在前四篇博文中，我们分析了Job提交运行总流程的第一阶段Stage划分与提交，它又被细化为三个分阶段：
1、Job的调度模型与运行反馈；
2、Stage划分；
3、Stage提交：对应TaskSet的生成。
Stage划分与提交阶段主要是由DAGScheduler完成的，而DAGScheduler负责Job的逻辑调度，主要职责也即DAG图的分解，按照RDD间是否为shuffle dependency，将整个Job划分为一个个stage，并将每个stage转化为tasks的集合--TaskSet。
接下来我们要讲的第二阶段Task调度与执行，则是Spark中Job的物理调度，它实际上分为两个主要阶段：
1、Task调度；
2、Task运行。
下面，我们分析下Task的调度。我们知道，在第一阶段的末尾，stage被提交后，每个stage被转化为一组task的集合--TaskSet，而紧接着，则调用taskScheduler.submitTasks()提交这些tasks，而TaskScheduler的主要职责，则是负责Job物理调度阶段--Task调度。TaskScheduler为scala中的一个trait，你可以简单的把它理解为Java中的接口，目前它仅仅有一个实现类TaskSchedulerImpl。
TaskScheduler负责低层次任务的调度，每个TaskScheduler为一个特定的SparkContext调度tasks。这些调度器获取到由DAGScheduler为每个stage提交至他们的一组Tasks，并负责将这些tasks发送到集群，以执行它们，在它们失败时重试，并减轻掉队情况（类似MapReduce的推测执行原理吧，在这里留个疑问）。这些调度器返回一些事件events给DAGScheduler。其源码如下：
/**
* Low-level task scheduler interface, currently implemented exclusively by
* [[org.apache.spark.scheduler.TaskSchedulerImpl]].
* This interface allows plugging in different task schedulers. Each TaskScheduler schedules tasks
* for a single SparkContext. These schedulers get sets of tasks submitted to them from the
* DAGScheduler for each stage, and are responsible for sending the tasks to the cluster, running
* them, retrying if there are failures, and mitigating stragglers. They return events to the
* DAGScheduler.
*
*/
private[spark] trait TaskScheduler {
private val appId = "spark-application-" + System.currentTimeMillis
def rootPool: Pool
def schedulingMode: SchedulingMode
def start(): Unit
// Invoked after system has successfully initialized (typically in spark context).
// Yarn uses this to bootstrap allocation of resources based on preferred locations,
// wait for slave registrations, etc.
def postStartHook() { }
// Disconnect from the cluster.
def stop(): Unit
// Submit a sequence of tasks to run.
def submitTasks(taskSet: TaskSet): Unit
// Cancel a stage.
def cancelTasks(stageId: Int, interruptThread: Boolean)
// Set the DAG scheduler for upcalls. This is guaranteed to be set before submitTasks is called.
def setDAGScheduler(dagScheduler: DAGScheduler): Unit
// Get the default level of parallelism to use in the cluster, as a hint for sizing jobs.
def defaultParallelism(): Int
/**
* Update metrics for in-progress tasks and let the master know that the BlockManager is still
* alive. Return true if the driver knows about the given block manager. Otherwise, return false,
* indicating that the block manager should re-register.
*/
def executorHeartbeatReceived(execId: String, taskMetrics: Array[(Long, TaskMetrics)],
blockManagerId: BlockManagerId): Boolean
/**
* Get an application ID associated with the job.
*
* @return An application ID
*/
def applicationId(): String = appId
/**
* Process a lost executor
*/
def executorLost(executorId: String, reason: ExecutorLossReason): Unit
/**
* Get an application's attempt ID associated with the job.
