Spark分布式執行原理
讓代碼分布式運行是所有分布式計算框架需要解決的最基本的問題。
Spark是大數據領域中相當火熱的計算框架，在大數據分析領域有一統江湖的趨勢，網上對於Spark源碼分析的文章有很多，但是介紹Spark如何處理代碼分布式執行問題的資料少之又少，這也是我撰寫文本的目的。
Spark運行在JVM之上，任務的執行依賴序列化及類加載機制，因此本文會重點圍繞這兩個主題介紹Spark對代碼分布式執行的處理。本文假設讀者對Spark、Java、Scala有一定的了解，代碼示例基於Scala，Spark源碼基於2.1.0版本。閱讀本文你可以了解到：
- Java對象序列化機制
- 類加載器的作用
- Spark對closure序列化的處理
- Spark Application的class是如何加載的
- Spark REPL（spark-shell）中的代碼是如何分布式執行的
根據以上內容，讀者可以基於JVM相關的語言構建一個自己的分布式計算服務框架。
Java對象序列化
序列化(Serialization)是將對象的狀態信息轉換為可以存儲或傳輸的形式的過程。所謂的狀態信息指的是對象在內存中的數據，Java中一般指對象的字段數據。我們開發Java應用的時候或多或少都處理過對象序列化，對象常見的序列化形式有JSON、XML等。
JDK中內置一個ObjectOutputStream類可以將對象序列化為二進制數據，使用ObjectOutputStream序列化對象時，要求對象所屬的類必須實現java.io.Serializable接口，否則會報java.io.NotSerializableException的異常。
基本的概念先介紹到這。接下來我們一起探討一個問題：Java的方法能否被序列化？
假設我們有如下的SimpleTask類（Java類）：
import java.io.Serializable; public abstract class Task implements Serializable { public void run() { System.out.println("run task!"); } } public class SimpleTask extends Task { @Override public void run() { System.out.println("run simple task!"); } }還有一個用於將對象序列化到文件的工具類FileSerializer：
import java.io.{FileInputStream, FileOutputStream, ObjectInputStream, ObjectOutputStream} object FileSerializer { def writeObjectToFile(obj: Object, file: String) = { val fileStream = new FileOutputStream(file) val oos = new ObjectOutputStream(fileStream) oos.writeObject(obj) oos.close() } def readObjectFromFile(file: String): Object = { val fileStream = new FileInputStream(file) val ois = new ObjectInputStream(fileStream) val obj = ois.readObject() ois.close() obj } }簡單起見，我們采用將對象序列化到文件，然后通過反序列化執行的方式來模擬代碼的分布式執行。SimpleTask就是我們需要模擬分布式執行的代碼。我們先將SimpleTask序列化到文件中：
val task = new SimpleTask() FileSerializer.writeObjectToFile(task, "task.ser")然后將SimpleTask類從我們的代碼中刪除，此時只有task.ser文件中含有task對象的序列化數據。接下來我們執行下面的代碼：
val task = FileSerializer.readObjectFromFile("task.ser").asInstanceOf[Task] task.run()請各位讀者思考，上面的代碼執行后會出現什么樣的結果？
- 輸出：
run simple task!? - 輸出：
run task!? - 還是會報錯？
實際執行會出現形如下面的異常：
Exception in thread "main" java.lang.ClassNotFoundException: site.stanzhai.serialization.SimpleTask at java.net.URLClassLoader.findClass(URLClassLoader.java:381) at java.lang.ClassLoader.loadClass(ClassLoader.java:424) at sun.misc.Launcher$AppClassLoader.loadClass(Launcher.java:331) at java.lang.ClassLoader.loadClass(ClassLoader.java:357) at java.lang.Class.forName0(Native Method) at java.lang.Class.forName(Class.java:348) at java.io.ObjectInputStream.resolveClass(ObjectInputStream.java:628) at java.io.ObjectInputStream.readNonProxyDesc(ObjectInputStream.java:1620) at java.io.ObjectInputStream.readClassDesc(ObjectInputStream.java:1521) at java.io.ObjectInputStream.readOrdinaryObject(ObjectInputStream.java:1781) at java.io.ObjectInputStream.readObject0(ObjectInputStream.java:1353) at java.io.ObjectInputStream.readObject(ObjectInputStream.java:373) at site.stanzhai.serialization.FileSerializer$.readObjectFromFile(FileSerializer.scala:20)從異常信息來看，反序列過程中找不到SimpleTask類。由此可以推斷序列化后的數據是不包含類的定義信息的。那么，ObjectOutputStream到底序列化了哪些信息呢？
