學習資料：
spark 原始碼分析之十八 -- Spark儲存體系剖析 **
Spark Core原始碼精讀計劃#29：BlockManager主從及RPC邏輯 **
Spark Block Manager管理
BlockManager初始化和註冊解密
Cloud Compution BlockManagerMaster
Spark自己的分散式儲存系統BlockManager全解析
[Spark核心] 第38課：BlockManager架構原理、執行流程圖和原始碼解密
Spark TaskMemoryManager如何為task分配執行記憶體
Spark儲存體系——Block傳輸服務 **
Spark儲存體系——塊管理器BlockManager **
Spark MapOutputTracker淺析 **
shuffle服務與客戶端 **
能力有限，目前還是個學習者的姿態，所以只是記錄一下spark儲存模組原始碼的學習過程。在學習的過程中發現上面幾個是不錯的學習資料，推薦給大家，帶*號表示值得優先檢視學習的資料。
因為每個資料都各有側重點，所以可能在看的時候對一些沒有細講的類和架構不瞭解。下面我對上面的資料進行了總結，可以在學習的過程中對照的來看。
重要概念
- BroadcastManager：廣播管理器，在SparkEnv中是直接初始化
- TorrentBroadcast：廣播變數類
- BroadcastFactory：廣播變數工廠類，是Spark中broadcast中所有實現的介面。SparkContext使用BroadcastFactory實現來為整個Spark job例項化特定的broadcast。它有唯一子類 -- TorrentBroadcastFactory。
- TorrentBroadcastFactory：其newBroadcast方法例項化TorrentBroadcast類
- SerializerManager： 它是為各種Spark元件配置序列化，壓縮和加密的元件，包括自動選擇用於shuffle的Serializer。spark中的資料在network IO 或 local disk IO傳輸過程中。都需要序列化。其預設的 Serializer 是 org.apache.spark.serializer.JavaSerializer，在一定條件下，可以使用kryo，即org.apache.spark.serializer.KryoSerializer。
- BlockInfo：記錄了block 的相關資訊。
- BlockData：BlockData只是定義了資料轉化的規範，並沒有涉及具體的儲存格式和讀寫流程，實現起來比較自由，所以前面說它是個鬆散的特徵。BlockData目前有3個實現類：基於記憶體和ChunkedByteBuffer的
ByteBufferBlockData、基於磁碟和File的DiskBlockData，以及加密的EncryptedBlockData。 - DiskBlockData：主要用於將磁碟中的block檔案轉換為指定的流或物件。
- EncryptedBlockData：主要是用於加密的block磁碟檔案轉換為特定的流或物件。
- ByteBufferBlockData：主要用於記憶體中的block資料轉換為指定的流或物件。
- BlockInfoManager：block在讀寫時有鎖機制，並且委託給BlockInfoManager來管理。雖然BlockInfoManager的字面意思是“塊資訊管理器”，但管理塊資訊的意圖並不明顯，管理塊的鎖才是真正主要的任務。這個類公開的鎖定介面是readers-writer鎖。每次獲取鎖都會自動與正在執行的任務關聯，並在任務完成或失敗時自動釋放鎖。這個類是執行緒安全的。
- lockForReading()：為一個塊加讀鎖
- lockForWriting()：為一個塊加寫鎖
- unlock()：釋放單個鎖
- releaseAllLocksForTask()：釋放當前TaskAttemptId對應的所有鎖，並返回所有塊ID的序列
- downgradeLock()：鎖降級
- removeBlock()：從infos對映中刪掉對應的BlockInfo，同時釋放它對應的所有鎖。
- MemoryManager：管理Spark在JVM中的總體記憶體使用情況。該元件實現了跨任務劃分可用記憶體以及在儲存（記憶體使用快取和資料傳輸）和執行（計算使用的記憶體，如shuffle，連線，排序和聚合）之間分配記憶體的策略。Spark環境中的每個JVM例項都會持有一個MemoryManager
- TaskMemoryManager：TaskMemoryManager管理由各個任務分配的記憶體。任務與TaskMemoryManager互動，永遠不會直接與JVM範圍的MemoryManager互動。
- MemoryPool：MemoryPool抽象類從邏輯上非常鬆散地定義了Spark記憶體池的一些基本約定。它負責管理可調大小的記憶體區域的簿記工作。可以這樣理解，記憶體就是一個金庫，它是一個負責記賬的管家，主要負責記錄記憶體的借出歸還。這個類專門為MemoryManager而設計。給記憶體記賬，其實從本質上來說，它不是Spark記憶體管理部分的核心功能，但是又很重要，它的核心方法都是被MemoryManager來呼叫的。理解了這個類，其子類就比較好理解了。記賬的管家有兩種實現，分別是StorageMemoryPool和ExecutionMemoryPool。
