首页 > 代码库 > spark源码阅读-脚本篇

spark源码阅读-脚本篇

 

spark都进化到2.0了,虽然之前对spark有所了解但总感觉似懂非懂的,所以想花时间看看源码。

面对大量的源码从哪里着手呢,想到老子的一句话“天下难事必作于易,天下大事必作于细”,所以就从脚本部分来啃。

因本人脚本编程能力也并不是那么强,所以在总结的时候会穿插一些shell的东西。此处只介绍shell脚本,不涉及bat脚本。

 

先按照首字母顺序介绍下每个脚本的功能:

spark-1.5.0/bin

beeline:基于SQLLine CLI的JDBC客户端,可以连接到hive,操作hive中的数据。

load-spark-env.sh:导入conf目录下的spark-env.sh文件。

pyspark:python调用spark.

run-example:运行examples目录下的示例。

spark-class:调用org.apache.spark.launcher.Main, 多被其他脚本调用。

spark-shell:spark shell交互脚本。

spark-sql:spark sql运行脚本。

spark-submit:spark作业提交脚本。

sparkR:R语言调用spark。

再介绍下脚本之间的调用关系:

技术分享

[注]箭头所指方向为被依赖或被引用的脚本

 

部分脚本解析:

spark-calss部分代码:

# The launcher library will print arguments separated by a NULL character, to allow arguments with# characters that would be otherwise interpreted by the shell. Read that in a while loop, populating# an array that will be used to exec the final command.CMD=()while IFS= read -d ‘‘ -r ARG; do   CMD+=("$ARG") done < <("$RUNNER" -cp "$LAUNCH_CLASSPATH" org.apache.spark.launcher.Main "$@")

exec "${CMD[@]}"

注解:对比之前版本的脚本,现在的脚本简化了很多东西,好多判断都移动到了java或scala代码内。下一步就是分析org.apache.spark.launcher.Main 这个类。

 

spark-shell 代码:

#!/usr/bin/env bash# Shell script for starting the Spark Shell REPL#验证是否是cygwincygwin=falsecase "`uname`" in  CYGWIN*) cygwin=true;;esac# 开启posix模式set -o posix#获取父级目录的绝对路径,$0为当前脚本名export FWDIR="$(cd "`dirname "$0"`"/..; pwd)"export _SPARK_CMD_USAGE="Usage: ./bin/spark-shell [options]"#手动添加 -Dscala.usejavacp=true,scala 默认不会使用 java classpathSPARK_SUBMIT_OPTS="$SPARK_SUBMIT_OPTS -Dscala.usejavacp=true"#脚本入口,实际调用的是spark-submit脚本function main() {  if $cygwin; then        stty -icanon min 1 -echo > /dev/null 2>&1    export SPARK_SUBMIT_OPTS="$SPARK_SUBMIT_OPTS -Djline.terminal=unix"    "$FWDIR"/bin/spark-submit --class org.apache.spark.repl.Main --name "Spark shell" "$@"    stty icanon echo > /dev/null 2>&1  else    export SPARK_SUBMIT_OPTS    "$FWDIR"/bin/spark-submit --class org.apache.spark.repl.Main --name "Spark shell" "$@"  fi}# Copy restore-TTY-on-exit functions from Scala script so spark-shell exits properly even in# binary distribution of Spark where Scala is not installedexit_status=127saved_stty=""# restore stty settings (echo in particular)function restoreSttySettings() {  stty $saved_stty  saved_stty=""}function onExit() {  if [[ "$saved_stty" != "" ]]; then    restoreSttySettings  fi  exit $exit_status}# 中断时进行的操作trap onExit INT# 保存终止设置saved_stty=$(stty -g 2>/dev/null)# clear on error so we dont later try to restore themif [[ ! $? ]]; then  saved_stty=""fi#调用main函数main "$@"# 记录脚本退出状态# then reenable echo and propagate the code.exit_status=$?onExit

注解:显然spark-shell调用的是spark-submit ,利用--class org.apache.spark.repl.Main --name "Spark shell"传入参数。