對ObjectOutputStream實現機制感興趣的同學可以去看下JDK中這個類的實現，ObjectOutputStream序列化對象時，從父類的數據開始序列化到子類，如果override了writeObject方法，會反射調用writeObject來序列化數據。序列化的數據會按照以下的順序以二進制的形式輸出到OutputStream中：
- 類的descriptor（僅僅是類的描述信息，不包含類的定義）
- 對象的primitive類型數據(int,boolean等，String和Array是特殊處理的)
- 對象的其他obj數據
回到我們的問題上：Java的方法能否被序列化？通過我們代碼示例及分析，想必大家對這個問題應該清楚了。通過ObjectOutputStream序列化對象，僅包含類的描述（而非定義），對象的狀態數據，由於缺少類的定義，也就是缺少SimpleTask的字節碼，反序列化過程中就會出現ClassNotFound的異常。
如何讓我們反序列化的對象能正常使用呢？我們還需要了解類加載器。
類加載器：ClassLoader
ClassLoader在Java中是一個抽象類，ClassLoader的作用是加載類，給定一個類名，ClassLoader會嘗試查找或生成類的定義，一種典型的加載策略是將類名對應到文件名上，然后從文件系統中加載class file。
在我們的示例中，反序列化SimpleTask失敗，是因為JVM找不到類的定義，因此要確保正常反序列化，我們必須將SimpleTask的class文件保存下來，反序列化的時候能夠讓ClassLoader加載到SimpleTask的class。
接下來，我們對代碼做一些改造，添加一個ClassManipulator類，用於將對象的class文件導出到當前目錄的文件中，默認的文件名就是對象的類名（不含包名）：
object ClassManipulator { def saveClassFile(obj: AnyRef): Unit = { val classLoader = obj.getClass.getClassLoader val className = obj.getClass.getName val classFile = className.replace('.', '/') + ".class" val stream = classLoader.getResourceAsStream(classFile) // just use the class simple name as the file name val outputFile = className.split('.').last + ".class" val fileStream = new FileOutputStream(outputFile) var data = stream.read() while (data != -1) { fileStream.write(data) data = stream.read() } fileStream.flush() fileStream.close() } }按照JVM的規范，假設對package.Simple這樣的一個類編譯，編譯后的class文件為package/Simple.class，因此我們可以根據路徑規則，從當前JVM進程的Resource中得到指定類的class數據。
在刪除SimpleTask前，我們除了將task序列化到文件外，還需要將task的class文件保存起來，執行完下面的代碼，SimpleTask類就可以從代碼中剔除了：
val task = new SimpleTask() FileSerializer.writeObjectToFile(task, "task.ser") ClassManipulator.saveClassFile(task)由於我們保存class文件的方式比較特殊，既不在jar包中，也不是按package/ClassName.class這種標准的保存方式，因此還需要實現一個自定義的FileClassLoader按照我們保存class文件的方式來加載所需的類：
class FileClassLoader() extends ClassLoader { override def findClass(fullClassName: String): Class[_] = { val file = fullClassName.split('.').last + ".class" val in = new FileInputStream(file) val bos = new ByteArrayOutputStream val bytes = new Array[Byte](4096) var done = false while (!done) { val num = in.read(bytes) if (num >= 0) { bos.write(bytes, 0, num) } else { done = true } } val data = bos.toByteArray defineClass(fullClassName, data, 0, data.length) } }ObjectInputStream類用於對象的反序列化，在反序列化過程中，它根據序列化數據中類的descriptor信息，調用resolveClass方法加載對應的類，但是通過Class.forName加載class使用的並不是我們自定義的FileClassLoader，所以如果直接使用ObjectInputStream進行反序列，依然會因為找不到類而報錯，下面是resolveClass的源碼：
protected Class<?> resolveClass(ObjectStreamClass desc) throws IOException, ClassNotFoundException { String name = desc.getName(); try { return Class.forName(name, false, latestUserDefinedLoader()); } catch (ClassNotFoundException ex) { Class<?> cl = primClasses.get(name); if (cl != null) { return cl; } else { throw ex; } } }為了能讓ObjectInputStream在序列化的過程中使用我們自定義的ClassLoader，我們還需要對FileSerializer中的readObjectFromFile方法做些改造，修改的代碼如下：
def readObjectFromFile(file: String, classLoader: ClassLoader): Object = { val fileStream = new FileInputStream(file) val ois = new ObjectInputStream(fileStream) { override def resolveClass(desc: ObjectStreamClass): Class[_] = Class.forName(desc.getName, false, classLoader) } val obj = ois.readObject() ois.close() obj }最后，我們將反序列化的代碼調整為：
