在Spark中各个模块之间的消息传递采用的就是Akka框架，很多组件封装为Actor，进行控制和状态通信。下面我们以Spark集群启动的“start-all.sh”命令为例来解析一下Ak-ka驱动下Master结点和Worker结点之间的通信。
（1）我们首先在Spark的sbin目录下用vim打开“start-all.sh”脚本。可以看到在文件里会继续调用“start-master.sh”脚本和“start-slaves.sh”脚本。我们先用vim打开“start-master.sh”脚本查看里面的内容。
（2）可以看到Start-master.sh文件里会用“spark-daemon.sh”脚本开启一个org. apache.spark.deploy.master.Master进程。
（3）打开start-slaves.sh脚本，会看到它会继续调用start-slave.sh脚本来启动Worker结点。
（4）打开start-slave.sh文件，我们会看到spark-daemon.sh脚本会开启Worker进程这里的Worker对应的都是在$SPARK_HOME/conf/slaves文件中配置的Worker结点。
（5）到这里，我们可以进入Spark的源码来分析Master结点和Worker结点之间的通信。打开Master类的伴生对象，在该伴生对象的main（）方法里，会先根据传进来的参数初始化MasterArguments对象。接下来调用startSystemAndActor（）方法来开启一个actor。
在startSystemAndActor（）方法中会调用AkkaUtil工具类创建一个ActorSystem，通过ac-torSystem.actorOf（）方法开启Master，并返回Master的ref（Mater这个actor的引用）。
（6）当Master进程开启，也即Master对象实例化后，首先要执行preStart（）这个生命周期方法进行一系列的Master配置。在preStart方法中，我们这里重点关注context.system.schedu-ler.schedule（）这个方法，其中的参数WORK_TIMEOUT的默认值是60 s，self指的是Master自身，CheckForWorkerTimeOut是个样例类。
我们会看到在Scheduler特质的schedule（）方法里，有条发送消息的语句（即代码中的语句receiver！message中message所指代的CheckForWorkerTimeOut），其中schedule（）方法的参数receiver的实参是self，参数message的实参是CheckForWorkerTimeOut。在这里意味着每隔60 s，Master都会重复向自己的邮箱发送消息，来检查已经注册成功的Worker结点是否在规定时间内Master发送心跳。
（7）下面我们打开Master负责接收并处理消息的receiverWithLogging（）方法。在它的模式匹配选项中找到CheckForWorkerTimeOut。接着会调用timeOutDeadWorkers（）方法。(www.xing528.com)
我们继续跟踪timeOutDeadWorkers（）方法，在timeOutDeadWorkers（）方法中，会过滤掉心跳发送超时的Worker。
（8）下面我们进入Worker进程，Worker进程的开启步骤和Master进程的步骤是一样的，这里不做详解，我们直接进入Worker类的preStart（）方法。接着查看preStart（）方法里面的registerWithMaster（）方法，preStart（）方法的源码实现如下：
在registerWithMaster（）方法里会继续调用tryRegisterAllMaster（）方法向Master注册Worker。
在tryRegisterAllMaster（）方法里会向Master的引用actor发送RegisterWorker的消息来申请Worker的注册。
（9）在Master的邮箱里（即receiveWithLogging（）方法）收到此消息（即一个样例类RegisterWorker消息）会进行处理，如果注册成功，Master结点会向Worker结点发送Regis-teredWorker消息。
（10）当Worker结点收到RegisteredWorker消息后，会向自己的邮箱（也就是Worker类的receiveWithLogging方法）周期性地发送WorkDirCleanup消息来清理Worker结点上的Spark应用目录下的内容。
在Worker类的receiveWithLogging中，找到case WorkDirCleanup选项的匹配后，接下来会启动一个独立的线程去清理旧应用的目录和文件，具体的操作源码如下：
到这里，我们通过Master结点和Worker结点之间发送的一些消息的流程讲解了Akka在Spark中的应用，对于receiveWithLogging（）方法中的模式匹配选项，还有很多没提及，读者可通过源码进行了解。对于Akka，Spark并没有充分挖掘它强大的并行处理能力，只是将其作为分布式系统中的RPC框架。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