- StorageMemoryPool：通過記賬的方式，管理用於儲存的可調整大小的內純池。
- acquireMemory()：獲取N個位元組的記憶體給指定的block，如果有必要，即記憶體不夠用了，可以將其他的從記憶體中驅除。
- releaseMemory()：釋放記憶體
- freeSpaceToShrinkPool()：縮小此儲存記憶體池可用空間
spaceToFree位元組的大小。這個方法是在收縮儲存記憶體池之前呼叫的，因為這個方法返回值是要收縮的值。收縮儲存記憶體池是為了擴大執行記憶體池，即這個方法是在收縮儲存記憶體，擴大執行記憶體時用的，這個方法只是為了縮小儲存記憶體池作準備的，並沒有真正的縮小儲存記憶體池。
- ExecutionMemoryPool：實現策略和記帳，以便在任務之間共享大小可調的記憶體池，用於管理執行記憶體池。
- memoryUsed()：獲取總的任務記憶體使用大小
- getMemoryUsageForTask()：獲取某一任務記憶體使用大小
- acquireMemory()：給一個任務分配記憶體
- releaseMemory()：釋放當前任務指定大小的記憶體空間
- releaseAllMemoryForTask()：釋放當前任務已經使用的所有記憶體空間
- MemoryManager：一種抽象記憶體管理器，用於管理Execution和Storage之間共享記憶體的方式。在這個上下文下，Execution記憶體是指用於在shuffle，join，sort和aggregation中進行計算的記憶體，而Storage記憶體是指用於在群集中快取和傳播內部資料的記憶體。 每個JVM都有一個MemoryManager。
- maxOnHeapStorageMemory()
- maxOffHeapStorageMemory()：獲取儲存池最大使用記憶體，抽象方法，待子類實現
- executionMemoryUsed()
- storageMemoryUsed()
- getExecutionMemoryUsageForTask()：獲取已使用記憶體
- acquireStorageMemory()
- acquireExecutionMemory()
- acquireUnrollMemory()：獲取記憶體，抽象方法，待子類實現
- releaseExecutionMemory()
- releaseAllExecutionMemoryForTask()
- releaseStorageMemory()
- releaseAllStorageMemory()
- releaseUnrollMemory()：釋放記憶體，這些請求都委託給對應的MemoryPool來做。什麼是Unroll記憶體呢？RDD在被快取之前，它所佔用的記憶體空間是不連續的，而被快取到儲存記憶體之後，就以塊的形式來儲存，佔用連續的記憶體空間了。Unroll就是這個將RDD固化在連續記憶體空間的過程，中文一般翻譯為“展開”。Unroll過程使用的記憶體空間就是展開記憶體，它本質上是儲存記憶體中比較特殊的一部分。
- StaticMemoryManager：spark 1.6 之前 使用MemoryManager子類 StaticMemoryManager 來做記憶體管理。靜態記憶體管理中的執行池和儲存池之間有嚴格的界限，兩個池的大小永不改變。1.6後如果想使用這個記憶體管理方式，設定 spark.memory.useLegacyMode 為 true即可（預設是false）。
- UnifiedMemoryManager：spark1。6之後使用的預設類。這個MemoryManager保證了儲存池和執行池之間的軟邊界，即可以互相借用記憶體來滿足彼此動態的記憶體需求變化。執行和儲存的佔比由 spark.memory.storageFraction 配置，預設是0.6，即偏向於儲存池。其中儲存池的預設佔比是由 spark.memory.storageFraction 引數決定，預設是 0.5 ，即 儲存池預設佔比 = 0.6 * 0.5 = 0.3 ，即儲存池預設佔比為0.3。儲存池可以儘可能多的向執行池借用空閒記憶體。但是當執行池需要它的記憶體的時候，會把一部分記憶體池的記憶體物件從記憶體中驅逐出，直到滿足執行池的記憶體需求。類似地，執行池也可以儘可能地借用儲存池中的空閒記憶體，不同的是，執行記憶體不會被儲存池驅逐出記憶體，也就是說，快取block時可能會因為執行池佔用了大量的記憶體池不能釋放導致快取block失敗，在這種情況下，新的block會根據StorageLevel做相應處理。
- MemoryEntry：本質上就是記憶體中一個block，指向了儲存在記憶體中的真實資料。或者說是塊在記憶體中的抽象表示。
- MemoryStore：執行將Block儲存在記憶體中的類，可以是反序列化Java物件的陣列，也可以是由ByteBuffers序列化的。
- putBytes()：直接寫入資料。先從MemoryManager中申請記憶體，如果申請成功，則呼叫回撥方法 _bytes 獲取ChunkedByteBuffer資料，然後封裝成 SerializedMemoryEntry物件 ，最後將封裝好的SerializedMemoryEntry物件快取到 entries中。