此处本人主要对shell交互的实现比较感兴趣,后续会调研下,之后研究的类自然是class org.apache.spark.repl.Main。

 spark-sql代码

export FWDIR="$(cd "`dirname "$0"`"/..; pwd)"export _SPARK_CMD_USAGE="Usage: ./bin/spark-sql [options] [cli option]"exec "$FWDIR"/bin/spark-submit --class org.apache.spark.sql.hive.thriftserver.SparkSQLCLIDriver "$@"

注解:这部分脚本简单明了,要调研的类也很清楚:org.apache.spark.sql.hive.thriftserver.SparkSQLCLIDriver 。

spark sql虽然操作的是hive,但是比HQL快多了,基于内存的计算果断有优势啊。

  

spark-submit代码

SPARK_HOME="$(cd "`dirname "$0"`"/..; pwd)"# disable randomized hash for string in Python 3.3+export PYTHONHASHSEED=0exec "$SPARK_HOME"/bin/spark-class org.apache.spark.deploy.SparkSubmit "$@"

注解:不兼容python3.3+以上的版本,具体原因不明,表示没怎么接触过python。

调用spark-class实现的job提交,以何种模式提交的判断猜测应该在org.apache.spark.deploy.SparkSubmit中。

 

sparkR代码:

export SPARK_HOME="$(cd "`dirname "$0"`"/..; pwd)"source "$SPARK_HOME"/bin/load-spark-env.shexport _SPARK_CMD_USAGE="Usage: ./bin/sparkR [options]"exec "$SPARK_HOME"/bin/spark-submit sparkr-shell-main "$@"

注解:实现的方式与python类似。

 

shell不明点参照:

1.set -o posix

set命令是shell解释器的一个内置命令,用来设置shell解释器的属性,从而能够控制shell解释器的一些行为。

在set命令中,选项前面跟着 - 号表示开启这个选项, + 表示关闭这个选项。

POSIX,Portable Operating System Interface。
是UNIX系统的一个设计标准,很多类UNIX系统也在支持兼容这个标准,如Linux。
遵循这个标准的好处是软件可以跨平台。
所以windows也支持就很容易理解了,那么多优秀的开源软件,支持了这个这些软件就可能有windows版本,就可以完善丰富windows下的软件。

set -o posix:开启bash的posix模式。

2.command -v java

 command [-pVv] command [arg ...]

用command指定可取消正常的shell function寻找。只有内建命令及在PATH中找得到的才会被执行。

"-p"选项,搜寻命令的方式是用PATH来找。"-V"或"-v"选项,会显示出该命令的一些简约描述。

3.[ [[ test

[ is a shell builtin
[[ is a shell keyword
test is a shell builtin

[ = test

[[ 可用 && |  ,常用可避免错误。

4.read -d 

 -d :表示delimiter,即定界符,一般情况下是以IFS为参数的间隔,但是通过-d,我们可以定义一直读到出现执行的字符位置。例如read –d madfds value,读到有m的字符的时候就不在继续向后读,例如输入为 hello m,有效值为“hello”,请注意m前面的空格等会被删除。这种方式可以输入多个字符串,例如定义“.”作为结符号等等

 read命令 -n(不换行) -p(提示语句) -n(字符个数) -t(等待时间) -s(不回显)

5.setty

 stty(set tty)命令用于显示和修改当前注册的终端的属性。

tty -icanon 设置一次性读完操作,如使用getchar()读操作,不需要按enter
 
stty icanon 取消上面设置
 

[-]icanon
enable erase, kill, werase, and rprnt special characters

6.$@

 输入参数,常与shift连用。参数较多或参数个数不确定时可用。

总结:

 shell脚本遵循简单明了的原则,而对比以前的脚本也会发现这点,一些复杂的判断逻辑大多都移入源码里了,例如submit脚本中运行模式的判断,这样会使脚本精简很多。

 bin下的脚本都以2个空格为缩进,同一脚本中逻辑不同的代码块之间空行分隔,另有必要的注释,风格统一。

 环境变量或全局变量的引入是放在load-spark-env.sh中的,其他脚本再以 . 的方式引入,脚本复用。

parent_dir="$(cd "`dirname "$0"`"/..; pwd)"  是一段很有用的代码。

命令性质的脚本统一放在了bin下,而功能性质的大多都放在了sbin下。

spark源码阅读-脚本篇