*
* @return An application's Attempt ID
*/
def applicationAttemptId(): Option[String]
} 通过源码我们可以知道，TaskScheduler提供了实例化与销毁时必要的start()和stop()方法，并提供了提交Tasks与取消Tasks的submitTasks()和cancelTasks()方法，并且通过executorHeartbeatReceived()周期性的接收executor的心跳，更新运行中tasks的元信息，并让master知晓BlockManager仍然存活。
好了，结合源码，我们一步步来看吧。
首先，在DAGScheduler的submitMissingTasks()方法的最后，每个stage生成一组tasks后，即调用用TaskScheduler的submitTasks()方法提交task，代码如下：
// 利用taskScheduler.submitTasks()提交task
taskScheduler.submitTasks(new TaskSet(
tasks.toArray, stage.id, stage.latestInfo.attemptId, jobId, properties))
// 记录提交时间
stage.latestInfo.submissionTime = Some(clock.getTimeMillis()) 那么我们先来看下TaskScheduler的submitTasks()方法，在其实现类TaskSchedulerImpl中，代码如下：
override def submitTasks(taskSet: TaskSet) {
// 获取TaskSet中的tasks
val tasks = taskSet.tasks
logInfo("Adding task set " + taskSet.id + " with " + tasks.length + " tasks")
// 使用synchronized进行同步
this.synchronized {
// 创建TaskSetManager
val manager = createTaskSetManager(taskSet, maxTaskFailures)
// 获取taskSet对应的stageId
val stage = taskSet.stageId
// taskSetsByStageIdAndAttempt存储的是stageId->[taskSet.stageAttemptId->TaskSetManager]
// 更新taskSetsByStageIdAndAttempt，将上述对应关系存入
val stageTaskSets =
taskSetsByStageIdAndAttempt.getOrElseUpdate(stage, new HashMap[Int, TaskSetManager])
stageTaskSets(taskSet.stageAttemptId) = manager
// 查看是否存在冲突的taskSet，如果存在，抛出IllegalStateException异常
val conflictingTaskSet = stageTaskSets.exists { case (_, ts) =>
ts.taskSet != taskSet && !ts.isZombie
}
if (conflictingTaskSet) {
throw new IllegalStateException(s"more than one active taskSet for stage $stage:" +
s" ${stageTaskSets.toSeq.map{_._2.taskSet.id}.mkString(",")}")
}
// 将TaskSetManager添加到schedulableBuilder中
schedulableBuilder.addTaskSetManager(manager, manager.taskSet.properties)
// 如果不是本地任务，且不再接受任务
if (!isLocal && !hasReceivedTask) {
starvationTimer.scheduleAtFixedRate(new TimerTask() {
override def run() {
if (!hasLaunchedTask) {
logWarning("Initial job has not accepted any resources; " +
"check your cluster UI to ensure that workers are registered " +
"and have sufficient resources")
} else {
this.cancel()
}
}
}, STARVATION_TIMEOUT_MS, STARVATION_TIMEOUT_MS)
}
// 设置标志位hasReceivedTask为true
hasReceivedTask = true
}
// 最后调用SchedulerBackend的reviveOffers()
backend.reviveOffers()
} 该方法首先从入参TaskSet中获取tasks；
接下来，在synchronized同步代码块内，主要完成以下几件事：
1、创建TaskSetManager，TaskSetManager主要用来干什么呢，后面我们会分析；
2、通过taskSet获取stageId；
3、更新数据结构taskSetsByStageIdAndAttempt，将映射关系stageId->[taskSet.stageAttemptId->TaskSetManager]存入，这里的TaskSetManager就是上面创建的TaskSetManager，taskSet.stageAttemptId是怎么赋值的呢？为了保证叙述的完整性，还是先留个小小的疑问吧；
4、查看是否存在冲突的taskSet，如果存在，抛出IllegalStateException异常；
5、将TaskSetManager添加到schedulableBuilder中；
6、最后调用SchedulerBackend的reviveOffers()。
下面慢慢分析上述流程，首先这个TaskSetManager是干什么呢？通过名字可以简单的推论出，它是TaskSet的管理者，主要在TaskSchedulerImpl中调度同一个TaskSet中的tasks。该类追踪每个task，当它们失败时重试（直到限制的最大次数），并通过延迟调度处理位置感知调度。该类最主要的接口就是resourceOffer()方法，该方法会询问TaskSet，它是否想要在一个节点上运行一个task，并在TaskSet中的task状态变更时通知它（比如完成等）。