- putIteratorAsValues()：把迭代器中值儲存為記憶體中的Java物件
- putIteratorAsBytes()：把迭代器中值儲存為記憶體中的序列化位元組資料。所謂迭代器化的資料，就是指用Iterator[T]形式表示的塊資料。之所以會這樣表示，是因為有時單個塊對應的資料可能過大，不能一次性存入記憶體。為了避免造成OOM，就可以一邊遍歷迭代器，一邊週期性地寫記憶體，並檢查記憶體是否夠用，就像翻書一樣。“展開”（Unroll）這個詞形象地說明了該過程
- reserveUnrollMemoryForThisTask()：申請展開記憶體的方法。思路大致上是先從MemoryManager 申請攤開記憶體，若成功，則根據memoryMode在堆內或堆外記錄攤開記憶體的map上記錄新分配的記憶體。
- releaseUnrollMemoryForThisTask()：釋放展開記憶體的方法。先根據memoryMode獲取到對應記錄堆內或堆外記憶體的使用情況的map，然後在該task的攤開記憶體上減去這筆記憶體開銷，如果減完之後，task使用記憶體為0，則直接從map中移除對該task的記憶體記錄。
- evictBlocksToFreeSpace()：嘗試驅逐block來釋放指定大小的記憶體空間來儲存給定的block，用途為淘汰現有的一些塊，為新的塊騰出空間。
- DiskBlockManager：負責維護塊資料與其在磁碟上儲存位置的關係，是用來建立並維護邏輯block和落地後的block檔案的對映關係的，它還負責建立用於shuffle或本地的臨時檔案。
- createLocalDirs()：建立本地儲存目錄
- getFile()：建立子目錄及建立File物件
- getAllFiles()：獲取所有檔案
- getAllBlocks()：獲取所有塊ID
- createTempLocalBlock()
- createTempShuffleBlock()：用來建立Spark計算過程中的中間結果以及Shuffle Write階段輸出的儲存檔案。它們的塊ID分別用TempLocalBlockId和TempShuffleBlockId來表示。
- DiskBlockManager.addShutdownHook()/doStop()：繫結關閉鉤子與關閉。如果deleteFilesOnStop標記為真，則在DiskBlockManager關閉之前，會呼叫Utils.deleteRecursively()方法遞迴地刪掉本地儲存目錄。deleteFilesOnStop 通過構造方法傳入
- DiskStore：真正負責磁碟儲存的元件，用來儲存block 到磁碟的。
- putBytes()：寫入位元組,將資料寫入到磁碟中。
- getBytes()：讀取位元組，getBytes獲取的是BlockData資料，注意現在只是返回檔案的引用，檔案的內容並沒有返回。
- BlockManagerMaster：BlockManagerMaster 這個類是對 driver的 EndpointRef 的包裝，可以說是 driver EndpointRef的一個代理類，主要負責和driver的互動，來獲取跟底層儲存相關的資訊。BlockManager是典型的主從架構設計，不管Driver還是Executor上都要有BlockManager例項，那麼必然就得存在一個協調元件——Spark中就是BlockManagerMaster了。BlockManagerMaster服務取名為Master其實是一個挺迷糊的名稱;雖然它是Master,但是該物件並不是BlockManager的分散式服務的Master節點;而只是對Master節點一個連線符, 通過該連線符,從而已可以和真正的Master節點進行通訊;不管是在Driver還是在Executor上,都有一個BlockManagerMaster.真正的Master節點是BlockManagerMasterEndpoint這個物件。
- removeExecutor()：
- removeExecutorAsync()：移除executor，有同步和非同步兩種方案，這兩個方法只會在driver端使用。
- registerBlockManager()：向driver註冊blockmanager
- BlockManagerMasterEndpoint：其在以前的版本中也叫BlockManageMasterActor。BlockManageMasterEndpoint只存在於Driver上，Executor在BlockManageMaster中獲取BlockManageMasterEndpoint的引用，並向其傳送訊息（使用ask、askSync、tell），實現和Driver的互動。
- receiveAndReply()：接受並回復RPC訊息，通過覆寫RpcEndpoint.receiveAndReply()方法來實現。
- register()：處理BlockManager註冊
- heartbeatReceived()：處理BlockManager心跳
- BlockManagerSlaveEndpoint：SlaveEndpoint配合BlockManage執行一些來自於driver和executor的要求操作（通過BlockManageMaster），其主體函式同樣是receiveAndReply，不過內部執行操作的選項較少，主要包括去除Block、RDD、Broadcast，獲取資訊等操作，所有匹配後的具體操作都是通過相應的具體類（如BlockManage、shuffleManager等）完成。
