Spark 如何摆脱java双亲委托机制优先从用户jar加载类?
1. 起源
spark的类加载及参数传递过程还是很复杂的,主要是因为他运行环境太复杂了,不同的集群管理器完全不一样,即使是同一集群管理器cluster和client也不一样,再加上这块探究还是需要一定的java功底和耐心的,会使得很多人望而却步。
下图是yarn-cluster模式参数传递过程:
下图是yarn-client模式参数传递过程:
但是java代码,尤其是整合框架,公司大了假如没有统一的java依赖引用规范,解决冲突是必然的。而且有些时候,由于历史及发展原因,也会共存不同的依赖版本,那这个时候就需要我们去了解一下类加载机制了。
关于底层运行环境,欢迎关注浪尖b站,点击阅读原文即可跳转。
https://space.bilibili.com/33162030
2.spark依赖的配置
对于spark的依赖管理,大家比较熟悉的参数,拿spark 2.4 来说首先:
spark.driver.extraLibraryPath
spark.executor.extraClassPath
上面者两个参数,企业中,一般用来配置spark的lib或者jars目录及一些通用的依赖,比如hbase,hadoop等。对于on yarn模式,常用的配置参数还有yarn.application.classpath,这个对于运行与yarn上的任务都比较适用。比如对于spark on yarn可以配置如下:
<property>
<description>Classpath for typical applications.</description>
<name>yarn.application.classpath</name>
<value>/opt/modules/spark-2.1.2/jars/*,$HADOOP_CONF_DIR,$HADOOP_COMMON_HOME/share/hadoop/common/*,$HADOOP_COMMON_HOME/share/hadoop/common/lib/*,$HADOOP_HDFS_HOME/share/hadoop/hdfs/*,
$HADOOP_HDFS_HOME/share/hadoop/hdfs/lib/*,$HADOOP_YARN_HOME/share/hadoop/yarn/*,$HADOOP_YARN_HOME/share/hadoop/yarn/lib/*
</value>
</property>
其实,上面的配置参数指定的jar包最终都是放到了系统类加载器的classpath里,由系统类加载器完成加载。
有时候用户自己也会引入一些依赖,这些依赖可能和spark的依赖相互冲突的,这个时候最简单的办法是想让程序先加载用户的依赖,而后加载spark的依赖。或者用户自己针对性的改了底层源码这个其实很常见,又不想干扰其他用户。所以,spark引入了两个参数:
spark.driver.userClassPathFirst
spark.executor.userClassPathFirst
2. 什么是用户jar
在spark中分用户的jar和spark自己的依赖,翻看源码你会发现,指定用户jar的方式,有以下三种:
a. --jars参数。
b. spark.jars配置。
c. sparkContext.addjar。
这几个参数配置的jar,最终会会存储到SparkContext的一个hashmap里:
private[spark] val addedJars = new ConcurrentHashMap[String, Long]().asScala
然后在Task调度过程中,TaskSetManager类里,获取:
// SPARK-21563 make a copy of the jars/files so they are consistent across the TaskSet
private val addedJars = HashMap[String, Long](sched.sc.addedJars.toSeq: _*)
private val addedFiles = HashMap[String, Long](sched.sc.addedFiles.toSeq: _*)
对于Task调度的过程中实际上是通过TaskDescription类来进行描述传播的。具体在TaskSetManager的resourceOffer函数,封装了TaskDescription。
new TaskDescription(
taskId,
attemptNum,
execId,
taskName,
index,
task.partitionId,
addedFiles,
addedJars,
task.localProperties,
serializedTask)
}
task肯定是在executor内部的线程池里执行咯,但是executor首先要下载jar包到本地,然后放到executor线程的类加载器里,才能正常运行jar。具体位置就是Executor的TaskRunner的run方法里:
updateDependencies(taskDescription.addedFiles, taskDescription.addedJars)
其实,在星球里看过浪尖源码视频的球友应该都了解,实际上task调度之后,被CoarseGrainedExecutorBackend接收LaunchTask消息,然后反序列化得到TaskDescription。
用户jar添加到executor的类加载器的过程如下:
/**
* Download any missing dependencies if we receive a new set of files and JARs from the
* SparkContext. Also adds any new JARs we fetched to the class loader.
*/
private def updateDependencies(newFiles: Map[String, Long], newJars: Map[String, Long]) {
lazy val hadoopConf = SparkHadoopUtil.get.newConfiguration(conf)
synchronized {
// Fetch missing dependencies
for ((name, timestamp) <- newFiles if currentFiles.getOrElse(name, -1L) < timestamp) {
logInfo("Fetching " + name + " with timestamp " + timestamp)
// Fetch file with useCache mode, close cache for local mode.
