[源码解析] Flink的Slot究竟是什么？(2)
时间:2022-07-24
本文章向大家介绍[源码解析] Flink的Slot究竟是什么？(2)，主要内容包括其使用实例、应用技巧、基本知识点总结和需要注意事项，具有一定的参考价值，需要的朋友可以参考一下。
[源码解析] Flink 的slot究竟是什么？(2)
0x00 摘要
Flink的Slot概念大家应该都听说过，但是可能很多朋友还不甚了解其中细节，比如具体Slot究竟代表什么？在代码中如何实现？Slot在生成执行图、调度、分配资源、部署、执行阶段分别起到什么作用？本文和上文将带领大家一起分析源码，为你揭开Slot背后的机理。
0x01 前文回顾
书接上回 [源码解析] Flink 的slot究竟是什么？(1)。前文中我们已经从系统架构和数据结构角度来分析了Slot，本文我们将从业务流程角度来分析Slot。我们重新放出系统架构图
和数据结构逻辑关系图
下面我们从几个流程入手一一分析。
0x02 注册/更新Slot
有两个途径会注册Slot/更新Slot状态。
- 当TaskExecutor注册成功之后会和RM交互进行注册时，一并注册Slot；
- 定时心跳时，会在心跳payload中附加Slot状态信息；
2.1 TaskExecutor注册成功
当TaskExecutor注册成功之后会和RM交互进行注册。会通过如下的代码调用路径来向ResourceManager（SlotManagerImpl）注册Slot。SlotManagerImpl 在获取消息之后，会更新Slot状态，如果此时已经有如果有pendingSlotRequest，就直接分配，否则就更新freeSlots变量。
- TaskExecutor#establishResourceManagerConnection；
- TaskSlotTableImpl#createSlotReport；建立 report
- 这时候的 report如下： slotReport = {SlotReport@9633} 0 = {SlotStatus@8969} "SlotStatus{slotID=40d390ec-7d52-4f34-af86-d06bb515cc48_0, resourceProfile=ResourceProfile{managedMemory=64.000mb (67108864 bytes), networkMemory=32.000mb (33554432 bytes)}, allocationID=null, jobID=null}" slotID = {SlotID@8629} "40d390ec-7d52-4f34-af86-d06bb515cc48_0" resourceProfile = {ResourceProfile@4194} "ResourceProfile{managedMemory=64.000mb (67108864 bytes), networkMemory=32.000mb (33554432 bytes)}" allocationID = null jobID = null 1 = {SlotStatus@9638} "SlotStatus{slotID=40d390ec-7d52-4f34-af86-d06bb515cc48_1, resourceProfile=ResourceProfile{managedMemory=64.000mb (67108864 bytes), networkMemory=32.000mb (33554432 bytes)}, allocationID=null, jobID=null}" slotID = {SlotID@9643} "40d390ec-7d52-4f34-af86-d06bb515cc48_1" resourceProfile = {ResourceProfile@4194} "ResourceProfile{managedMemory=64.000mb (67108864 bytes), networkMemory=32.000mb (33554432 bytes)}" allocationID = null jobID = null
- ResourceManager#sendSlotReport；通过RPC（resourceManagerGateway.sendSlotReport）调用到RM
- SlotManagerImpl#registerTaskManager；把TaskManager注册到SlotManager
- SlotManagerImpl#registerSlot；
- SlotManagerImpl#createAndRegisterTaskManagerSlot；生成注册了TaskManagerSlot
- 这时候代码 & 变量如下，我们可以看到，就是把TM的Slot信息注册到SlotManager中： private TaskManagerSlot createAndRegisterTaskManagerSlot(SlotID slotId, ResourceProfile resourceProfile, TaskExecutorConnection taskManagerConnection) { final TaskManagerSlot slot = new TaskManagerSlot( slotId, resourceProfile, taskManagerConnection); slots.put(slotId, slot); return slot; } slot = {TaskManagerSlot@13322} slotId = {SlotID@8629} "40d390ec-7d52-4f34-af86-d06bb515cc48_0" resourceProfile = {ResourceProfile@4194} cpuCores = {CPUResource@11616} "Resource(CPU: 89884656743115785...0)" taskHeapMemory = {MemorySize@11617} "4611686018427387903 bytes" taskOffHeapMemory = {MemorySize@11618} "4611686018427387903 bytes" managedMemory = {MemorySize@11619} "64 mb" networkMemory = {MemorySize@11620} "32 mb" extendedResources = {HashMap@11621} size = 0 taskManagerConnection = {WorkerRegistration@11121} allocationId = null jobId = null assignedSlotRequest = null state = {TaskManagerSlot$State@13328} "FREE"
- SlotManagerImpl#updateSlot
- SlotManagerImpl#updateSlotState；如果有pendingSlotRequest，就直接分配
- SlotManagerImpl#handleFreeSlot；否则就更新freeSlots变量
流程结束后，SlotManager如下，可以看到此时slots个数是两个，freeSlots也是两个，说明都是空闲的：
this = {SlotManagerImpl@11120}
scheduledExecutor = {ActorSystemScheduledExecutorAdapter@11125}
slotRequestTimeout = {Time@11127} "300000 ms"
taskManagerTimeout = {Time@11128} "30000 ms"
slots = {HashMap@11122} size = 2
{SlotID@9643} "40d390ec-7d52-4f34-af86-d06bb515cc48_1" -> {TaskManagerSlot@19206}
{SlotID@8629} "40d390ec-7d52-4f34-af86-d06bb515cc48_0" -> {TaskManagerSlot@13322}
freeSlots = {LinkedHashMap@11129} size = 2
{SlotID@8629} "40d390ec-7d52-4f34-af86-d06bb515cc48_0" -> {TaskManagerSlot@13322}
{SlotID@9643} "40d390ec-7d52-4f34-af86-d06bb515cc48_1" -> {TaskManagerSlot@19206}
taskManagerRegistrations = {HashMap@11130} size = 1
fulfilledSlotRequests = {HashMap@11131} size = 0
pendingSlotRequests = {HashMap@11132} size = 0
pendingSlots = {HashMap@11133} size = 0
slotMatchingStrategy = {AnyMatchingSlotMatchingStrategy@11134} "INSTANCE"
slotRequestTimeoutCheck = {ActorSystemScheduledExecutorAdapter$ScheduledFutureTask@11139} 2.2 心跳机制更新Slot状态
Flink的心跳机制也会被利用来进行Slots信息的汇报，Slot Report被包括在心跳payload中。
首先在 TE 中建立Slot Report
- TaskExecutor#heartbeatFromResourceManager
- HeartbeatManagerImpl#requestHeartbeat
- TaskExecutor$ResourceManagerHeartbeatListener # retrievePayload
- TaskSlotTableImpl # createSlotReport
程序运行到 RM，于是 SlotManagerImpl 调用到 reportSlotStatus，进行Slot状态更新。
- ResourceManager#heartbeatFromTaskManager
- HeartbeatManagerImpl#receiveHeartbeat
- ResourceManager$TaskManagerHeartbeatListener#reportPayload
- SlotManagerImpl#reportSlotStatus，此时的SlotReport如下：
- slotReport = {SlotReport@8718} slotsStatus = {ArrayList@8717} size = 2 0 = {SlotStatus@9025} "SlotStatus{slotID=d99e16d7-a30c-4e21-b270-f82884b1813f_0, resourceProfile=ResourceProfile{managedMemory=64.000mb (67108864 bytes), networkMemory=32.000mb (33554432 bytes)}, allocationID=null, jobID=null}" slotID = {SlotID@9032} "d99e16d7-a30c-4e21-b270-f82884b1813f_0" resourceProfile = {ResourceProfile@4194} "ResourceProfile{managedMemory=64.000mb (67108864 bytes), networkMemory=32.000mb (33554432 bytes)}" allocationID = null jobID = null 1 = {SlotStatus@9026} "SlotStatus{slotID=d99e16d7-a30c-4e21-b270-f82884b1813f_1, resourceProfile=ResourceProfile{managedMemory=64.000mb (67108864 bytes), networkMemory=32.000mb (33554432 bytes)}, allocationID=null, jobID=null}" slotID = {SlotID@9029} "d99e16d7-a30c-4e21-b270-f82884b1813f_1" resourceProfile = {ResourceProfile@4194} "ResourceProfile{managedMemory=64.000mb (67108864 bytes), networkMemory=32.000mb (33554432 bytes)}" allocationID = null jobID = null