- receiveAndReply()：接受並回復RPC訊息，通過覆寫RpcEndpoint.receiveAndReply()方法來實現。
- BlockManager：塊管理器BlockManager會執行在Spark叢集中的所有節點上。每個節點上的BlockManager通過MemoryManager、MemoryStore、DiskBlockManager、DiskStore來管理其記憶體、磁碟中的塊，並與其他節點進行塊的互動，是一個規模龐大的元件。
- initialize()：1. 初始化BlockTransferService和ShuffleClient。2. 根據配置項spark.storage.replication.policy確定塊複製策略並通過反射建立。預設值為RandomBlockReplicationPolicy，說明是將塊的副本隨機放到不同的節點上。3. 根據Executor ID生成BlockManagerId，並呼叫BlockManagerMaster.registerBlockManager()方法註冊此ID與從RPC端點。註冊成功後，BlockManagerMaster會返回另一個正式的ID。4. 生成Shuffle服務的ID。如果當前節點是Executor並啟用了外部Shuffle服務的話，就呼叫registerWithExternalShuffleServer()方法註冊外部Shuffle服務
- getOrElseUpdate()：用於獲取Block。如果Block存在，則獲取此Block並返回BlockResult，否則呼叫makeIterator方法計算Block，並持久化後返回BlockResult或Iterator
- reregister()：重新向driver註冊blockManager方法
- get()：在getOrElseUpdate方法中被呼叫，該方法先呼叫getLocalValues()方法從本地（注意是本地Executor）讀取資料，如果讀取不到，就繼續呼叫getRemoteValues()方法從遠端獲取資料。
- getLocalBytes()：用於儲存體系獲取BlockId所對應Block的資料，並封裝為ChunkedByteBuffer後返回
- getBlockData()：用於獲取本地Block的資料。
- putBlockData()：用於將Block資料寫入本地
- getLocalValues()：用於從本地的BlockManager中獲取Block資料
- 該類方法非常繁多，可檢視Spark儲存體系——塊管理器BlockManager文章，主要概括為讀取序列化資料，讀取物件資料，寫入序列化，寫入物件，從本地讀取，從遠端讀取等。
- MapOutputTracker: MapOutputTracker 是一個定位跟蹤 stage 的map 輸出位置的類，driver 和 executor 有對應的實現，分別是 MapOutputTrackerMaster 和 MapOutputTrackerWorker。
- ShuffleClient：不僅是將shuffle檔案上傳到其他Executor或者下載遠端Executor檔案到本地的客戶端，也是提供可以被其他Executor訪問的shuffle服務。
- BlockTransferService：是繼承自ShuffleClient介面的抽象類，負責資料的傳輸。其中定義了blocks的批量獲取、單個獲取和單個同步或非同步上傳的介面。
- init()：初始化，在BlockManager的initialize()方法中被呼叫
- uploadBlock()：上傳單個block塊到遠端節點，僅在[[init]]之後才可使用。
- fetchBlocks()：從遠端節點非同步獲取一組blocks。注意：該API介面接收陣列介面，所以可以實現批量請求。另外，該方法沒有返回一個future物件，所以子類實現可以在一個block獲取成功後立即回撥onBlockFetchSuccess，而不是等待所有的blocks都獲取成功。
- uploadBlockSync()：上傳單個block塊到遠端節點，僅在[[init]]呼叫之後才可用。該方法類似於[[uploadBlock]]方法，除了該方法會阻塞執行緒直到block上傳完成，也就是同步上傳。
- fetchBlockSync()：一個特殊的[[fetchBlocks]]的例子，它阻塞式地讀取一個block塊，也就是同步讀取。只有在呼叫[[init]]後才可以使用它。
- NettyBlockTransferService：BlockTransferService的實現類實現為NettyBlockTransferService，它使用Netty非同步時間驅動的網路應用框架，獲取和上傳遠端節點上的Block集合。
重要圖例
廣播資料的讀取流程圖
TaskMemoryManager被建立和使用流程圖
靜態記憶體管理StaticMemoryManager佈局圖解
統一記憶體管理UnifiedMemoryManager佈局圖解
BlockManagerMaster與RPC端點間的關係
BlockManager的讀寫流程（不含BlockTransferService）
