWith("zk://") =>        logWarning("Master URL for a multi-master Mesos cluster managed by ZooKeeper should be " +          "in the form mesos://zk://host:port. Current Master URL will stop working in Spark 2.0.")        createTaskScheduler(sc, "mesos://" + zkUrl)      case _ =>        throw new SparkException("Could not parse Master URL: '" + master + "'")    }  }

        可以看出，它是根据Spark的部署模式来确定创建何种TaskScheduler及SchedulerBackend的。我们就以常见的Standalone模式来说明，关键代码如下：

// Standalone模式      case SPARK_REGEX(sparkUrl) =>              // 初始化TaskSchedulerImpl实例scheduler        val scheduler = new TaskSchedulerImpl(sc)        val masterUrls = sparkUrl.split(",").map("spark://" + _)                // 初始化一个SparkDeploySchedulerBackend实例backend        val backend = new SparkDeploySchedulerBackend(scheduler, sc, masterUrls)                // 调用TaskSchedulerImpl的initialize()方法，        // 为其成员变量SchedulerBackend赋值SparkDeploySchedulerBackend        scheduler.initialize(backend)        // 返回backend和scheduler        (backend, scheduler)

        Standalone模式模式中，TaskScheduler的实现为TaskSchedulerImpl，而SchedulerBackend的实现为SparkDeploySchedulerBackend，并且在TaskScheduler生成后，随即调用其initialize()方法完成了初始化，也就确定了SchedulableBuilder和SchedulerBackend。

        至此，前两个是什么以及如何初始化的问题我们都已得到答案，下面再看最后一个关于做什么的问题：SchedulerBackend的reviveOffers()到底做了什么？还是以Standalone模式来说明。SparkDeploySchedulerBackend中没有提供此方法，我们只能寄希望于其父类CoarseGrainedSchedulerBackend，果不其然，在CoarseGrainedSchedulerBackend中我们找到了reviveOffers()方法。但是，代码很简单：

override def reviveOffers() {    // 调用driverEndpoint的send()方法，发送一个ReviveOffers消息    driverEndpoint.send(ReviveOffers)  }

        我们继续看driverEndpoint是什么鬼。driverEndpoint是RPC中driver端Endpoint的引用，其类型为RpcEndpointRef。在CoarseGrainedSchedulerBackend启动时的start()方法中，对driverEndpoint进行了赋值：

// TODO (prashant) send conf instead of properties    driverEndpoint = rpcEnv.setupEndpoint(ENDPOINT_NAME, createDriverEndpoint(properties))

        这个RpcEnv只是一个抽象类，它有两种实现，一个是基于AKKa的AkkaRpcEnv，另外一个则是基于Netty的NettyRpcEnv，默认的实现是Netty。通过下述RpcEnv的代码即可看出：

private def getRpcEnvFactory(conf: SparkConf): RpcEnvFactory = {        // 两种实现方式：    // akka：org.apache.spark.rpc.akka.AkkaRpcEnvFactory    // netty：org.apache.spark.rpc.netty.NettyRpcEnvFactory    val rpcEnvNames = Map(      "akka" -> "org.apache.spark.rpc.akka.AkkaRpcEnvFactory",      "netty" -> "org.apache.spark.rpc.netty.NettyRpcEnvFactory")        // 通过参数spark.rpc配置，默认为netty    val rpcEnvName = conf.get("spark.rpc", "netty")    val rpcEnvFactoryClassName = rpcEnvNames.getOrElse(rpcEnvName.toLowerCase, rpcEnvName)    Utils.classForName(rpcEnvFactoryClassName).newInstance().asInstanceOf[RpcEnvFactory]  }

        下面，我们就看下Netty的概要实现，在NettyRpcEnv的setupEndpoint()方法中：

override def setupEndpoint(name: String, endpoint: RpcEndpoint): RpcEndpointRef = {        // 调用Dispatcher的registerRpcEndpoint()方法完成注册    dispatcher.registerRpcEndpoint(name, endpoint)  }