现在再来看下taskSet的stageAttemptId，在DAGScheduler的submitMissingTasks()方法中调用TaskScheduler的submitTasks()方法提交task，构造TaskSet对象时，赋值给TaskSet的stageAttemptId字段的是stage.latestInfo.attemptId。而Stage的latestInfo是这样定义的：
/** Returns the StageInfo for the most recent attempt for this stage. */ // 返回该stage的最新尝试attempt的StageInfo def latestInfo: StageInfo = _latestInfo即它是由_latestInfo来赋值的，那么_latestInfo呢？代码如下：
/** * Pointer to the [StageInfo] object for the most recent attempt. This needs to be initialized * here, before any attempts have actually been created, because the DAGScheduler uses this * StageInfo to tell SparkListeners when a job starts (which happens before any stage attempts * have been created). * 指向stage最新一次尝试的StageInfo对象。 * 在任何尝试实际发生之前，都需要在这里被初始化，因为当一个Job启动时（任何stage尝试发生时）DAGScheduler使用 * 这个StageInfo告诉SparkListeners。 */ private var _latestInfo: StageInfo = StageInfo.fromStage(this, nextAttemptId)具体初始化过程我们不做过多讨论，我们只要知道，StageInfo中存在一个成员变量attemptId即可，而这个成员变量就是上面我们所说的taskSet的stageAttemptId。而StageInfo中attemptId的值，则是由Stage中nextAttemptId的值确定的，其定义如下：
/** The ID to use for the next new attempt for this stage. */ // 该stage下一次新尝试的id private var nextAttemptId: Int = 0而它值的变化是怎么样的呢？答案就在Stage的makeNewStageAttempt()方法中，代码如下：
/** Creates a new attempt for this stage by creating a new StageInfo with a new attempt ID. */
// 通过用一个最新的nextAttemptId创建的StageInfo对象来创建该stage的最新的一次尝试
def makeNewStageAttempt(
numPartitionsToCompute: Int,
taskLocalityPreferences: Seq[Seq[TaskLocation]] = Seq.empty): Unit = {
// 构造_latestInfo
_latestInfo = StageInfo.fromStage(
this, nextAttemptId, Some(numPartitionsToCompute), taskLocalityPreferences)
// nextAttemptId自增
nextAttemptId += 1
} 什么时候调用makeNewStageAttempt()方法呢？还记得《Spark源码分析之Stage提交》一文的最后，真正提交stage的方法submitMissingTasks()中第6步，标记新的stage attempt，并发送一个SparkListenerStageSubmitted事件吗，代码如下：
// 标记新的stage attempt
stage.makeNewStageAttempt(partitionsToCompute.size, taskIdToLocations.values.toSeq)
// 发送一个SparkListenerStageSubmitted事件
listenerBus.post(SparkListenerStageSubmitted(stage.latestInfo, properties)) 也就是说，在每次提交stage时，即会调用该方法，创建一个新的_latestInfo对象，并对nextAttemptId进行自增。
好了，言归正传，继续往下看。第5步便是将TaskSetManager添加到schedulableBuilder中，那么这里就有两个问题：
1、schedulableBuilder是什么？
2、为什么要将TaskSetManager添加到schedulableBuilder中呢？
我们首先看下schedulableBuilder的定义及初始化。其定义代码如下：
var schedulableBuilder: SchedulableBuilder = null而它的初始化则是在TaskSchedulerImpl的initialize()方法中。如下：
// 初始化
def initialize(backend: SchedulerBackend) {
// 赋值SchedulerBackend
this.backend = backend
// temporarily set rootPool name to empty
// 临时将rootPool的名字设置为空
rootPool = new Pool("", schedulingMode, 0, 0)
// 调度构造器，分两种，FIFO和FAIR
schedulableBuilder = {
schedulingMode match {
case SchedulingMode.FIFO =>
new FIFOSchedulableBuilder(rootPool)
case SchedulingMode.FAIR =>
new FairSchedulableBuilder(rootPool, conf)
}
}
schedulableBuilder.buildPools()
} 这个方法同时也初始化了TaskSchedulerImpl中SchedulerBackend类型的backend对象，这个对象在最后一步会用到，我们稍后再说。