- SlotManagerImpl#updateSlot
- SlotManagerImpl#updateSlotState；如果有pendingSlotRequest，就直接分配
- SlotManagerImpl#handleFreeSlot；否则就更新freeSlots变量
- freeSlots.put(freeSlot.getSlotId(), freeSlot);
0x03 生成ExecutionGraph阶段
当Job提交之后，经过一系列处理，Scheduler会建立ExecutionGraph。ExecutionGraph 是 JobGraph 的并行版本。而通过一系列的分析，才可以最终把任务分发到相关的任务槽中。槽会根据CPU的数量提前指定出来，这样可以最大限度的利用CPU的计算资源。如果Slot耗尽，也就意味着新分发的作业任务是无法执行的。
ExecutionGraph：JobManager根据JobGraph生成的分布式执行图，是调度层最核心的数据结构。
一个JobVertex / ExecutionJobVertex代表的是一个operator，而具体的ExecutionVertex则代表了一个Task。
在生成StreamGraph时候，StreamGraph.addOperator方法就已经确定了operator是什么类型，比如OneInputStreamTask，或者SourceStreamTask等。
假设OneInputStreamTask.class即为生成的StreamNode的vertexClass。这个值会一直传递，当StreamGraph被转化成JobGraph的时候，这个值会被传递到JobVertex的invokableClass。然后当JobGraph被转成ExecutionGraph的时候，这个值被传入到ExecutionJobVertex.TaskInformation.invokableClassName中，最后一直传到Task中。
本系列代码执行序列如下：
- JobMaster#createScheduler
- DefaultSchedulerFactory#createInstance
- DefaultScheduler#init
- SchedulerBase#init
- SchedulerBase#createAndRestoreExecutionGraph
- SchedulerBase#createExecutionGraph
- ExecutionGraphBuilder#buildGraph
- ExecutionGraph#attachJobGraph
- ExecutionJobVertex#init，这里根据并行度来确定要建立多少个Task，即多少个ExecutionVertex。
- int numTaskVertices = vertexParallelism > 0 ? vertexParallelism : defaultParallelism; this.taskVertices = new ExecutionVertex[numTaskVertices];
- ExecutionVertex#init，这里会生成Execution。
- this.currentExecution = new Execution( getExecutionGraph().getFutureExecutor(), this, 0, initialGlobalModVersion, createTimestamp, timeout);
0x04 调度阶段
任务的流程就是通过作业分发到TaskManager，然后再分发到指定的Slot进行执行。
这部分调度阶段的代码只是利用CompletableFuture把程序执行架构搭建起来，可以把认为是自顶之下进行操作。
Job开始调度之后，代码执行序列如下：
- JobMaster#startJobExecution
- JobMaster#resetAndStartScheduler
- Future操作
- JobMaster#startScheduling
- SchedulerBase#startScheduling
- DefaultScheduler#startSchedulingInternal
- LazyFromSourcesSchedulingStrategy#startScheduling，这里开始针对Vertices进行资源分配和部署
- allocateSlotsAndDeployExecutionVertices(schedulingTopology.getVertices());
- LazyFromSourcesSchedulingStrategy#allocateSlotsAndDeployExecutionVertices，这里会遍历ExecutionVertex，筛选出Create状态的 & 输入Ready的节点。
- private void allocateSlotsAndDeployExecutionVertices( final Iterable<? extends SchedulingExecutionVertex<?, ?>> vertices) { // 取出状态是CREATED，且输入Ready的 ExecutionVertex final Set<ExecutionVertexID> verticesToDeploy = IterableUtils.toStream(vertices) .filter(IS_IN_CREATED_EXECUTION_STATE.and(isInputConstraintSatisfied())) .map(SchedulingExecutionVertex::getId) .collect(Collectors.toSet()); // 根据 ExecutionVertex 建立 DeploymentOption final List<ExecutionVertexDeploymentOption> vertexDeploymentOptions = ...; // 分配资源并且部署 schedulerOperations.allocateSlotsAndDeploy(vertexDeploymentOptions); }
- DefaultScheduler#allocateSlotsAndDeploy
这里来到了本文第一个关键函数 allocateSlotsAndDeploy。其主要功能是：
- allocateSlots分配Slot，其实这时候并没有分配，而是建立一系列Future，然后根据Future返回SlotExecutionVertexAssignment列表。
- 根据SlotExecutionVertexAssignment建立DeploymentHandle
- 根据deploymentHandles进行部署，其实是根据Future把部署搭建起来，具体如何部署需要在slot分配成功之后再执行。
@Override
public void allocateSlotsAndDeploy(final List<ExecutionVertexDeploymentOption> executionVertexDeploymentOptions) {
validateDeploymentOptions(executionVertexDeploymentOptions);
final Map<ExecutionVertexID, ExecutionVertexDeploymentOption> deploymentOptionsByVertex =
groupDeploymentOptionsByVertexId(executionVertexDeploymentOptions);
final List<ExecutionVertexID> verticesToDeploy = executionVertexDeploymentOptions.stream()
.map(ExecutionVertexDeploymentOption::getExecutionVertexId)
.collect(Collectors.toList());
final Map<ExecutionVertexID, ExecutionVertexVersion> requiredVersionByVertex =
executionVertexVersioner.recordVertexModifications(verticesToDeploy);
transitionToScheduled(verticesToDeploy);
// 分配Slot，其实这时候并没有分配，而是建立一系列Future，然后根据Future返回SlotExecutionVertexAssignment列表
final List<SlotExecutionVertexAssignment> slotExecutionVertexAssignments =
allocateSlots(executionVertexDeploymentOptions);
// 根据SlotExecutionVertexAssignment建立DeploymentHandle
final List<DeploymentHandle> deploymentHandles = createDeploymentHandles(
requiredVersionByVertex,
deploymentOptionsByVertex,
slotExecutionVertexAssignments);
// 根据deploymentHandles进行部署，其实是根据Future把部署搭建起来，具体如何部署需要在slot分配成功之后再执行
if (isDeployIndividually()) {
deployIndividually(deploymentHandles);
} else {
waitForAllSlotsAndDeploy(deploymentHandles);
}
}接下来 两个小章节我们分别针对 allocateSlots 和 deployIndividually / waitForAllSlotsAndDeploy 进行分析。
0x05 分配资源阶段
注意，此处的入口为 allocateSlotsAndDeploy 的allocateSlots 调用。
在分配slot时，首先会在JobMaster中SlotPool中进行分配，具体是先SlotPool中获取所有slot，然后尝试选择一个最合适的slot进行分配，这里的选择有两种策略，即按照位置优先和按照之前已分配的slot优先；若从SlotPool无法分配，则通过RPC请求向ResourceManager请求slot，若此时并未连接上ResourceManager，则会将请求缓存起来，待连接上ResourceManager后再申请。
5.1 CompletableFuture
CompletableFuture 首先是一个 Future，它拥有 Future 所有的功能，包括取得异步执行结果，取消正在执行的任务等，其次是 一个CompleteStage，其最大作用是将回调改为链式调用，从而将 Future 组合起来。
此处生成了执行框架，即通过三个 CompletableFuture 构成了执行框架。
我们按照出现顺序命名为 Future 1，Future 2，Future 3。
但是这个反过来说明反而更方便。我们可以看到，'
出现次序是 Future 1，Future 2，Future 3
调用顺序是 Future 3 ---> Future 2 ---> Future 1
5.1.1 Future 3
我们可以称之为 PhysicalSlot Future
类型是：CompletableFuture
生成在：requestNewAllocatedSlot 函数中对 PendingRequest 的生成。PendingRequest 的构造函数中有 new CompletableFuture<>()，这个 Future 3 是 PendingRequest 的成员变量。
用处是：
- PendingRequest 会 加入到 waitingForResourceManager
回调函数作用是：
- 在 allocateMultiTaskSlot 的 whenComplete 会把payload赋值给slot，allocatedSlot.tryAssignPayload
