spark 的窄依赖 spark jar包依赖

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。

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.extraLibraryPathspark.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：

Classpath for typical applications.    yarn.application.classpath    /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/*

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.userClassPathFirstspark.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 TaskSetprivate 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) if currentFiles.getOrElse(name,       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)       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：java类加载器学习必备

主要要看懂下面这张图，了解类加载器的双亲委托机制。

双亲委托机制是：

ClassLoader使用的是 双亲委托模型 来搜索类的，每个ClassLoader实例都有一个父类加载器的引用(不是继承的关系，是一个包含的关系)，虚拟机内置的类加载器(Bootstrap ClassLoader)本身没有父类加载器，但可以用作其它ClassLoader实例的的父类加载器。当一个ClassLoader实例需要加载某个类时，它会试图亲自搜索某个类之前，先把这个任务委托给它的父类加载器，这个过程是由上至下依次检查的，首先由最顶层的类加载器Bootstrap ClassLoader试图加载，如果没加载到，则把任务转交给Extension ClassLoader试图加载，如果也没加载到，则转交给App ClassLoader 进行加载，如果它也没有加载得到的话，则返回给委托的发起者，由它到指定的文件系统或网络等URL中加载该类。如果它们都没有加载到这个类时，则抛出ClassNotFoundException异常。否则将这个找到的类生成一个类的定义，并将它加载到内存当中，最后返回这个类在内存中的Class实例对象。

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);  }  @Override  public Class> loadClass(String name, boolean resolve) throws ClassNotFoundException {    try {      return super.loadClass(name, resolve);    } catch (ClassNotFoundException cnf) {      return parent.loadClass(name, resolve);    }  }  @Override  public EnumerationgetResources(String name) throws IOException {    ArrayList urls = Collections.list(super.getResources(name));    urls.addAll(Collections.list(parent.getResources(name)));    return Collections.enumeration(urls);  }  @Override  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。

@Override  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。