Spark源码分析之Worker
支持三种模式的部署：YARN、Standalone以及Mesos。本篇说到的Worker只有在Standalone模式下才有。Worker节点是的工作节点，用于执行提交的作业。我们先从Worker节点的启动开始介绍。
中Worker的启动有多种方式，但是最终调用的都是org.apache.spark.deploy.worker.Worker类，启动Worker节点的时候可以传很多的参数：内存、核、工作目录等。如果你不知道如何传递，没关系，help一下即可：
01 | [wyp@iteblog spark]$ ./bin/spark-class org.apache.spark.deploy.worker.Worker -h |
02 | Spark assembly has been built with Hive, including Datanucleus jars on classpath |
03 | Usage: Worker [options] <master> |
05 | Master must be a URL of the form spark: |
08 | -c CORES, --cores CORES Number of cores to use |
09 | -m MEM, --memory MEM Amount of memory to use (e.g. 1000M, 2G) |
10 | -d DIR, --work-dir DIR Directory to run apps in (default: SPARK_HOME/work) |
11 | -i HOST, --ip IP Hostname to listen on (deprecated, please use --host or -h) |
12 | -h HOST, --host HOST Hostname to listen on |
13 | -p PORT, --port PORT Port to listen on (default: random) |
14 | --webui-port PORT Port for web UI (default: 8081) |
从上面的输出我们可以看出Worker的启动支持多达7个参数！这样每个都这样输入岂不是很麻烦？其实，我们不用担心，Worker节点启动地时候将先读取conf/spark-env.sh里面的配置，这些参数配置的解析都是由Worker中的WorkerArguments类进行解析的。如果你没有设置内存，那么将会把Worker启动所在机器的所有内存（会预先留下1G内存给）分给Worker，具体的代码实现如下：
01 | def inferDefaultMemory(): Int = { |
02 | val ibmVendor = System.getProperty("java.vendor").contains("IBM") |
05 | val bean = ManagementFactory.getOperatingSystemMXBean() |
07 | val beanClass = Class.forName("com.ibm.lang.management.OperatingSystemMXBean") |
08 | val method = beanClass.getDeclaredMethod("getTotalPhysicalMemory") |
09 | totalMb = (method.invoke(bean).asInstanceOf[Long] / 1024 / 1024).toInt |
11 | val beanClass = Class.forName("com.sun.management.OperatingSystemMXBean") |
12 | val method = beanClass.getDeclaredMethod("getTotalPhysicalMemorySize") |
13 | totalMb = (method.invoke(bean).asInstanceOf[Long] / 1024 / 1024).toInt |
16 | case e: Exception => { |
18 | System.out.println("Failed to get total physical memory. Using " + totalMb + " MB") |
22 | math.max(totalMb - 1024, 512) |
同样，如果你没设置cores，那么Spark将会获取你机器的所有可用的核作为参数传进去。解析完参数之后，将运行preStart函数，进行一些启动相关的操作，比如判断是否已经向Master注册过，创建工作目录，启动Worker的WEB UI，向Master进行注册等操作，如下：
01 | override def preStart() { |
03 | logInfo("Starting Spark worker %s:%d with %d cores, %s RAM".format( |
04 | host, port, cores, Utils.megabytesToString(memory))) |
05 | logInfo("Spark home: " + sparkHome) |
07 | context.system.eventStream.subscribe(self, classOf[RemotingLifecycleEvent]) |
08 | webUi = new WorkerWebUI(this, workDir, Some(webUiPort)) |
12 | metricsSystem.registerSource(workerSource) |
Worker向Master注册的超时时间为20秒，如果在这20秒内没有成功地向Master注册，那么将会进行重试，重试的次数为3，如过重试的次数大于等于3，那么将无法启动Worker，这时候，你就该看看你的网络环境或者你的Master是否存在问题了。
Worker在运行的过程中将会触发许多的事件， 比如：RegisteredWorker、SendHeartbeat、WorkDirCleanup以及MasterChanged等等，收到不同的事件，Worker进行不同的操作。比如，如果需要运行一个作业，Worker将会启动一个或多个ExecutorRunner，具体的代码可参见receiveWithLogging函数：
01 | override def receiveWithLogging = { |
02 | case RegisteredWorker(masterUrl, masterWebUiUrl) => |
05 | case WorkDirCleanup => |
07 | case MasterChanged(masterUrl, masterWebUiUrl) => |
11 | case RegisterWorkerFailed(message) => |
13 | case LaunchExecutor(masterUrl, appId, execId, appDesc, cores_, memory_) => |
15 | case ExecutorStateChanged(appId, execId, state, message, exitStatus) => |
17 | case KillExecutor(masterUrl, appId, execId) => |
19 | case LaunchDriver(driverId, driverDesc) => { |
22 | case KillDriver(driverId) => { |
24 | case DriverStateChanged(driverId, state, exception) => { |
27 | case x: DisassociatedEvent if x.remoteAddress == masterAddress => |
29 | case RequestWorkerState => { |
上面的代码是经过处理的，其实receiveWithLogging 方法是从ActorLogReceive继承下来的。
当Worker节点Stop的时候，将会执行postStop函数，如下：
1 | override def postStop() { |
3 | registrationRetryTimer.foreach(_.cancel()) |
4 | executors.values.foreach(_.kill()) |
5 | drivers.values.foreach(_.kill()) |
杀掉所有还未执行完的executors、drivers等，操作。这方法也是从Actor继承下来的。
本文只是简单地介绍了Worker节点的一些环境，启动等相关的代码，关于它如何和Master通信；如何启动Executor；如何启动Driver都没有涉及，如果你想更好地了解Worker的运行情况，请参见Worker相关的代码吧。