val fileClassLoader = new FileClassLoader() val task = FileSerializer.readObjectFromFile("task.ser", fileClassLoader).asInstanceOf[Task] task.run()反序列化的過程中能夠通過fileClassLoader加載到所需的類，這樣我們在執行就不會出錯了，最終的執行結果為：run simple task!。到此為止，我們已經完整地模擬了代碼分布式執行的過程。完整的示例代碼，請參閱：https://github.com/stanzhai/jvm-exercise/tree/master/src/main/scala/site/stanzhai/exercise/serialization
Spark對closure序列化的處理
我們依然通過一個示例，快速了解下Scala對閉包的處理，下面是從Scala的REPL中執行的代碼：
scala> val n = 2 n: Int = 2 scala> val f = (x: Int) => x * n f: Int => Int = <function1> scala> Seq.range(0, 5).map(f) res0: Seq[Int] = List(0, 2, 4, 6, 8)f是采用Scala的=>語法糖定義的一個閉包，為了弄清楚Scala是如何處理閉包的，我們繼續執行下面的代碼：
scala> f.getClass
res0: Class[_ <: Int => Int] = class $anonfun$1 scala> f.isInstanceOf[Function1[Int, Int]] res1: Boolean = true scala> f.isInstanceOf[Serializable] res2: Boolean = true可以看出f對應的類為$anonfun$1是Function1[Int, Int]的子類，而且實現了Serializable接口，這說明f是可以被序列化的。
Spark對於數據的處理基本都是基於閉包，下面是一個簡單的Spark分布式處理數據的代碼片段：
val spark = SparkSession.builder().appName("demo").master("local").getOrCreate() val sc = spark.sparkContext val data = Array(1, 2, 3, 4, 5) val distData = sc.parallelize(data) val sum = distData.map(x => x * 2).sum() println(sum) // 30.0對於distData.map(x => x * 2)，map中傳的一個匿名函數，也是一個非常簡單的閉包，對distData中的每個元素*2，我們知道對於這種形式的閉包，Scala編譯后是可以序列化的，所以我們的代碼能正常執行也合情合理。將入我們將處理函數的閉包定義到一個類中，然后將代碼改造為如下形式：
class Operation { val n = 2 def multiply = (x: Int) => x * n } ... val sum = distData.map(new Operation().multiply).sum() ...我們在去執行，會出現什么樣的結果呢？實際執行會出現這樣的異常：
Exception in thread "main" org.apache.spark.SparkException: Task not serializable at org.apache.spark.util.ClosureCleaner$.ensureSerializable(ClosureCleaner.scala:298) ... Caused by: java.io.NotSerializableException: OperationScala在構造閉包的時候會確定他所依賴的外部變量，並將它們的引用存到閉包對象中，這樣能保證在不同的作用域中調用閉包不出現問題。
出現Task not serializable的異常，是由於我們的multiply函數依賴Operation類的變量n，雖然multiply是支持序列化的，但是Operation不支持序列化，這導致multiply函數在序列化的過程中出現了NotSerializable的異常，最終導致我們的Task序列化失敗。為了確保multiply能被正常序列化，我們需要想辦法去除對Operation的依賴，我們將代碼做如下修改，在去執行就可以了：
class Operation { def multiply = (x: Int) => x * 2 } ... val sum = distData.map(new Operation().multiply).sum() ...Spark對閉包序列化前，會通過工具類org.apache.spark.util.ClosureCleaner嘗試clean掉閉包中無關的外部對象引用，ClosureCleaner對閉包的處理是在運行期間，相比Scala編譯器，能更精准的去除閉包中無關的引用。這樣做，一方面可以盡可能保證閉包可被序列化，另一方面可以減少閉包序列化后的大小，便於網絡傳輸。
我們在開發Spark應用的時候，如果遇到Task not serializable的異常，就需要考慮下，閉包中是否或引用了無法序列化的對象，有的話，嘗試去除依賴就可以了。
Spark中實現的序列化工具有多個：
從SparkEnv類的實現來看，用於閉包序列化的是JavaSerializer:
JavaSerializer內部使用的是ObjectOutputStream將閉包序列化：
private[spark] class JavaSerializationStream( out: OutputStream, counterReset: Int, extraDebugInfo: Boolean) extends SerializationStream { private val objOut = new ObjectOutputStream(out) ... }將閉包反序列化的核心代碼為：
private[spark] class JavaDeserializationStream(in: InputStream, loader: ClassLoader) extends DeserializationStream { private val objIn = new ObjectInputStream(in) { override def resolveClass(desc: ObjectStreamClass): Class[_] = try { Class.forName(desc.getName, false, loader) } catch { case e: ClassNotFoundException => JavaDeserializationStream.primitiveMappings.getOrElse(desc.getName, throw e) } } ... }關於ObjectInputStream我們前面已有介紹，JavaDeserializationStream有個關鍵的成員變量loader，它是個ClassLoader，可以讓Spark使用非默認的ClassLoader按照自定義的加載策略去加載class，這樣才能保證反序列化過程在其他節點正常進行。
