spark内核揭秘-09-RDD的count操作 触发Job全生命周期-01，-09-rdd-01


RDD源码的count方法：


从上面代码可以看出来，count方法触发SparkContext的runJob方法的调用：


进入 runJob(rdd, func, 0 until rdd.partitions.size, false)方法：


进一步跟踪runJob(rdd, (context: TaskContext, iter: Iterator[T]) => func(iter), partitions, allowLocal)方法：


继续跟踪进入runJob[T, U](rdd, func, partitions, allowLocal, (index, res) => results(index) = res)方法：



代码分析：

1、getCallSite ：


2、clean(func)：


3、dagScheduler.runJob(rdd, cleanedFunc, partitions, callSite, allowLocal, resultHandler, localProperties.get)：


代码分析：

3.1、进入submitJob(rdd, func, partitions, callSite, allowLocal, resultHandler, properties)：



上面代码分析：

3.1.1、 进入new JobWaiter(this, jobId, partitions.size, resultHandler)方法


3.1.2、进入eventProcessActor ! JobSubmitted( jobId, rdd, func2, partitions.toArray, allowLocal, callSite, waiter, properties)方法


我们可以看出来，是给自己发消息的

3.1.3、进入  dagScheduler.handleJobSubmitted(jobId, rdd, func, partitions, allowLocal, callSite,listener, properties)方法





首先构建finalStage，然后又一个getMissingParentsStages方法，可以发现运行有本地运行和集群运行两种模式，本地运行主要用于本地实验和调试：

3.1.3.1、进入  finalStage = newStage(finalRDD, partitions.size, None, jobId, callSite)方法：



3.1.3.2、进入 runLocally(job)方法：


3.1.3.2.1、 runLocallyWithinThread(job)方法：



3.1.3.3、进入 submitStage(finalStage)方法：



上面代码分析：submitStage第一次传入的参数是Job的最后一个Stage，然后判断一下是否缺失父Stage，如果没有依赖的parent Stage的话就可以submitMissingTasks运行，如果有parent Stage的话就要再一次submitStage做递归操作，最终会导致submitMissingTasks的调用：

3.1.3.3.1、进入  activeJobForStage(stage) 方法：


3.1.3.3.2、进入  getMissingParentStages(stage).sortBy(_.id) 方法：



跟进getShuffleMapState方法：


进入registerShuffleDependencies方法：


3.1.3.3.3、进入submitMissingTasks(stage, jobId.get) 方法：








PS:分析代码太多,下篇继续分析源码

相关内容