继续看schedulableBuilder，通过代码我们就能知道，这个schedulableBuilder是调度构造器，分FIFO和FAIR两种。至于这两种构造器的含义和区别，我们以后再分析。下面看下SchedulableBuilder的源码：
/**
* An interface to build Schedulable tree
* buildPools: build the tree nodes(pools)
* addTaskSetManager: build the leaf nodes(TaskSetManagers)
*/
private[spark] trait SchedulableBuilder {
def rootPool: Pool
def buildPools()
def addTaskSetManager(manager: Schedulable, properties: Properties)
} 从上面的英文注释我们就能知道，SchedulableBuilder是一个构造调度树的接口，它提供了一个成员变量Pool类型的rootPool和两个主要方法：1、buildPools()方法：构造调度树节点（调度池）；
2、addTaskSetManager()方法：构造叶子节点（TaskSetManagers）。
下面，我们以FIFOSchedulableBuilder为例，简单说下。FIFOSchedulableBuilder中buildPools()是个空方法，没什么可说的，我们主要分析下它的buildPools()方法，代码如下：
override def addTaskSetManager(manager: Schedulable, properties: Properties) {
rootPool.addSchedulable(manager)
} 可以看到，它实际上是调用的Pool的addSchedulable()方法。继续追踪：
override def addSchedulable(schedulable: Schedulable) {
require(schedulable != null)
// 将schedulable加入到schedulableQueue队列，队列为ConcurrentLinkedQueue类型
schedulableQueue.add(schedulable)
// 将schedulable的name与schedulable的对应关系添加到schedulableNameToSchedulable集合，集合为ConcurrentHashMap类型
schedulableNameToSchedulable.put(schedulable.name, schedulable)
// 将this赋值给schedulable的parent，即形成schedulable为this子节点（即截至目前时点的叶子节点）的树形结构
schedulable.parent = this
} 而翻看TaskSetManager的源码可以知道，TaskSetManager就实现了Schedulable这个trait（特质，类似java的接口），也就意味着TaskSetManager是可以被调度的，这也就回答了上面的问题2。
好了，我们继续看最后一步，调用SchedulerBackend的reviveOffers()。问题又来了，问题不断啊。
1、SchedulerBackend是什么？
2、SchedulerBackend如何被初始化？
3、SchedulerBackend的reviveOffers()到底做了什么？
带着问题去学习终究是好的，它让我们有了暂时的目标。下面，我们一步步来分析。
SchedulerBackend是Spark中一个可插拔组件，可插拔意味着它可以有多种实现方式，后续我们会概略讲讲。按照字面意思，它就是调度器的一个后台服务或者实现，其主要作用就是在物理机器或者说worker就绪后，能够提供其上的资源并将tasks加载到那些机器或者worker上。
上文中我们已经预先提到过，在TaskSchedulerImpl的initialize()方法初始化schedulableBuilder时，同时也初始化了SchedulerBackend，即：
// 赋值SchedulerBackend
this.backend = backend 这个SchedulerBackend是被传递进来的，那么这时我们就要追溯到TaskSchedulerImpl实例化的时候了。在Spark应用环境的初始化时，其上下文信息SparkContext中存在以下代码：
// Create and start the scheduler
val (sched, ts) = SparkContext.createTaskScheduler(this, master)
_schedulerBackend = sched
_taskScheduler = ts createTaskScheduler()方法主要就是根据给定的Master URL创建一个TaskScheduler。大致代码如下：
/**
* Create a task scheduler based on a given master URL.
* Return a 2-tuple of the scheduler backend and the task scheduler.
* 根据给定的Master URL创建一个TaskScheduler。
*/
private def createTaskScheduler(
sc: SparkContext,
master: String): (SchedulerBackend, TaskScheduler) = {
import SparkMasterRegex._
// When running locally, don't try to re-execute tasks on failure.
val MAX_LOCAL_TASK_FAILURES = 1
master match {
case "local" =>
val scheduler = new TaskSchedulerImpl(sc, MAX_LOCAL_TASK_FAILURES, isLocal = true)
val backend = new LocalBackend(sc.getConf, scheduler, 1)
scheduler.initialize(backend)
(backend, scheduler)
case LOCAL_N_REGEX(threads) =>
def localCpuCount: Int = Runtime.getRuntime.availableProcessors()
// local[*] estimates the number of cores on the machine; local[N] uses exactly N threads.
