本文以Spark1.1.0版本为基础。

    经过前一段时间的学习，基本上能够对Spark的工作流程有一个了解，但是具体的细节还是需要阅读源码，而且后续的科研过程中也肯定要修改源码的，所以最近开始Spark的源码的学习。首先以重要文件为基础分别分析，然后再整体的分析。

（一）DAGScheduler.scala文件的主要功能

    DAGScheduler是划分Job为stage的调度，它是在作业所需要的数据已经被分为RDD之后执行的。DAGScheduler将Job划分为DAG图，以stage为图的结点，明确了各个stage之间的依赖关系，然后依次提交stage和Job。

（二）DAGScheduler.scala中的类和方法

1、initializeEventProcessActor()

    该方法初始化eventProcessActor，也就是说，它可以阻塞线程直到supervisor启动，而在这整个过程中eventProcessActor都不会空闲。

2、executorHeartbeatReceived(execId,taskMetrics,blockManagerId)

    该方法有三个参数，是用来接收心跳信息的。心跳信息是各个节点向master提供当前状态的，通知master当前节点是正在运行任务的，而运行任务的单位正是executor。

    关于executor的方法还有：executorLost()处理executor执行失败，executorAdd()处理executor添加和tasksetFailed()设置任务失败。

3、getcacheLocs(RDD[_])

    该方法查询本地缓存，检查本地存在哪些RDD，RDD的本地性是关系到stage分配的重要因素，在后文的函数中会实现。

    关于Cache的方法还有：clearcacheLocs()清除缓存。

4、getShuffleMapStage(ShuffleDependence[_,_,_],JobId)

    该方法是stage建立的关键，它明确stage的建立方法是以shuffle为边界的，如果出现wide依赖关系，那么就是shuffle的边界，就可以建立新的stage了，建立stage的方法为newOrUsedStage。

5、newStage(RDD[_],numTask,shuffleDependence,JobId,callsite)和newOrUsedStage(RDD[_],numTask,shuffleDependence,JobId,callsite)

    这两个方法以同样的参数建立Stage，不同的是前者是建立无依赖关系的stage，而后者是由父系stage建立的有一定依赖关系的stage。

6、getParentStage(RDD[_],JobId)

    该方法根据参数中的RDD数组（也就是一个stage中的所有RDD），查询当前RDD所属的Stage。

7、registerShuffleDependencies(shuffleDependencies[_,_,_],JobId)

    该方法扫描依赖关系，利用getAncestorShuffleDependencies返回的RDD关系栈将依赖关系加入到Stage中。

8、getAncestorShuffleDependencies(RDD[_])

    该方法建立RDD之间的依赖关系。

9、getMissingParentStages(stage)

    该方法在getShuffleMapStage的基础上确定Stage的父系Stage，利用的也是RDD之间的依赖关系。

10、updataJobIdStageIdMaps(JobId,stage)

    该方法用来更新Stage中的StageId和JobId。

11、cleanupStateForJobAndIndependentStages(Job)

    该方法清除一个活动的Job的所有状态，以及其所属的不再需要的stage的状态。

12、submit[T,U](RDD[T],func,partitions,callsite,allowlocal,resulthandler,properties)

    向任务调度器提交一个Job，并同时差生一个Jobwaiter，这个Jobwaiter可以用来保证Job执行时其他Job是阻塞的，也可以用来取消Job。

13、runJob[T,U](RDD[T],func,partitions,callsite,allowlocal,resulthandler,properties)

    这个方法其实只是对Job提交之后的一个返回信息的处理，如果submitJob方法没有返回异常，就表示执行正确了，否则报错并加入日志。

14、runApproxiateJob[T,U,R](RDD[T],func,partitions,evaluator,callsite,timeout,properties)

    该方法执行当前Job的下一个Job。

15、取消任务或者Stage的相关方法：doCancelAllJobs()，cancelStage(stageId)

16、重新提交失败的或者等待的Stage的方法：resubmitFailedStages()，submitWaitingStages()

17、runLocally(Job)和runLocallyWithinThread(job)

    前者建立新的线程，启动本地执行；后者在线程中实际执行Job。

18、handle***()

    这一些以handle开头的方法特点是进行了多次判定。handleJobSubmitted()方法对已经提交的Job进行操作，找到最后一个的Stage，检查Job执行的本地性等，然后将Job中的最后一个Stage提交，提交方法为submitStage()。submitStage()会根据最后一个Stage依次提交父系Stage，这其中需要考虑到丢失的task。handleTaskCompletion()方法在于处理Task执行后的各种状况，失败、阻塞或者失去联系，重新提交Task。详细的代码涉及诸多方法和类。

19、getPreferredLocsInternal(RDD，partition，visited)

    根据Cache和输入RDD的位置和依赖关系递归查询最适合的位置。

Spark源码学习1.1——DAGScheduler.scala