通過前面的介紹，想要代碼在另一端執行，只有序列化還不行，還需要保證執行端能夠加載到閉包對應的類。接下來我們探討Spark加載class的機制。
Spark Application的class是如何加載的
通常情況下我們會將開發的Spark Application打包為jar包，然后通過spark-submit命令提交到集群運行，下面是一個官網的示例：
./bin/spark-submit \
--class org.apache.spark.examples.SparkPi \ ... \ --jars /path/to/dep-libs.jar \ /path/to/examples.jar \此時，我們編寫的代碼中所包含的閉包，對應的類已經被編譯到jar包中了，所以Executor端只要能加載到這個jar包，從jar包中定位閉包的class文件，就可以將閉包反序列化了。事實上Spark也是這么做的。
Spark Application的Driver端在運行的時候會基於netty建立一個文件服務，我們運行的jar包，及--jars中指定的依賴jar包，會被添加到文件服務器中。這個過程在SparkContext的addJar方法中完成：
/** * Adds a JAR dependency for all tasks to be executed on this SparkContext in the future. * The `path` passed can be either a local file, a file in HDFS (or other Hadoop-supported * filesystems), an HTTP, HTTPS or FTP URI, or local:/path for a file on every worker node. */ def addJar(path: String) { if (path == null) { logWarning("null specified as parameter to addJar") } else { var key = "" if (path.contains("\\")) { // For local paths with backslashes on Windows, URI throws an exception key = env.rpcEnv.fileServer.addJar(new File(path)) } else { val uri = new URI(path) // SPARK-17650: Make sure this is a valid URL before adding it to the list of dependencies Utils.validateURL(uri) key = uri.getScheme match { // A JAR file which exists only on the driver node case null | "file" => try { env.rpcEnv.fileServer.addJar(new File(uri.getPath)) } catch { case exc: FileNotFoundException => logError(s"Jar not found at $path") null } // A JAR file which exists locally on every worker node case "local" => "file:" + uri.getPath case _ => path } } if (key != null) { val timestamp = System.currentTimeMillis if (addedJars.putIfAbsent(key, timestamp).isEmpty) { logInfo(s"Added JAR $path at $key with timestamp $timestamp") postEnvironmentUpdate() } } } }Executor端在執行任務的時候，會從任務信息中得到依賴的jar包，然后updateDependencies從Driver端的文件服務器下載缺失的jar包，並將jar包添加到URLClassLoader中，最后再將task反序列化，反序列化前所需的jar都已准備好，因此能夠將task中的閉包正常反序列化，核心代碼如下：
override def run(): Unit = { ... try { val (taskFiles, taskJars, taskProps, taskBytes) = Task.deserializeWithDependencies(serializedTask) // Must be set before updateDependencies() is called, in case fetching dependencies // requires access to properties contained within (e.g. for access control). Executor.taskDeserializationProps.set(taskProps) updateDependencies(taskFiles, taskJars) task = ser.deserialize[Task[Any]](taskBytes, Thread.currentThread.getContextClassLoader) ... } finally { runningTasks.remove(taskId) } }這么來看，整個Spark Application分布式加載class的機制就比較清晰了。Executor端能夠正常加載class，反序列化閉包，分布式執行代碼自然就不存在什么問題了。
Spark REPL（spark-shell）中的代碼是如何分布式執行的
spark-shell是Spark為我們提供的一個REPL的工具，可以讓我們非常方便的寫一些簡單的數據處理腳本。下面是一個運行在spark-shell的代碼：