val threadCount = if (threads == "*") localCpuCount else threads.toInt
if (threadCount <= 0) {
throw new SparkException(s"Asked to run locally with $threadCount threads")
}
val scheduler = new TaskSchedulerImpl(sc, MAX_LOCAL_TASK_FAILURES, isLocal = true)
val backend = new LocalBackend(sc.getConf, scheduler, threadCount)
scheduler.initialize(backend)
(backend, scheduler)
case LOCAL_N_FAILURES_REGEX(threads, maxFailures) =>
def localCpuCount: Int = Runtime.getRuntime.availableProcessors()
// local[*, M] means the number of cores on the computer with M failures
// local[N, M] means exactly N threads with M failures
val threadCount = if (threads == "*") localCpuCount else threads.toInt
val scheduler = new TaskSchedulerImpl(sc, maxFailures.toInt, isLocal = true)
val backend = new LocalBackend(sc.getConf, scheduler, threadCount)
scheduler.initialize(backend)
(backend, scheduler)
// Standalone模式
case SPARK_REGEX(sparkUrl) =>
// 初始化TaskSchedulerImpl实例scheduler
val scheduler = new TaskSchedulerImpl(sc)
val masterUrls = sparkUrl.split(",").map("spark://" + _)
// 初始化一个SparkDeploySchedulerBackend实例backend
val backend = new SparkDeploySchedulerBackend(scheduler, sc, masterUrls)
// 调用TaskSchedulerImpl的initialize()方法，
// 为其成员变量SchedulerBackend赋值SparkDeploySchedulerBackend
scheduler.initialize(backend)
// 返回backend和scheduler
(backend, scheduler)
case LOCAL_CLUSTER_REGEX(numSlaves, coresPerSlave, memoryPerSlave) =>
// Check to make sure memory requested <= memoryPerSlave. Otherwise Spark will just hang.
val memoryPerSlaveInt = memoryPerSlave.toInt
if (sc.executorMemory > memoryPerSlaveInt) {
throw new SparkException(
"Asked to launch cluster with %d MB RAM / worker but requested %d MB/worker".format(
memoryPerSlaveInt, sc.executorMemory))
}
val scheduler = new TaskSchedulerImpl(sc)
val localCluster = new LocalSparkCluster(
numSlaves.toInt, coresPerSlave.toInt, memoryPerSlaveInt, sc.conf)
val masterUrls = localCluster.start()
val backend = new SparkDeploySchedulerBackend(scheduler, sc, masterUrls)
scheduler.initialize(backend)
backend.shutdownCallback = (backend: SparkDeploySchedulerBackend) => {
localCluster.stop()
}
(backend, scheduler)
case "yarn-standalone" | "yarn-cluster" =>
if (master == "yarn-standalone") {
logWarning(
"\"yarn-standalone\" is deprecated as of Spark 1.0. Use \"yarn-cluster\" instead.")
}
val scheduler = try {
val clazz = Utils.classForName("org.apache.spark.scheduler.cluster.YarnClusterScheduler")
val cons = clazz.getConstructor(classOf[SparkContext])
cons.newInstance(sc).asInstanceOf[TaskSchedulerImpl]
} catch {
// TODO: Enumerate the exact reasons why it can fail
// But irrespective of it, it means we cannot proceed !
case e: Exception => {
throw new SparkException("YARN mode not available ?", e)
}
}
val backend = try {
val clazz =
Utils.classForName("org.apache.spark.scheduler.cluster.YarnClusterSchedulerBackend")
val cons = clazz.getConstructor(classOf[TaskSchedulerImpl], classOf[SparkContext])
cons.newInstance(scheduler, sc).asInstanceOf[CoarseGrainedSchedulerBackend]
} catch {
case e: Exception => {
throw new SparkException("YARN mode not available ?", e)
}
}
scheduler.initialize(backend)
(backend, scheduler)
case "yarn-client" =>
val scheduler = try {
val clazz = Utils.classForName("org.apache.spark.scheduler.cluster.YarnScheduler")
val cons = clazz.getConstructor(classOf[SparkContext])
cons.newInstance(sc).asInstanceOf[TaskSchedulerImpl]
} catch {
case e: Exception => {
throw new SparkException("YARN mode not available ?", e)
}
}
val backend = try {
val clazz =
Utils.classForName("org.apache.spark.scheduler.cluster.YarnClientSchedulerBackend")
val cons = clazz.getConstructor(classOf[TaskSchedulerImpl], classOf[SparkContext])
cons.newInstance(scheduler, sc).asInstanceOf[CoarseGrainedSchedulerBackend]
} catch {
case e: Exception => {
throw new SparkException("YARN mode not available ?", e)
}
}
scheduler.initialize(backend)
(backend, scheduler)
case MESOS_REGEX(mesosUrl) =>
MesosNativeLibrary.load()
val scheduler = new TaskSchedulerImpl(sc)
val coarseGrained = sc.conf.getBoolean("spark.mesos.coarse", defaultValue = true)
val backend = if (coarseGrained) {
new CoarseMesosSchedulerBackend(scheduler, sc, mesosUrl, sc.env.securityManager)
} else {
new MesosSchedulerBackend(scheduler, sc, mesosUrl)
}
scheduler.initialize(backend)
(backend, scheduler)
case SIMR_REGEX(simrUrl) =>
val scheduler = new TaskSchedulerImpl(sc)
val backend = new SimrSchedulerBackend(scheduler, sc, simrUrl)
scheduler.initialize(backend)
(backend, scheduler)
case zkUrl if zkUrl.startsWith("zk://") =>
logWarning("Master URL for a multi-master Mesos cluster managed by ZooKeeper should be " +
"in the form mesos://zk://host:port. Current Master URL will stop working in Spark 2.0.")