- 进一步回调在 createRootSlot 函数 的 forward . thenApply 语句，会 设置为 Future 3 回调 Future 2 的回调函数
何时回调：
- TM，TE offer Slot的时候，会根据 PendingRequest 间接回调到这里
6.1.2 Future 2
我们可以称之为 allocationFuture
类型是：
- CompletableFuture ，CompletableFuture 有类型转换
生成在：
- createRootSlot函数中。final CompletableFuture slotContextFutureAfterRootSlotResolution = new CompletableFuture<>();
用处是：
- 把 Future 2 设置为 multiTaskSlot 的成员变量 private final CompletableFuture<? extends SlotContext> slotContextFuture;
- Future 2 其实也就是 SingleTaskSlot 的 parent.getSlotContextFuture()，因为 multiTaskSlot 和 SingleTaskSlot 是父子关系
- 在 SingleTaskSlot 构造函数 中，Future 2 会赋值给 SingleTaskSlot 的成员变量 singleLogicalSlotFuture。
- 即 Future 2 实际上是 SingleTaskSlot 的成员变量 singleLogicalSlotFuture
- SchedulerImpl # allocateSharedSlot 函数，return leaf.getLogicalSlotFuture(); 会被返回 singleLogicalSlotFuture 给外层调用，就是外层看到的 allocationFuture。
回调函数作用是：
- 在 SingleTaskSlot 构造函数 中，会生成一个 SingleLogicalSlot（未来回调时候会真正生成 ）
- 在 internalAllocateSlot 函数中，会回调 Future 1，allocationResultFuture的回调函数
何时回调：
- 被 Future 3 的回调函数调用
6.1.3 Future 1
我们可以称之为 allocationResultFuture
类型是：
- CompletableFuture
生成在：
- SchedulerImpl#allocateSlotInternal，这里生成了第一个 CompletableFuture
用处是：
- 后续 Deploy 时候会用到 这个 Future 1，会通过 handle 给 Future 1 再加上两个后续调用，是在 Future 1 结束之后的后续调用。
回调函数作用是：
- allocateSlotsFor 函数中有错误处理
- 后续 Deploy 时候会用到 这个 Future 1，会通过 handle 给 Future 1 再加上两个后续调用，是在 Future 1 结束之后的后续调用。
何时回调：
- 语句在internalAllocateSlot中，但是在 Future 2 回调函数中调用
5.2 流程图
这里比较复杂，先给出流程图
* Run in Job Manager
*
* DefaultScheduler#allocateSlotsAndDeploy
* |
* +----> DefaultScheduler#allocateSlots
* | //把ExecutionVertex转化为ExecutionVertexSchedulingRequirements
* |
* +----> DefaultExecutionSlotAllocator#allocateSlotsFor（ 调用 1 开始 ）
* | // 得到 我们的第一个 CompletableFuture，我们称之为 Future 1
* |
* |
* +--------------> NormalSlotProviderStrategy#allocateSlot
* |
* |
* +--------------> SchedulerImpl#allocateSlotInternal
* | // 生成了第一个 CompletableFuture，以后称之为 allocationResultFuture
* |
* ┌────────────┐
* │ Future 1 │ 生成 allocationResultFuture
* └────────────┘
* │
* │
* +----> SchedulerImpl#internalAllocateSlot（ 调用 2 开始 ）
* | // Future 1 做为参数被传进来，这里会继续调用，生成 Future 2， Future 3
* |
* |
* +-----------> SchedulerImpl#allocateSharedSlot（ 调用 3 开始 ）
* | // 这里涉及到 MultiTaskSlot 和 SingleTaskSlot
* |
* +-----------> SchedulerImpl # allocateMultiTaskSlot （ 调用 4 开始 ）
* |
* |
* +--------------------> SchedulerImpl # requestNewAllocatedSlot
* |
* |
* +--------------------> SlotPoolImpl#requestNewAllocatedSlot
* | // 这里生成一个 PendingRequest
* | // PendingRequest的构造函数中有 new CompletableFuture<>()，
* | // 所以这里是生成了第三个 Future，注意这里的 Future 是针对 PhysicalSlot
* |
* |
* ┌────────────┐
* │ Future 3 │ 生成 Future<PhysicalSlot>，这个 Future 3 实际是对用户不可见的。
* └────────────┘
* |
* |
* +-----------> SchedulerImpl # allocateMultiTaskSlot（ 调用 4 结束 ）
* | // 回到 （ 调用 4 ） 这里，得倒 Future 3
* | // 这里得倒了第三个 Future<PhysicalSlot>
* | // 第三是因为从用户角度看，它是第三个出现的
* |
* +-----------------------> slotSharingManager # createRootSlot
* | // 把 Future 3 做为参数传进去
* | // 这里马上生成 Future 2
* | // Future 2 被设置为 multiTaskSlot 的成员变量 slotContextFuture;
* | // 然后forward . thenApply 语句 会 设置为 Future 3 回调 Future 2 的回调函数
* |
* |
* +-----------> SchedulerImpl#allocateSharedSlot
* | // 回到 （ 调用 3 ） 这里
* |
* |
* +-----------------------> SlotSharingManager#allocateSingleTaskSlo
* | // 在 rootMultiTaskSlot 之上生成一个 SingleTaskSlot leaf加入到allTaskSlots。
* | // leaf.getLogicalSlotFuture(); 这个就是Future 2，设置好的
* |
* |
* +-----------> SchedulerImpl#allocateSharedSlot
* | // 还在 （ 调用 3 ） 这里
* | // return leaf.getLogicalSlotFuture(); 返回 Future 2
* |
* |
* ┌────────────┐
* │ Future 2 │
* └────────────┘
* |
* |
* |
* +----> SchedulerImpl#internalAllocateSlot
* | // 回到 （ 调用 2 ） 这里
* | // 设置，在 Future 2 的回调函数中会调用 Future 1
* |
* |
* +----> DefaultExecutionSlotAllocator#allocateSlotsFor
* | // 回到 （ 调用 1 ） 这里
* |
* |
* |
* ┌────────────┐
* │ Future 1 │
* └────────────┘
* |
* |
* +----> createDeploymentHandles
* | // 生成 DeploymentHandle
* |
* |
* +-----------> deployIndividually(deploymentHandles);
* | // 这里会给 Future 1 再加上两个 回调函数，作为 部署回调
* | 下图是为了手机阅读。
5.3 具体执行路径
默认情况下，Flink 允许subtasks共享slot，条件是它们都来自同一个Job的不同task的subtask。结果可能一个slot持有该job的整个pipeline。允许slot共享有以下两点好处：
- Flink 集群所需的task slots数与job中最高的并行度一致。也就是说我们不需要再去计算一个程序总共会起多少个task了。
- 更容易获得更充分的资源利用。如果没有slot共享，那么非密集型操作source/flatmap就会占用同密集型操作 keyAggregation/sink 一样多的资源。如果有slot共享，将基线的2个并行度增加到6个，能充分利用slot资源，同时保证每个TaskManager能平均分配到重的subtasks。
此处执行路径大致如下：
- DefaultScheduler#allocateSlotsAndDeploy
- DefaultScheduler#allocateSlots；该过程会把ExecutionVertex转化为ExecutionVertexSchedulingRequirements，会封装包含一些location信息、sharing信息、资源信息等
- DefaultExecutionSlotAllocator#allocateSlotsFor；我们小节实际是从这里开始分析，这里会进行一系列操作，一层层调用下去。首先这个函数会得到我们的第一个 CompletableFuture，我们称之为 allocationResultFuture，这个名字的由来后续就会知道。这个 slotFuture 会赋值给 SlotExecutionVertexAssignment，然后传递给外面。后续 Deploy 时候会用到 这个 slotFuture，会通过 handle 给 slotFuture 再加上两个后续调用，是在slotFuture结束之后的后续调用。
- public List<SlotExecutionVertexAssignment> allocateSlotsFor(...) { for (ExecutionVertexSchedulingRequirements schedulingRequirements : executionVertexSchedulingRequirements) { // 得到第一个 CompletableFuture，具体是在 calculatePreferredLocations 中通过 CompletableFuture<LogicalSlot> slotFuture = calculatePreferredLocations(...).thenCompose(...) -> slotProviderStrategy.allocateSlot( // 函数里面生成了第一个CompletableFuture slotRequestId, new ScheduledUnit(...), SlotProfile.priorAllocation(...))); SlotExecutionVertexAssignment slotExecutionVertexAssignment = new SlotExecutionVertexAssignment(executionVertexId, slotFuture); slotFuture.whenComplete( (ignored, throwable) -> { // 第一个CompletableFuture的回调函数，里其实只是异常处理，后续有人会调用到这里 pendingSlotAssignments.remove(executionVertexId); if (throwable != null) { slotProviderStrategy.cancelSlotRequest(slotRequestId, slotSharingGroupId, throwable); } }); slotExecutionVertexAssignments.add(slotExecutionVertexAssignment); } return slotExecutionVertexAssignments; }
