Spark 如何摆脱java双亲委托机制优先从用户jar加载类？

2023-08-26 14:11:40

Spark 如何摆脱java双亲委托机制优先从用户jar加载类？

浪尖浪尖聊大数据

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：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 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);
  }

  @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。

码农公寓