createTaskScheduler(sc, "mesos://" + zkUrl)
case _ =>
throw new SparkException("Could not parse Master URL: '" + master + "'")
}
} 可以看出，它是根据Spark的部署模式来确定创建何种TaskScheduler及SchedulerBackend的。我们就以常见的Standalone模式来说明，关键代码如下：
// Standalone模式
case SPARK_REGEX(sparkUrl) =>
// 初始化TaskSchedulerImpl实例scheduler
val scheduler = new TaskSchedulerImpl(sc)
val masterUrls = sparkUrl.split(",").map("spark://" + _)
// 初始化一个SparkDeploySchedulerBackend实例backend
val backend = new SparkDeploySchedulerBackend(scheduler, sc, masterUrls)
// 调用TaskSchedulerImpl的initialize()方法，
// 为其成员变量SchedulerBackend赋值SparkDeploySchedulerBackend
scheduler.initialize(backend)
// 返回backend和scheduler
(backend, scheduler) Standalone模式模式中，TaskScheduler的实现为TaskSchedulerImpl，而SchedulerBackend的实现为SparkDeploySchedulerBackend，并且在TaskScheduler生成后，随即调用其initialize()方法完成了初始化，也就确定了SchedulableBuilder和SchedulerBackend。
至此，前两个是什么以及如何初始化的问题我们都已得到答案，下面再看最后一个关于做什么的问题：SchedulerBackend的reviveOffers()到底做了什么？还是以Standalone模式来说明。SparkDeploySchedulerBackend中没有提供此方法，我们只能寄希望于其父类CoarseGrainedSchedulerBackend，果不其然，在CoarseGrainedSchedulerBackend中我们找到了reviveOffers()方法。但是，代码很简单：
override def reviveOffers() {
// 调用driverEndpoint的send()方法，发送一个ReviveOffers消息
driverEndpoint.send(ReviveOffers)
} 我们继续看driverEndpoint是什么鬼。driverEndpoint是RPC中driver端Endpoint的引用，其类型为RpcEndpointRef。在CoarseGrainedSchedulerBackend启动时的start()方法中，对driverEndpoint进行了赋值：
// TODO (prashant) send conf instead of properties
driverEndpoint = rpcEnv.setupEndpoint(ENDPOINT_NAME, createDriverEndpoint(properties)) 这个RpcEnv只是一个抽象类，它有两种实现，一个是基于AKKa的AkkaRpcEnv，另外一个则是基于Netty的NettyRpcEnv，默认的实现是Netty。通过下述RpcEnv的代码即可看出：
private def getRpcEnvFactory(conf: SparkConf): RpcEnvFactory = {
// 两种实现方式：
// akka：org.apache.spark.rpc.akka.AkkaRpcEnvFactory
// netty：org.apache.spark.rpc.netty.NettyRpcEnvFactory
val rpcEnvNames = Map(
"akka" -> "org.apache.spark.rpc.akka.AkkaRpcEnvFactory",
"netty" -> "org.apache.spark.rpc.netty.NettyRpcEnvFactory")
// 通过参数spark.rpc配置，默认为netty
val rpcEnvName = conf.get("spark.rpc", "netty")
val rpcEnvFactoryClassName = rpcEnvNames.getOrElse(rpcEnvName.toLowerCase, rpcEnvName)
Utils.classForName(rpcEnvFactoryClassName).newInstance().asInstanceOf[RpcEnvFactory]
}
下面，我们就看下Netty的概要实现，在NettyRpcEnv的setupEndpoint()方法中：
override def setupEndpoint(name: String, endpoint: RpcEndpoint): RpcEndpointRef = {
// 调用Dispatcher的registerRpcEndpoint()方法完成注册
dispatcher.registerRpcEndpoint(name, endpoint)
} 它是通过dispatcher来完成endpoint注册的，name为“CoarseGrainedScheduler”，RpcEndpoint为CoarseGrainedSchedulerBackend中通过createDriverEndpoint()方法创建的DriverEndpoint对象。代码如下：