- NormalSlotProviderStrategy#allocateSlot（slotProviderStrategy.allocateSlot）
- SchedulerImpl#allocateSlotInternal，这里生成了第一个 CompletableFuture，我们可以称之为 allocationResultFuture
- private CompletableFuture<LogicalSlot> allocateSlotInternal(...) { // 这里生成了第一个 CompletableFuture，我们以后称之为 allocationResultFuture final CompletableFuture<LogicalSlot> allocationResultFuture = new CompletableFuture<>(); // allocationResultFuture 会传送进去继续处理 internalAllocateSlot(allocationResultFuture, slotRequestId, scheduledUnit, slotProfile, allocationTimeout); // 返回 allocationResultFuture return allocationResultFuture; }
- SchedulerImpl#allocateSlot
- SchedulerImpl#internalAllocateSlot，该方法会根据vertex是否共享slot来分配singleSlot/SharedSlot。这里得到第二个 CompletableFuture，我们以后成为 allocationFuture
- private void internalAllocateSlot( CompletableFuture<LogicalSlot> allocationResultFuture, ...) { // 这里得到第二个 CompletableFuture，我们以后称为 allocationFuture，注意目前只是得到，不是生成。 CompletableFuture<LogicalSlot> allocationFuture = scheduledUnit.getSlotSharingGroupId() == null ? allocateSingleSlot(slotRequestId, slotProfile, allocationTimeout) : allocateSharedSlot(slotRequestId, scheduledUnit, slotProfile, allocationTimeout); // 第二个Future，allocationFuture的回调函数。注意，CompletableFuture可以连续调用多个whenComplete。 allocationFuture.whenComplete((LogicalSlot slot, Throwable failure) -> { if (failure != null) { // 异常处理 cancelSlotRequest(...); allocationResultFuture.completeExceptionally(failure); } else { allocationResultFuture.complete(slot); // 它将回调第一个 allocationResultFuture的回调函数 } }); }
- SchedulerImpl#allocateSharedSlot，这里也比较复杂，涉及到 MultiTaskSlot 和 SingleTaskSlot
- private CompletableFuture<LogicalSlot> allocateSharedSlot(...) { // allocate slot with slot sharing final SlotSharingManager multiTaskSlotManager = slotSharingManagers.computeIfAbsent( scheduledUnit.getSlotSharingGroupId(), id -> new SlotSharingManager(id,slotPool,this)); // 生成 SlotSharingManager final SlotSharingManager.MultiTaskSlotLocality multiTaskSlotLocality; if (scheduledUnit.getCoLocationConstraint() != null) { multiTaskSlotLocality = allocateCoLocatedMultiTaskSlot(...); } else { multiTaskSlotLocality = allocateMultiTaskSlot(...); // 这里生成 MultiTaskSlot } // 这里生成 SingleTaskSlot final SlotSharingManager.SingleTaskSlot leaf = multiTaskSlotLocality.getMultiTaskSlot().allocateSingleTaskSlot(...); return leaf.getLogicalSlotFuture(); // 返回 SingleTaskSlot 的 future，就是第二个Future，具体生成我们在下面会详述 }
- SchedulerImpl # allocateMultiTaskSlot，这里是一个难点函数。因为这里生成了第三个 Future ，这里把第三个 Future 提前说明，第三是因为从用户角度看，它是第三个出现的。
- private SlotSharingManager.MultiTaskSlotLocality allocateMultiTaskSlot(...) { SlotSharingManager.MultiTaskSlot multiTaskSlot = slotSharingManager.getUnresolvedRootSlot(groupId); if (multiTaskSlot == null) { // requestNewAllocatedSlot 会调用 SlotPoolImpl 的同名函数 // 得到第 三 个 Future，注意，这个 Future 针对的是 PhysicalSlot final CompletableFuture<PhysicalSlot> slotAllocationFuture = requestNewAllocatedSlot(...); // 使用 第 三 个 Future 来构建 multiTaskSlot multiTaskSlot = slotSharingManager.createRootSlot(...,slotAllocationFuture,...); // 第 三 个 Future的回调函数，这里会把payload赋值给slot slotAllocationFuture.whenComplete( (PhysicalSlot allocatedSlot, Throwable throwable) -> { final SlotSharingManager.TaskSlot taskSlot = slotSharingManager.getTaskSlot(multiTaskSlotRequestId); if (taskSlot != null) { // 会把payload赋值给slot if (!allocatedSlot.tryAssignPayload(((SlotSharingManager.MultiTaskSlot) taskSlot))) {...} } }); } return SlotSharingManager.MultiTaskSlotLocality.of(multiTaskSlot, Locality.UNKNOWN); }
- SchedulerImpl # requestNewAllocatedSlot 会调用 SlotPoolImpl 的同名函数
- SlotPoolImpl#requestNewAllocatedSlot，这里生成一个 PendingRequest
- public CompletableFuture<PhysicalSlot> requestNewAllocatedSlot(...) { // 生成 PendingRequest final PendingRequest pendingRequest = PendingRequest.createStreamingRequest(slotRequestId, resourceProfile); // 添加 PendingRequest 到 waitingForResourceManager，然后返回Future return requestNewAllocatedSlotInternal(pendingRequest) .thenApply((Function.identity())); }
- PendingRequest的构造函数中有 new CompletableFuture<>()，所以这里是生成了第三个 Future，注意这里的 Future 是针对 PhysicalSlot
- requestNewAllocatedSlotInternal
- private CompletableFuture<AllocatedSlot> requestNewAllocatedSlotInternal(PendingRequest pendingRequest) { if (resourceManagerGateway == null) { // 就是把 pendingRequest 加到 waitingForResourceManager 之中 stashRequestWaitingForResourceManager(pendingRequest); } else { requestSlotFromResourceManager(resourceManagerGateway, pendingRequest); } return pendingRequest.getAllocatedSlotFuture(); // 第三个Future }
- SlotSharingManager#createRootSlot，这里才是生成 第二个 Future 的地方
- MultiTaskSlot createRootSlot( SlotRequestId slotRequestId, CompletableFuture<? extends SlotContext> slotContextFuture, // 参数是第三个Future SlotRequestId allocatedSlotRequestId) { // 生成第二个Future<SlotContext> final CompletableFuture<SlotContext> slotContextFutureAfterRootSlotResolution = new CompletableFuture<>(); final MultiTaskSlot rootMultiTaskSlot = createAndRegisterRootSlot(... slotContextFutureAfterRootSlotResolution); // 第二个Future 在 createAndRegisterRootSlot 函数中 被赋值为 MultiTaskSlot的 slotContextFuture 成员变量 FutureUtils.forward( slotContextFuture.thenApply( // 第三个Future进一步回调时候，会回调第二个Future (SlotContext slotContext) -> { // add the root node to the set of resolved root nodes once the SlotContext future has // been completed and we know the slot's TaskManagerLocation tryMarkSlotAsResolved(slotRequestId, slotContext); return slotContext; }), slotContextFutureAfterRootSlotResolution); // 在这里回调第二个Future return rootMultiTaskSlot; }