scala> val f = (x: Int) => x + 1 f: Int => Int = <function1> scala> val data = Array(1, 2, 3, 4, 5) data: Array[Int] = Array(1, 2, 3, 4, 5) scala> val distData = sc.parallelize(data) distData: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at <console>:26 scala> distData.map(f).sum() res0: Double = 20.0我們已知，閉包f會被Scala編譯為匿名類，如果要將f序列化到Executor端執行，必須要加載f對應的匿名類的class數據，才能正常反序列化。
Spark是如何得到f的class數據的？Executor又是如何加載到的？
源碼面前，了無秘密。我們看一下Spark的repl項目的代碼入口，核心代碼如下：
object Main extends Logging { ... val rootDir = conf.getOption("spark.repl.classdir").getOrElse(Utils.getLocalDir(conf)) val outputDir = Utils.createTempDir(root = rootDir, namePrefix = "repl") def main(args: Array[String]) { doMain(args, new SparkILoop) } // Visible for testing private[repl] def doMain(args: Array[String], _interp: SparkILoop): Unit = { interp = _interp val jars = Utils.getUserJars(conf, isShell = true).mkString(File.pathSeparator) val interpArguments = List( "-Yrepl-class-based", "-Yrepl-outdir", s"${outputDir.getAbsolutePath}", "-classpath", jars ) ++ args.toList val settings = new GenericRunnerSettings(scalaOptionError) settings.processArguments(interpArguments, true) if (!hasErrors) { interp.process(settings) // Repl starts and goes in loop of R.E.P.L Option(sparkContext).map(_.stop) } } ... }Spark2.1.0的REPL基於Scala-2.11的scala.tools.nsc編譯工具實現，代碼已經相當簡潔，Spark給interp設置了2個關鍵的配置-Yrepl-class-based和-Yrepl-outdir，通過這兩個配置，我們在shell中輸入的代碼會被編譯為class文件輸出到執行的文件夾中。如果指定了spark.repl.classdir配置，會用這個配置的路徑作為class文件的輸出路徑，否則使用SPARK_LOCAL_DIRS對應的路徑。下面是我測試過程中輸出到文件夾中的class文件：
我們已經清楚Spark如何將shell中的代碼編譯為class了，那么Executor端，如何加載到這些class文件呢？在org/apache/spark/executor/Executor.scala中有段和REPL相關的代碼：
private val urlClassLoader = createClassLoader() private val replClassLoader = addReplClassLoaderIfNeeded(urlClassLoader) /** * If the REPL is in use, add another ClassLoader that will read * new classes defined by the REPL as the user types code */ private def addReplClassLoaderIfNeeded(parent: ClassLoader): ClassLoader = { val classUri = conf.get("spark.repl.class.uri", null) if (classUri != null) { logInfo("Using REPL class URI: " + classUri) try { val _userClassPathFirst: java.lang.Boolean = userClassPathFirst val klass = Utils.classForName("org.apache.spark.repl.ExecutorClassLoader") .asInstanceOf[Class[_ <: ClassLoader]] val constructor = klass.getConstructor(classOf[SparkConf], classOf[SparkEnv], classOf[String], classOf[ClassLoader], classOf[Boolean]) constructor.newInstance(conf, env, classUri, parent, _userClassPathFirst) } catch { case _: ClassNotFoundException => logError("Could not find org.apache.spark.repl.ExecutorClassLoader on classpath!") System.exit(1) null } } else { parent } } override def run(): Unit = { ... Thread.currentThread.setContextClassLoader(replClassLoader) val ser = env.closureSerializer.newInstance() ... }Executor啟動時會判斷是否為REPL模式，如果是的話會使用ExecutorClassLoader做為反序列閉包時所使用的ClassLoader，ExecutorClassLoader會通過網絡從Driver端（也就是執行spark-shell的節點）加載所需的class文件。這樣我們在spark-shell中寫的代碼就可以分布式執行了。
總結
Spark實現代碼的分布式執行有2個關鍵點：
- 對象必須可序列化
- Executor端能夠加載到所需類的class文件，保證反序列化過程不出錯，這點通過自定義的ClassLoader來保障
滿足以上2個條件，我們的代碼就可以分布式運行了。
當然，構建一個完整的分布式計算框架，還需要有網絡通信框架、RPC、文件傳輸服務等作為支撐，在了解Spark代碼分布式執行原理的基礎上，相信讀者已有思路基於JVM相關的語言構建分布式計算服務。
類比其他非JVM相關的語言，實現一個分布式計算框架，依然是需要解決序列化，動態加載執行代碼的問題。