protected def createDriverEndpoint(properties: Seq[(String, String)]): DriverEndpoint = {
new DriverEndpoint(rpcEnv, properties)
} 那么这个DriverEndpoint是什么类呢？我们发现它继承自ThreadSafeRpcEndpoint，继而继承RpcEndpoint这个类。这里，我们只要知道这个RpcEndpoint是进程间消息传递调用的一个端点，定义了消息触发的函数。当一个消息到来时，方法调用顺序为 onStart, receive, onStop。它的生命周期为constructor -> onStart -> receive* -> onStop。
为什么要用RpcEndpoint呢？很简单，Task的调度与执行是在一个分布式集群上进行的，自然需要进程间的通讯。
继续分析，那么上面提到的driverEndpoint是如何赋值的呢？我们继续看Dispatcher的registerRpcEndpoint()方法，因为最终是由它向上返回RpcEndpointRef来完成driverEndpoint的赋值的。代码如下：
// 注册RpcEndpoint
// name为“Master”，endpoint为Master对象
def registerRpcEndpoint(name: String, endpoint: RpcEndpoint): NettyRpcEndpointRef = {
// 创建RpcEndpointAddress
val addr = RpcEndpointAddress(nettyEnv.address, name)
// 创建NettyRpcEndpointRef
val endpointRef = new NettyRpcEndpointRef(nettyEnv.conf, addr, nettyEnv)
// 同步代码块
synchronized {
if (stopped) {
throw new IllegalStateException("RpcEnv has been stopped")
}
// ConcurrentHashMap的putIfAbsent()方法确保不会重复创建EndpointData
if (endpoints.putIfAbsent(name, new EndpointData(name, endpoint, endpointRef)) != null) {
throw new IllegalArgumentException(s"There is already an RpcEndpoint called $name")
}
val data = endpoints.get(name)
endpointRefs.put(data.endpoint, data.ref)
receivers.offer(data) // for the OnStart message
}
endpointRef
} 返回的RpcEndpointRef为NettyRpcEndpointRef类型，而RpcEndpointRef则是一个远程RpcEndpoint的引用，通过它可以给远程RpcEndpoint发送消息，可以是同步可以是异步，它映射一个地址。这么看来，我们在远端（ps：另外的机器或者进程）注册了一个RpcEndpoint，即DriverEndpoint，而在本地端（当前机器或者进程）则持有一个RpcEndpoint的引用，即NettyRpcEndpointRef，可以由它来往远端发送消息，那么发送的是什么消息呢？我们现在返回CoarseGrainedSchedulerBackend中的reviveOffers()方法，发现发送的是ReviveOffers消息。这里只是发送，具体处理还要看远端的RpcEndpoint，即DriverEndpoint。通过上面我们可以知道，RpcEndpoint的服务流程为onStart()-->receive()-->
onStop()，每当消息来临时，DriverEndpoint都会调用receive()方法来处理。关键代码如下：
// 如果是ReviveOffers事件，则调用makeOffers()方法
case ReviveOffers =>
makeOffers() 继续追踪其makeOffers()方法，代码如下：
// Make fake resource offers on all executors
// 在所有的executors上提供假的资源（抽象的资源，也就是资源的对象信息，我是这么理解的）
private def makeOffers() {
// Filter out executors under killing
// 过滤掉under killing的executors
val activeExecutors = executorDataMap.filterKeys(executorIsAlive)
// 获取workOffers，即资源
val workOffers = activeExecutors.map { case (id, executorData) =>
// 创建WorkerOffer对象
new WorkerOffer(id, executorData.executorHost, executorData.freeCores)
}.toSeq
// 调用scheduler的resourceOffers()方法，分配资源
// 调用launchTasks()方法，启动tasks
launchTasks(scheduler.resourceOffers(workOffers))
} 好了，留个尾巴，明天再继续分析吧~