- SlotSharingManager#allocateSingleTaskSlot，这里的目的是在 rootMultiTaskSlot 之上生成一个 SingleTaskSlot leaf加入到allTaskSlots。
- SingleTaskSlot allocateSingleTaskSlot( SlotRequestId slotRequestId, ResourceProfile resourceProfile, AbstractID groupId, Locality locality) { final SingleTaskSlot leaf = new SingleTaskSlot( slotRequestId, resourceProfile, groupId, this, locality); children.put(groupId, leaf); // register the newly allocated slot also at the SlotSharingManager allTaskSlots.put(slotRequestId, leaf); reserveResource(resourceProfile); return leaf; }
- 最后回到 SchedulerImpl # allocateSharedSlot 函数，return leaf.getLogicalSlotFuture(); 这里也是一个难点，即 getLogicalSlotFuture 返回的是一个 CompletableFuture（就是第二个 Future），但是这个 SingleLogicalSlot 是未来回调时候才会生成。
- public final class SingleTaskSlot extends TaskSlot { private final MultiTaskSlot parent; // future containing a LogicalSlot which is completed once the underlying SlotContext future is completed private final CompletableFuture<SingleLogicalSlot> singleLogicalSlotFuture; private SingleTaskSlot() { singleLogicalSlotFuture = parent.getSlotContextFuture() .thenApply( (SlotContext slotContext) -> { return new SingleLogicalSlot( // 未来回调时候才会生成 slotRequestId, slotContext, slotSharingGroupId, locality, slotOwner); }); } CompletableFuture<LogicalSlot> getLogicalSlotFuture() { return singleLogicalSlotFuture.thenApply(Function.identity()); } }
0x06 Deploy阶段
注意，此处的入口为 allocateSlotsAndDeploy函数中 的 deployIndividually / waitForAllSlotsAndDeploy 语句。
此处执行路径大致如下：
- DefaultScheduler#allocateSlotsAndDeploy
- DefaultScheduler#allocateSlots；得到 SlotExecutionVertexAssignment 列表，上节已经详细介绍（该过程会ExecutionVertex转化为ExecutionVertexSchedulingRequirements，会封装包含一些location信息、sharing信息、资源信息等）
- List deploymentHandles = createDeploymentHandles() 根据SlotExecutionVertexAssignment建立DeploymentHandle
- DefaultScheduler#deployIndividually 根据deploymentHandles进行部署，其实是根据Future把部署搭建起来，具体如何部署需要在slot分配成功之后再执行。我们小节实际是从这里开始分析，具体代码可以看出，取出了 Future 1 进行一些列操作。
- private void deployIndividually(final List<DeploymentHandle> deploymentHandles) { for (final DeploymentHandle deploymentHandle : deploymentHandles) { FutureUtils.assertNoException( deploymentHandle .getSlotExecutionVertexAssignment() .getLogicalSlotFuture() .handle(assignResourceOrHandleError(deploymentHandle)) .handle(deployOrHandleError(deploymentHandle))); } }
- DefaultScheduler#assignResourceOrHandleError；就是返回函数，以备后续回调使用
- private BiFunction<LogicalSlot, Throwable, Void> assignResourceOrHandleError(final DeploymentHandle deploymentHandle) { final ExecutionVertexVersion requiredVertexVersion = deploymentHandle.getRequiredVertexVersion(); final ExecutionVertexID executionVertexId = deploymentHandle.getExecutionVertexId(); return (logicalSlot, throwable) -> { if (throwable == null) { final ExecutionVertex executionVertex = getExecutionVertex(executionVertexId); final boolean sendScheduleOrUpdateConsumerMessage = deploymentHandle.getDeploymentOption().sendScheduleOrUpdateConsumerMessage(); executionVertex .getCurrentExecutionAttempt() .registerProducedPartitions(logicalSlot.getTaskManagerLocation(), sendScheduleOrUpdateConsumerMessage); executionVertex.tryAssignResource(logicalSlot); } else { handleTaskDeploymentFailure(executionVertexId, maybeWrapWithNoResourceAvailableException(throwable)); } return null; }; }
- deployOrHandleError 就是返回函数，以备后续回调使用
- private BiFunction<Object, Throwable, Void> deployOrHandleError(final DeploymentHandle deploymentHandle) { final ExecutionVertexVersion requiredVertexVersion = deploymentHandle.getRequiredVertexVersion(); final ExecutionVertexID executionVertexId = requiredVertexVersion.getExecutionVertexId(); return (ignored, throwable) -> { if (throwable == null) { deployTaskSafe(executionVertexId); } else { handleTaskDeploymentFailure(executionVertexId, throwable); } return null; }; }
0x07 RM分配资源
之前的工作基本都是在 JM 之中。通过 Scheduler 和 SlotPool 来完成申请资源和部署阶段。目前 SlotPool 之中已经积累了一个 PendingRequest，等 SlotPool 连接上 RM，就可以开始向 RM 申请资源了。
当ResourceManager收到申请slot请求时，若发现该JobManager未注册，则直接抛出异常；否则将请求转发给SlotManager处理，SlotManager中维护了集群所有空闲的slot（TaskManager会向ResourceManager上报自己的信息，在ResourceManager中由SlotManager保存Slot和TaskManager对应关系），并从其中找出符合条件的slot，然后向TaskManager发送RPC请求申请对应的slot。
代码执行路径如下：
- JobMaster # establishResourceManagerConnection 程序执行在 JM 之中
- SlotPoolImpl # connectToResourceManager
- SlotPoolImpl # requestSlotFromResourceManager，这里 Pool 会向 RM 进行 RPC 请求。
- private void requestSlotFromResourceManager( final ResourceManagerGateway resourceManagerGateway, final PendingRequest pendingRequest) { // 生成一个 AllocationID，这个会传到 TM 那里，注册到 TaskSlot上。 final AllocationID allocationId = new AllocationID(); // 生成一个SlotRequest，并且向 RM 进行 RPC 请求。 CompletableFuture<Acknowledge> rmResponse = resourceManagerGateway.requestSlot( jobMasterId, new SlotRequest(jobId, allocationId, pendingRequest.getResourceProfile(), jobManagerAddress), rpcTimeout); }
- RPC
- ResourceManager # requestSlot 程序切换到 RM 之中
- SlotManagerImpl # registerSlotRequest。registerSlotRequest方法会先执行checkDuplicateRequest判断是否有重复，没有重复的话，则将该slotRequest维护到pendingSlotRequests，然后调用internalRequestSlot进行分配，如果出现异常则从pendingSlotRequests中异常，然后抛出SlotManagerException。
- pendingSlotRequests.put
- SlotManagerImpl # internalRequestSlot
- SlotManagerImpl # findMatchingSlot
- SlotManagerImpl # internalAllocateSlot，此时是没有资源的，需要向 TM 要求资源