Utils.fetchFile(name, new File(SparkFiles.getRootDirectory()), conf,
env.securityManager, hadoopConf, timestamp, useCache = !isLocal)
currentFiles(name) = timestamp
}
for ((name, timestamp) <- newJars) {
val localName = new URI(name).getPath.split("/").last
val currentTimeStamp = currentJars.get(name)
.orElse(currentJars.get(localName))
.getOrElse(-1L)
if (currentTimeStamp < timestamp) {
logInfo("Fetching " + name + " with timestamp " + timestamp)
// Fetch file with useCache mode, close cache for local mode.
Utils.fetchFile(name, new File(SparkFiles.getRootDirectory()), conf,
env.securityManager, hadoopConf, timestamp, useCache = !isLocal)
currentJars(name) = timestamp
// Add it to our class loader
val url = new File(SparkFiles.getRootDirectory(), localName).toURI.toURL
if (!urlClassLoader.getURLs().contains(url)) {
logInfo("Adding " + url + " to class loader")
urlClassLoader.addURL(url)
}
}
}
}
}
也就是说task需要的jar,假如是新增的jar包每次都会被executor获取。
假设用户打的jar包比较大或者指定的jar包比较大,但是task又不多,或者很多任务会公用的jar包,就应该放到spark的依赖环境里,避免频繁随着task调度而传输,很浪费性能的。
为啥会有新增jar包?
可以想以下Spark JobServer或者你自己的spark任务服务。
3.java的类加载器
关于类加载器 细节可以阅读:
主要要看懂下面这张图,了解类加载器的双亲委托机制。
4.spark如何实现先加载用户的jar
executor端创建的类加载器,主要有两个:
// Create our ClassLoader
// do this after SparkEnv creation so can access the SecurityManager
private val urlClassLoader = createClassLoader()
private val replClassLoader = addReplClassLoaderIfNeeded(urlClassLoader)
第一个就是我们本文会说到的类加载器,而第二个是spark-shell命令或者livy里会出现的交互式查询的情境下的类加载器。
/**
* Create a ClassLoader for use in tasks, adding any JARs specified by the user or any classes
* created by the interpreter to the search path
*/
private def createClassLoader(): MutableURLClassLoader = {
// Bootstrap the list of jars with the user class path.
val now = System.currentTimeMillis()
userClassPath.foreach { url =>
currentJars(url.getPath().split("/").last) = now
}
val currentLoader = Utils.getContextOrSparkClassLoader
// For each of the jars in the jarSet, add them to the class loader.
// We assume each of the files has already been fetched.
val urls = userClassPath.toArray ++ currentJars.keySet.map { uri =>
new File(uri.split("/").last).toURI.toURL
}
if (userClassPathFirst) {
new ChildFirstURLClassLoader(urls, currentLoader)
} else {
new MutableURLClassLoader(urls, currentLoader)
}
}
可以看到,假设配置了优先从用户的classpath里加载类,会使用ChildFirstURLClassloader类加载器。该类具体如下:
/**
* A mutable class loader that gives preference to its own URLs over the parent class loader
* when loading classes and resources.
*/
public class ChildFirstURLClassLoader extends MutableURLClassLoader {
static {
ClassLoader.registerAsParallelCapable();
}
private ParentClassLoader parent;
public ChildFirstURLClassLoader(URL[] urls, ClassLoader parent) {
super(urls, null);
this.parent = new ParentClassLoader(parent);
}
public Class<?> loadClass(String name, boolean resolve) throws ClassNotFoundException {
try {
return super.loadClass(name, resolve);
} catch (ClassNotFoundException cnf) {
return parent.loadClass(name, resolve);
}
}
public Enumeration<URL> getResources(String name) throws IOException {
ArrayList<URL> urls = Collections.list(super.getResources(name));
urls.addAll(Collections.list(parent.getResources(name)));
return Collections.enumeration(urls);
}
public URL getResource(String name) {
URL url = super.getResource(name);
if (url != null) {
return url;
} else {
return parent.getResource(name);
}
}
}
看一下源码你就知道了,这个类内部又专门new了一个ParentClassLoader。然后用来作为ChildFirstURLClassLoader的父类加载器,加载Spark的相关依赖,而用户的依赖加载是通过ChildFirstURLClassLoader自己加载的。
具体过程就在loadClass方法中。
public Class<?> loadClass(String name, boolean resolve) throws ClassNotFoundException {
try {
return super.loadClass(name, resolve);
} catch (ClassNotFoundException cnf) {
return parent.loadClass(name, resolve);
}
}
就此实现了,可以摆脱双亲委托机制,优先从用户jar里加载类。
欢迎,加入浪尖知识星球,与1000+好友共同学习。
点击 阅读原文 跳转浪尖b站,查看源码视频。