第43課：Spark 1.6 RPC內幕解密：運行機制、源碼詳解、Netty與Akka等

  Spark 是分布式計算框架，多臺機器之間必然存在著通信。Spark在早期版本采用Akka實現。現在在Akka的上層抽象出了一個RpcEnv。RpcEnv負責管理機器之間的通信。

RpcEnv包含了如下三大核心：

• RpcEndpoint 消息循環體，負責接收并處理消息。Spark中的Master、Worker都是RpcEndpoint 。

• RpcEndpointRef ：RpcEndpoint的引用，如果需要和RpcEndpoint通信，就必須獲取它的RpcEndpointRef，通過RpcEndpointRef發送消息。

• Dispatcher：消息調度器,負責RPC消息路由到適當的RpcEndpoint。

RpcEnv被創建以后，RpcEndpoint可以注冊到RpcEnv中，被注冊的RpcEndpoint會生成一個相應的RpcEndpointRef來引用它。如果你需要向RpcEndpoint發送消息，必須到RpcEnv中通過RpcEndpoint的名稱來獲取對應的RpcEndpointRef，然后通過RpcEndpointRef向RpcEndpoint發送消息。

RpcEnv負責管理RpcEndpoint的整個生命周期

• 注冊RpcEndpoint，使用name或者uri

• 路由發送給RpcEndpoint的消息。

• 停止RpcEndpoint

注：一個RpcEndpoint只能注冊給一個RpcEnv

RpcAddress：RpcEnv的邏輯地址，使用主機名和端口表示。

RpcEndpointAddress:注冊到RpcEnv上的RpcEndpoint的地址，由RpcAddress和name構成。

由此可見RpcEnv和RpcEndpoint是在相同的機器上(相同的JVM中)。而要想給遠端機器發送消息，是獲取遠端機器的RpcEndpointRef，而并不是遠端的RpcEndpoint注冊到本地的RpcEnv中。

在Spark1.6版本中，默認使用的是netty

private def getRpcEnvFactory(conf: SparkConf): RpcEnvFactory = {
  val rpcEnvNames = Map(
    "akka" -> "org.apache.spark.rpc.akka.AkkaRpcEnvFactory",
    "netty" -> "org.apache.spark.rpc.netty.NettyRpcEnvFactory")
  val rpcEnvName = conf.get("spark.rpc", "netty")
  val rpcEnvFactoryClassName = rpcEnvNames.getOrElse(rpcEnvName.toLowerCase, rpcEnvName)
  Utils.classForName(rpcEnvFactoryClassName).newInstance().asInstanceOf[RpcEnvFactory]
}

RpcEndpoint是一個消息循環體，它的生命周期：

構造（Constructor）->啟動(onStart)->消息接收(receive&receiveAndReply)->停止(onStop)

receive():不斷的運行，處理客戶端發送過來的消息。

receiveAndReply():處理消息，并且回應對方。

我們看一下Master的代碼：

def main(argStrings: Array[String]) {
  SignalLogger.register(log)
  val conf = new SparkConf
  val args = new MasterArguments(argStrings, conf)
  //指定的主機名必須是start-master.sh腳本運行的本地機器名稱
  val (rpcEnv, _, _) = startRpcEnvAndEndpoint(args.host, args.port, args.webUiPort, conf)
  rpcEnv.awaitTermination()
}

/**
 * Start the Master and return a three tuple of:
 *   (1) The Master RpcEnv
 *   (2) The web UI bound port
 *   (3) The REST server bound port, if any
 */
def startRpcEnvAndEndpoint(
    host: String,
    port: Int,
    webUiPort: Int,
    conf: SparkConf): (RpcEnv, Int, Option[Int]) = {
  val securityMgr = new SecurityManager(conf)
  //創建Rpc環境，主機名和端口就是Standalone集群的訪問地址。SYSTEM_NAME=sparkMaster
  val rpcEnv = RpcEnv.create(SYSTEM_NAME, host, port, conf, securityMgr)
  // 將Master實例注冊到RpcEnv中
  val masterEndpoint = rpcEnv.setupEndpoint(ENDPOINT_NAME,
    new Master(rpcEnv, rpcEnv.address, webUiPort, securityMgr, conf))
  val portsResponse = masterEndpoint.askWithRetry[BoundPortsResponse](BoundPortsRequest)
  (rpcEnv, portsResponse.webUIPort, portsResponse.restPort)
}

在main方法中創建了RpcEnv，并且實例化Master實例，然后注冊到RpcEnv中。

RpcEndpoint其實是注冊到Dispatcher中的，在netty中的代碼實現如下：

override def setupEndpoint(name: String, endpoint: RpcEndpoint): RpcEndpointRef = {
  dispatcher.registerRpcEndpoint(name, endpoint)
}

注：NettyRpcEnv.scala的第135行

而Dispatcher中使用如下數據結構來存儲RpcEndpoint和RpcEndpointRef

private val endpoints = new ConcurrentHashMap[String, EndpointData]
private val endpointRefs = new ConcurrentHashMap[RpcEndpoint, RpcEndpointRef]

EndpointData為一個case class：

private class EndpointData(
    val name: String,
    val endpoint: RpcEndpoint,
    val ref: NettyRpcEndpointRef) {
  val inbox = new Inbox(ref, endpoint)
}

在Master中使用數據結構WorkerInfo保存著每個Worker的信息，其中就包括每個Worker的RpcEndpointRef

備注：

1、DT大數據夢工廠微信公眾號DT_Spark 
2、IMF晚8點大數據實戰YY直播頻道號：68917580
3、新浪微博: http://www.weibo.com/ilovepains