- private void internalRequestSlot(PendingSlotRequest pendingSlotRequest) throws ResourceManagerException { final ResourceProfile resourceProfile = pendingSlotRequest.getResourceProfile(); OptionalConsumer.of(findMatchingSlot(resourceProfile)) .ifPresent(taskManagerSlot -> allocateSlot(taskManagerSlot, pendingSlotRequest)) .ifNotPresent(() -> fulfillPendingSlotRequestWithPendingTaskManagerSlot(pendingSlotRequest)); }
- SlotManagerImpl # allocateSlot，向task manager要求资源。TaskExecutorGateway接口用来通过RPC分配任务槽，或者说分配任务的资源。
- TaskExecutorGateway gateway = taskExecutorConnection.getTaskExecutorGateway(); CompletableFuture<Acknowledge> requestFuture = gateway.requestSlot( slotId, pendingSlotRequest.getJobId(), allocationId, pendingSlotRequest.getResourceProfile(), pendingSlotRequest.getTargetAddress(), resourceManagerId, taskManagerRequestTimeout);
- RPC
- TaskExecutor # requestSlot，程序切换到 TE
- TaskSlotTableImpl # allocateSlot，分配资源，更新task slot map，把slot加入到 set of job slots 中。
- public boolean allocateSlot(int index, JobID jobId, AllocationID allocationId, ResourceProfile resourceProfile,Time slotTimeout) { taskSlot = new TaskSlot<>(index, resourceProfile, memoryPageSize, jobId, allocationId); taskSlots.put(index, taskSlot); allocatedSlots.put(allocationId, taskSlot); slots.add(allocationId); }
0x08 Offer资源阶段
此阶段是由 TE，TM 开始，就是TE 向 RM 提供 Slot，然后 RM 通知 JM 可以运行 Job。也可以认为这部分是从底向上的执行。
等待所有的slot申请完成后，然后会将ExecutionVertex对应的Execution分配给对应的Slot，即从Slot中分配对应的资源给Execution，完成分配后可开始部署作业。
这里两个关键点是：
- 当 JM 收到 SlotOffer时候，就会根据 RPC传递过来的 taskManagerId 参数，构建一个 taskExecutorGateway，然后这个 taskExecutorGateway 被赋予为 AllocatedSlot . taskManagerGateway。这样就把 JM 范畴的 Slot 和 Slot 所在的 taskManager 联系起来。
- Execution 部署时候，是 从 SingleLogicalSlot ---> AllocatedSlot ---> TaskManagerGateway 这个顺序获取了 TaskManager 的 RPC 网关，然后通过 taskManagerGateway.submitTask 才能提交任务的。这样就把 Execution 部署阶段和执行阶段联系起来了。
---------- Task Executor ----------
│
│
┌─────────────┐
│ TaskSlot │ requestSlot
└─────────────┘
│
│
┌──────────────┐
│ SlotOffer │ offerSlotsToJobManager
└──────────────┘
│
│
------------- Job Manager -------------
│
│
┌──────────────┐
│ SlotOffer │ JobMaster#offerSlots(taskManagerId,slots)
└──────────────┘
│ //taskManager = registeredTaskManagers.get(taskManagerId);
│ //taskManagerLocation = taskManager.f0;
│ //taskExecutorGateway = taskManager.f1;
│
│
┌──────────────┐
│ SlotOffer │ SlotPoolImpl#offerSlots
└──────────────┘
│
│
┌───────────────┐
│ AllocatedSlot │ SlotPoolImpl#offerSlot
└───────────────┘
│
│
┌───────────────┐
│ 回调 Future 3 │ SlotSharingManager#createRootSlot
└───────────────┘
│
│
┌───────────────┐
│ 回调 Future 2 │ SingleTaskSlot#SingleTaskSlot
└───────────────┘
│
│
┌───────────────────┐
│ SingleLogicalSlot │ new SingleLogicalSlot
└───────────────────┘
│
│
┌───────────────────┐
│ SingleLogicalSlot │
│ 回调 Future 1 │ allocationResultFuture.complete()
└───────────────────┘
│
│
┌───────────────────────────────┐
│ SingleLogicalSlot │
│回调 assignResourceOrHandleError│
└───────────────────────────────┘
│
│
┌────────────────┐
│ ExecutionVertex│ tryAssignResource
└────────────────┘
│
│
┌────────────────┐
│ Execution │ tryAssignResource
└────────────────┘
│
│
┌──────────────────┐
│ SingleLogicalSlot│ tryAssignPayload
└──────────────────┘
│
│
┌───────────────────────┐
│ SingleLogicalSlot │
│ 回调deployOrHandleError│
└───────────────────────┘
│
│
┌────────────────┐
│ ExecutionVertex│ deploy
└────────────────┘
│
│
┌────────────────┐
│ Execution │ deploy // 关键点
└────────────────┘
│
│
│
---------- Task Executor ----------
│
│
┌────────────────┐
│ TaskExecutor │ submitTask
└────────────────┘
│
│
┌────────────────┐
│ TaskExecutor │ startTaskThread
└────────────────┘ 执行路径如下：
- TaskExecutor # establishJobManagerConnection
- TaskExecutor # offerSlotsToJobManager，这里就是遍历已经分配的TaskSlot，然后每个TaskSlot会生成一个SlotOffer（里面是allocationId，slotIndex，resourceProfile），这个会通过RPC发给 JM。
- private void offerSlotsToJobManager(final JobID jobId) { final Iterator<TaskSlot<Task>> reservedSlotsIterator = taskSlotTable.getAllocatedSlots(jobId); final JobMasterId jobMasterId = jobManagerConnection.getJobMasterId(); final Collection<SlotOffer> reservedSlots = new HashSet<>(2); while (reservedSlotsIterator.hasNext()) { SlotOffer offer = reservedSlotsIterator.next().generateSlotOffer(); reservedSlots.add(offer); } // 把 SlotOffer 通过RPC发给 JM CompletableFuture<Collection<SlotOffer>> acceptedSlotsFuture = jobMasterGateway.offerSlots( getResourceID(), reservedSlots, taskManagerConfiguration.getTimeout()); }
- RPC
- JobMaster # offerSlots 。程序执行到 JM。当 JM 收到 SlotOffer时候，就会根据 RPC传递过来的 taskManagerId 参数，构建一个 taskExecutorGateway，然后这个 taskExecutorGateway 被赋予为 AllocatedSlot . taskManagerGateway。这样就把 JM 范畴的 Slot 和 Slot 所在的 taskManager 联系起来。
- public CompletableFuture<Collection<SlotOffer>> offerSlots( final ResourceID taskManagerId, final Collection<SlotOffer> slots, final Time timeout) { Tuple2<TaskManagerLocation, TaskExecutorGateway> taskManager = registeredTaskManagers.get(taskManagerId); final TaskManagerLocation taskManagerLocation = taskManager.f0; final TaskExecutorGateway taskExecutorGateway = taskManager.f1; final RpcTaskManagerGateway rpcTaskManagerGateway = new RpcTaskManagerGateway(taskExecutorGateway, getFencingToken()); return CompletableFuture.completedFuture( slotPool.offerSlots( taskManagerLocation, rpcTaskManagerGateway, slots)); }
- SlotPoolImpl # offerSlots
- SlotPoolImpl # offerSlot，这里根据 SlotOffer 的信息生成一个 AllocatedSlot，对于 AllocatedSlot 来说，有效信息就是 slotIndex, resourceProfile。提醒，AllocatedSlot implements PhysicalSlot。