        它是通过dispatcher来完成endpoint注册的，name为“CoarseGrainedScheduler”，RpcEndpoint为CoarseGrainedSchedulerBackend中通过createDriverEndpoint()方法创建的DriverEndpoint对象。代码如下：

protected def createDriverEndpoint(properties: Seq[(String, String)]): DriverEndpoint = {    new DriverEndpoint(rpcEnv, properties)  }

        那么这个DriverEndpoint是什么类呢？我们发现它继承自ThreadSafeRpcEndpoint，继而继承RpcEndpoint这个类。这里，我们只要知道这个RpcEndpoint是进程间消息传递调用的一个端点，定义了消息触发的函数。当一个消息到来时，方法调用顺序为  onStart, receive, onStop。它的生命周期为constructor -> onStart -> receive* -> onStop。

        为什么要用RpcEndpoint呢？很简单，Task的调度与执行是在一个分布式集群上进行的，自然需要进程间的通讯。

        继续分析，那么上面提到的driverEndpoint是如何赋值的呢？我们继续看Dispatcher的registerRpcEndpoint()方法，因为最终是由它向上返回RpcEndpointRef来完成driverEndpoint的赋值的。代码如下：

// 注册RpcEndpoint  // name为“Master”，endpoint为Master对象  def registerRpcEndpoint(name: String, endpoint: RpcEndpoint): NettyRpcEndpointRef = {        // 创建RpcEndpointAddress    val addr = RpcEndpointAddress(nettyEnv.address, name)        // 创建NettyRpcEndpointRef    val endpointRef = new NettyRpcEndpointRef(nettyEnv.conf, addr, nettyEnv)        // 同步代码块    synchronized {      if (stopped) {        throw new IllegalStateException("RpcEnv has been stopped")      }            // ConcurrentHashMap的putIfAbsent()方法确保不会重复创建EndpointData      if (endpoints.putIfAbsent(name, new EndpointData(name, endpoint, endpointRef)) != null) {        throw new IllegalArgumentException(s"There is already an RpcEndpoint called $name")      }                  val data = endpoints.get(name)      endpointRefs.put(data.endpoint, data.ref)      receivers.offer(data)  // for the OnStart message    }    endpointRef  }

        返回的RpcEndpointRef为NettyRpcEndpointRef类型，而RpcEndpointRef则是一个远程RpcEndpoint的引用，通过它可以给远程RpcEndpoint发送消息，可以是同步可以是异步，它映射一个地址。这么看来，我们在远端（ps：另外的机器或者进程）注册了一个RpcEndpoint，即DriverEndpoint，而在本地端（当前机器或者进程）则持有一个RpcEndpoint的引用，即NettyRpcEndpointRef，可以由它来往远端发送消息，那么发送的是什么消息呢？我们现在返回CoarseGrainedSchedulerBackend中的reviveOffers()方法，发现发送的是ReviveOffers消息。这里只是发送，具体处理还要看远端的RpcEndpoint，即DriverEndpoint。通过上面我们可以知道，RpcEndpoint的服务流程为onStart()-->receive()--> onStop()，每当消息来临时，DriverEndpoint都会调用receive()方法来处理。关键代码如下：

// 如果是ReviveOffers事件，则调用makeOffers()方法      case ReviveOffers =>        makeOffers()

        继续追踪其makeOffers()方法，代码如下：

// Make fake resource offers on all executors    // 在所有的executors上提供假的资源（抽象的资源，也就是资源的对象信息，我是这么理解的）    private def makeOffers() {      // Filter out executors under killing      // 过滤掉under killing的executors      val activeExecutors = executorDataMap.filterKeys(executorIsAlive)            // 获取workOffers，即资源      val workOffers = activeExecutors.map { case (id, executorData) =>        // 创建WorkerOffer对象        new WorkerOffer(id, executorData.executorHost, executorData.freeCores)      }.toSeq            // 调用scheduler的resourceOffers()方法，分配资源      // 调用launchTasks()方法，启动tasks      launchTasks(scheduler.resourceOffers(workOffers))    }

        好了，留个尾巴，明天再继续分析吧~