Flink作业Task运行源码解析

引言

  • 作业运行的整体框架,对相关的重要角色有深入了解
  • 计算流程,重点是如何调度具体的operator机制

概览

首先我们来了解下整体的框架 JobMaster: 计算框架的主节点,负责运行单个JobGraph,包括任务的调度,资源申请和TaskManager的管理等。 TaskExecutor: 负责多个Task的具体执行 Dispatcher接收到submitJob的请求后,会生成一个JobMaster实例(具体为Dispatcher创建JobManagerRunner,JobManagerRunner创建JobMaster),下面来具体介绍下JobMaster和TaskExecutor的内部信息

调度框架

JobMaster

private final SchedulerNG schedulerNG;
 private final ShuffleMaster<?> shuffleMaster;
 private final SlotPoolService slotPoolService;
 private final LeaderRetrievalService resourceManagerLeaderRetriever;
 private final BlobWriter blobWriter;
 private final JobMasterPartitionTracker partitionTracker;
 private HeartbeatManager<TaskExecutorToJobManagerHeartbeatPayload, AllocatedSlotReport>
 taskManagerHeartbeatManager;
 private HeartbeatManager<Void, Void> resourceManagerHeartbeatManager;

JobMaster作为整个任务调度计算的主节点,需要和一些外部角色进行交互,具体的如下:

  • resourceManagerLeaderRetriever: 负责和resourceManager间的通讯
  • slotPoolService: 用于管理slotpool的,slot资源管理,负责slot的申请、释放等。
  • partitionTracker: 负责算子计算结果数据分区的跟踪
  • schedulerNG:内部的调度引擎,负责job的调度处理
  • shuffleMaster: 数据shuffle处理
  • taskManagerHeartbeatManager:记录和taskManager间的心跳信息,
  • resourceManagerHeartbeatManager:记录和resourceManager间的心跳

ScheduleNG

ScheduleNG实际负责job调度处理,包括生成ExecutionGraph,作业的调度执行,任务出错处理等。其实现类为DefaultScheduler

  • SchedulingStrategy:任务调度的策略,实现类为PipelinedRegionSchedulingStrategy,按pipeline region的粒度来调度任务
  • ExecutionGraphFactory:其实现类为DefaultExecutionGraphFactory,创建ExecutionGraph的工厂类

TaskExecutor

实际任务运行的节点,该类负责多个任务的运行,首先我们看看其实现了TaskExecutorGateway接口,TaskExecutorGateway定义了各类可以调用的功能接口,具体内容见下表

分类方法名说明
Task操作相关SubmitTask向TaskExecutor提交任务
Task操作相关cancelTask取消指定的任务
Task操作相关sendOperatorEventToTask发送算子事件给Task
Slot操作相关requestSlot给指定的Job分配指定的slot
Slot操作相关freeSlot释放对应的slot
Slot操作相关freeInactiveSlots释放指定Job的未使用的slot
Partition操作相关updatePartitions更新分区信息
Partition操作相关releaseOrPromotePartitions批量释放或保留分区
Partition操作相关releaseClusterPartitions释放属于给定datasets的所有集群分区数据
checkpoint操作相关triggerCheckpoint触发指定任务的checkpoint处理
checkpoint操作相关confirmCheckpoint确认指定任务的checkpoint
checkpoint操作相关abortCheckpoint终止给定任务的checkpoint

Task

一个Task负责TaskManager上一个subtask的一次执行,Task对Flink Operator进行包装然后运行,并提供需要的各类服务,如消费输入数据,生产数据以及和JobManager通讯。Task实现了Runnable接口,即通过一个单独的线程来运行,而其中的Flink Operator部分封装在实现了TaskInvokable接口的类中,实现类主要为SourceStreamTask和OneInputStreamTask。下面分别详细介绍下这几个类

  • Task: 对应为一个线程,来运行具体的Operator的逻辑,并包括相关的其他的辅助功能,包括如执行状态的管理、结果数据管理(ResultPartitionWriters)、输入数据(IndexInputGate)以及生成封装了Operator逻辑的TaskInvokable实例并运行
  • TaskInvokable:封装了具体Operator的处理逻辑,主要包括有2个方法,restore()和invoke()。restore()方法在invoke()之前调用,用于恢复上次的有效状态。invoke()方法执行具体的处理逻辑。下面我们看看其实现子类(这里只列了与StreamGraph相关的实现类,对于其他的子类没有展示)

  • SourceStreamTask:用于执行StreamSource,即源头的读取数据类Operator
  • OneInputStreamTask:用于执行OneInputStreamOperator,即只有一个输入的operator
  • TwoInputStreamTask: 用于执行TwoInputStreamOperator,有2个输入的operator
  • MultipleInputStreamTask: 用于执行MultipleInputStreamOperator,有多个输入的operator

计算框架

计算框架这节主要来了解数据是如何在Flink中如何处理和流转的。这里我们主要回答以下几个问题:

  • Flink中整个数据的处理流程,单条数据是如何在各个算子间流转和处理的
  • 对于算子chain和其他算子其底层实现区别是怎样的,为何chain后的效率会高 我们先以StreamMap算子为例来看整体计算框架的设计
public class StreamMap<IN, OUT> extends AbstractUdfStreamOperator<OUT, MapFunction<IN, OUT>>
 implements OneInputStreamOperator<IN, OUT> {
 private static final long serialVersionUID = 1L;
 public StreamMap(MapFunction<IN, OUT> mapper) {
 super(mapper);
 chainingStrategy = ChainingStrategy.ALWAYS;
 }
 @Override
 public void processElement(StreamRecord<IN> element) throws Exception {
 output.collect(element.replace(userFunction.map(element.getValue())));
 }
}

这里StreamMap实现了Input接口,其中在实现的processElement()方法中实现了具体的对具体数据的操作处理(Operator),并将结果通过Output接口的collect()方法发射出去。我们先看看这2个接口定义的方法

基本上2边是一一对应的关系,Input负责处理Element\Watermark\WatermarkStatus\LatencyMarker,而Output负责emit这些。这里Input是处理一个输入的,如果是2个输入那对应的就是TwoInputStreamOperator

算子计算处理

对于Chain的操作,是通过Output接口的实现类ChainingOutput.java

// ChainingOutput.java
 @Override
 public void collect(StreamRecord<T> record) {
 pushToOperator(record);
 }
 protected <X> void pushToOperator(StreamRecord<X> record) {
 try {
 ...
 input.setKeyContextElement(castRecord);
 input.processElement(castRecord);
 } catch (Exception e) {
 throw new ExceptionInChainedOperatorException(e);
 }

这里可以看到在output.collect()方法中把数据再推送到了算子,然后算子(input)继续执行processElement()这样来实现了在当前线程内的pipeline处理,

总结

本篇我们介绍了Flink是如何来执行相应的算子来实现计算的,主要介绍了TaskExecutor运行的Task实现,以及chain算子是如何串行来运行的。对于算子之间的数据交互这块我们后面一篇来单独介绍。

作者:xiangel

%s 个评论

要回复文章请先登录注册