- boolean offerSlot( final TaskManagerLocation taskManagerLocation, final TaskManagerGateway taskManagerGateway, final SlotOffer slotOffer) { // 根据 SlotOffer 的信息生成一个 AllocatedSlot，对于 AllocatedSlot 来说，有效信息就是 slotIndex, resourceProfile final AllocatedSlot allocatedSlot = new AllocatedSlot( allocationID, taskManagerLocation, slotOffer.getSlotIndex(), slotOffer.getResourceProfile(), taskManagerGateway); allocatedSlots.add(pendingRequest.getSlotRequestId(), allocatedSlot); if (pendingRequest != null) { allocatedSlots.add(pendingRequest.getSlotRequestId(), allocatedSlot); // 这里取出了 pendingRequest 的 Future, 就是我们之前的 Future 3，进行回调 if (!pendingRequest.getAllocatedSlotFuture().complete(allocatedSlot)) { // we could not complete the pending slot future --> try to fulfill another pending request allocatedSlots.remove(pendingRequest.getSlotRequestId()); tryFulfillSlotRequestOrMakeAvailable(allocatedSlot); } } }
- 开始回调 Future 3，代码在 SlotSharingManager # createRootSlot 这里
- FutureUtils.forward( slotContextFuture.thenApply( (SlotContext slotContext) -> { // add the root node to the set of resolved root nodes once the SlotContext future has // been completed and we know the slot's TaskManagerLocation tryMarkSlotAsResolved(slotRequestId, slotContext); // 运行到这里 return slotContext; }), slotContextFutureAfterRootSlotResolution); // 然后到这里
- 开始回调 Future 2，代码在 SingleTaskSlot 构造函数 ，因为有 PhysicalSlot extends SlotContext， 所以这里就把 物理Slot 映射成了一个 逻辑Slot
- singleLogicalSlotFuture = parent.getSlotContextFuture() .thenApply( (SlotContext slotContext) -> { return new SingleLogicalSlot( // 回调生成了 SingleLogicalSlot slotRequestId, slotContext, slotSharingGroupId, locality, slotOwner); });
- 开始回调 Future 1，代码在这里，调用到 后续 Deploy 时候设置的回调函数。
- allocationFuture.whenComplete((LogicalSlot slot, Throwable failure) -> { if (failure != null) { cancelSlotRequest( slotRequestId, scheduledUnit.getSlotSharingGroupId(), failure); allocationResultFuture.completeExceptionally(failure); } else { allocationResultFuture.complete(slot); // 代码在这里 } });
- 继续回调到 Deploy 阶段设置的回调函数 assignResourceOrHandleError，就是分配资源
- private BiFunction<LogicalSlot, Throwable, Void> assignResourceOrHandleError(final DeploymentHandle deploymentHandle) { return (logicalSlot, throwable) -> { if (executionVertexVersioner.isModified(requiredVertexVersion)) { if (throwable == null) { final ExecutionVertex executionVertex = getExecutionVertex(executionVertexId); final boolean sendScheduleOrUpdateConsumerMessage = deploymentHandle.getDeploymentOption().sendScheduleOrUpdateConsumerMessage(); executionVertex .getCurrentExecutionAttempt() .registerProducedPartitions(logicalSlot.getTaskManagerLocation(), sendScheduleOrUpdateConsumerMessage); executionVertex.tryAssignResource(logicalSlot); // 运行到这里 } return null; }; }
- 回调函数会深入调用 executionVertex.tryAssignResource，
- ExecutionVertex # tryAssignResource
- Execution # tryAssignResource
- SingleLogicalSlot# tryAssignPayload(this)，这里会把 Execution 自己 赋值给Slot.payload，最后 Execution 在 runtime 的变量举例如下：
- payload = {Execution@10669} "Attempt #0 (CHAIN DataSource (at getDefaultTextLineDataSet(WordCountData.java:47) (org.apache.flink.api.java.io.CollectionInputFormat)) -> FlatMap (FlatMap at main(WordCount.java:64)) -> Combine (SUM(1), at main(WordCount.java:67) (1/1)) @ org.apache.flink.runtime.jobmaster.slotpool.SingleLogicalSlot@61c7928f - [SCHEDULED]" executor = {ScheduledThreadPoolExecutor@5928} "java.util.concurrent.ScheduledThreadPoolExecutor@6a2c6c71[Running, pool size = 3, active threads = 0, queued tasks = 1, completed tasks = 2]" vertex = {ExecutionVertex@10534} "CHAIN DataSource (at getDefaultTextLineDataSet(WordCountData.java:47) (org.apache.flink.api.java.io.CollectionInputFormat)) -> FlatMap (FlatMap at main(WordCount.java:64)) -> Combine (SUM(1), at main(WordCount.java:67) (1/1)" attemptId = {ExecutionAttemptID@10792} "2f8b6c7297527225ee4c8036c457ba27" globalModVersion = 1 stateTimestamps = {long[9]@10793} attemptNumber = 0 rpcTimeout = {Time@5924} "18000000 ms" partitionInfos = {ArrayList@10794} size = 0 terminalStateFuture = {CompletableFuture@10795} "java.util.concurrent.CompletableFuture@2eb8f94c[Not completed]" releaseFuture = {CompletableFuture@10796} "java.util.concurrent.CompletableFuture@7c794914[Not completed]" taskManagerLocationFuture = {CompletableFuture@10797} "java.util.concurrent.CompletableFuture@2e11ac18[Not completed]" state = {ExecutionState@10789} "SCHEDULED" assignedResource = {SingleLogicalSlot@10507} failureCause = null taskRestore = null assignedAllocationID = null accumulatorLock = {Object@10798} userAccumulators = null ioMetrics = null producedPartitions = {LinkedHashMap@10799} size = 1
- 继续回调到 Deploy 阶段设置的回调函数 deployOrHandleError，就是部署
- private BiFunction<Object, Throwable, Void> deployOrHandleError(final DeploymentHandle deploymentHandle) { return (ignored, throwable) -> { if (executionVertexVersioner.isModified(requiredVertexVersion)) { if (throwable == null) { deployTaskSafe(executionVertexId); // 在这里部署 } else { handleTaskDeploymentFailure(executionVertexId, throwable); } return null; }; }
- 回调函数深入调用其他函数
- DefaultScheduler # deployTaskSafe
- ExecutionVertex # deploy
- Execution # deploy。每次调度ExecutionVertex，都会有一个Execution，在此阶段会将Execution的状态变更为DEPLOYING状态，并且为该ExecutionVertex生成对应的部署描述信息，然后从对应的slot中获取对应的TaskManagerGateway，以便向对应的TaskManager提交Task。其中，ExecutionVertex.createDeploymentDescriptor方法中，包含了从Execution Graph到真正物理执行图的转换。如将IntermediateResultPartition转化成ResultPartition，ExecutionEdge转成InputChannelDeploymentDescriptor（最终会在执行时转化成InputGate）。
- // 这里一个关键点是：Execution 部署时候，是 从 SingleLogicalSlot ---> AllocatedSlot ---> TaskManagerGateway 这个顺序获取了 TaskManager 的 RPC 网关，然后通过 taskManagerGateway.submitTask 才能提交任务的。这样就把 Execution 部署阶段和执行阶段联系起来了 public void deploy() throws JobException { final TaskDeploymentDescriptor deployment = TaskDeploymentDescriptorFactory .fromExecutionVertex(vertex, attemptNumber) .createDeploymentDescriptor( slot.getAllocationId(), slot.getPhysicalSlotNumber(), taskRestore, producedPartitions.values()); // 这里就是关键点 final TaskManagerGateway taskManagerGateway = slot.getTaskManagerGateway(); // 在这里通过RPC提交task给了TaskManager CompletableFuture.supplyAsync(() -> taskManagerGateway.submitTask(deployment, rpcTimeout), executor).thenCompose(Function.identity()) }
- TaskExecutor # submitTask, 程序执行到 TE，这就是正式执行了。TaskManager（TaskExecutor）在接收到提交Task的请求后，会经过一些初始化（如从BlobServer拉取文件，反序列化作业和Task信息、LibaryCacheManager等），然后这些初始化的信息会用于生成Task(Runnable对象)，然后启动该Task，其代码调用路径如下 Task#startTaskThread（启动Task线程）-> Task#run（将ExecutionVertex状态变更为RUNNING状态，此时在FLINK web前台查看顶点状态会变更为RUNNING状态，另外还会生成了一个AbstractInvokable对象，该对象是FLINK衔接执行用户代码的关键。
- // 这个方法会创建真正的Task，然后调用task.startTaskThread();开始task的执行。 public CompletableFuture<Acknowledge> submitTask( TaskDeploymentDescriptor tdd, JobMasterId jobMasterId, Time timeout) { // taskSlot.getMemoryManager(); 会获取slot的内存管理器，这里就是分割内存的部分功能 memoryManager = taskSlotTable.getTaskMemoryManager(tdd.getAllocationId()); // 在Task构造函数中，会根据输入的参数，创建InputGate, ResultPartition, ResultPartitionWriter等。 Task task = new Task( jobInformation, taskInformation, tdd.getExecutionAttemptId(), tdd.getAllocationId(), tdd.getSubtaskIndex(), tdd.getAttemptNumber(), tdd.getProducedPartitions(), tdd.getInputGates(), tdd.getTargetSlotNumber(), memoryManager, taskExecutorServices.getIOManager(), taskExecutorServices.getShuffleEnvironment(), taskExecutorServices.getKvStateService(), taskExecutorServices.getBroadcastVariableManager(), taskExecutorServices.getTaskEventDispatcher(), taskStateManager, taskManagerActions, inputSplitProvider, checkpointResponder, aggregateManager, blobCacheService, libraryCache, fileCache, taskManagerConfiguration, taskMetricGroup, resultPartitionConsumableNotifier, partitionStateChecker, getRpcService().getExecutor()); taskAdded = taskSlotTable.addTask(task); task.startTaskThread(); }
- 开始了线程了。而
startTaskThread方法，则会执行executingThread.start，从而调用Task.run方法。- public void startTaskThread() { executingThread.start(); }
- 最后会执行到 Task，就是调用用户代码。这里的invokable即为operator对象实例，通过反射创建。具体地，即为OneInputStreamTask，或者SourceStreamTask等。以OneInputStreamTask为例，Task的核心执行代码即为
OneInputStreamTask.invoke方法，它会调用StreamTask.run方法，这是个抽象方法，最终会调用其派生类的run方法，即OneInputStreamTask, SourceStreamTask等。- // 这里的invokable即为operator对象实例，通过反射创建。 private void doRun() { AbstractInvokable invokable = null; invokable = loadAndInstantiateInvokable(userCodeClassLoader, nameOfInvokableClass, env); // run the invokable invokable.invoke(); }
- tryFulfillSlotRequestOrMakeAvailable
0x09 Slot发挥作用
有人可能有一个疑问：Slot分配之后，在运行时候怎么发挥作用呢？
这里我们就用WordCount示例来看看。
示例代码就是WordCount。只不过做了一些配置：
- taskmanager.numberOfTaskSlots 是为了设置有几个taskmanager。
- 其他是为了调试，加长了心跳时间或者超时时间。
public class WordCount {
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
conf.setString("heartbeat.timeout", "18000000");
conf.setString("resourcemanager.job.timeout", "18000000");
conf.setString("resourcemanager.taskmanager-timeout", "18000000");
conf.setString("slotmanager.request-timeout", "18000000");
conf.setString("slotmanager.taskmanager-timeout", "18000000");
conf.setString("slot.request.timeout", "18000000");
conf.setString("slot.idle.timeout", "18000000");
conf.setString("akka.ask.timeout", "18000000");
conf.setString("taskmanager.numberOfTaskSlots", "1");
final LocalEnvironment env = ExecutionEnvironment.createLocalEnvironment(conf);
final MultipleParameterTool params = MultipleParameterTool.fromArgs(args);
env.getConfig().setGlobalJobParameters(params);
// get input data
DataSet<String> text = null;
if (params.has("input")) {
// union all the inputs from text files
for (String input : params.getMultiParameterRequired("input")) {
if (text == null) {
text = env.readTextFile(input);
} else {
text = text.union(env.readTextFile(input));
}
}
} else {
// get default test text data
text = WordCountData.getDefaultTextLineDataSet(env);
}
DataSet<Tuple2<String, Integer>> counts =
// split up the lines in pairs (2-tuples) containing: (word,1)
text.flatMap(new Tokenizer())
// group by the tuple field "0" and sum up tuple field "1"
.groupBy(0)
.sum(1);
// emit result
if (params.has("output")) {
counts.writeAsCsv(params.get("output"), "n", " ");
env.execute("WordCount Example");
} else {
counts.print();
}
}
// *************************************************************************
// USER FUNCTIONS
// *************************************************************************
public static final class Tokenizer implements FlatMapFunction<String, Tuple2<String, Integer>> {
@Override
public void flatMap(String value, Collector<Tuple2<String, Integer>> out) {
// normalize and split the line
String[] tokens = value.toLowerCase().split("\W+");
// emit the pairs
for (String token : tokens) {
if (token.length() > 0) {
out.collect(new Tuple2<>(token, 1));
}
}
}
}
}9.1 部署阶段
这里 Slot 起到了一个承接作用，把具体提交部署和执行阶段联系起来。
前面提到，当TE 提交一个Slot之后，RM会在这个Slot上提交Task。具体逻辑如下：
每次调度ExecutionVertex，都会有一个Execution。在 Execution # deploy 函数中。
- 会将Execution的状态变更为DEPLOYING状态，并且为该ExecutionVertex生成对应的部署描述信息。其中，ExecutionVertex.createDeploymentDescriptor方法中，包含了从Execution Graph到真正物理执行图的转换。
- 如将IntermediateResultPartition转化成ResultPartition
- ExecutionEdge转成InputChannelDeploymentDescriptor（最终会在执行时转化成InputGate）。
- 然后从对应的slot中获取对应的TaskManagerGateway，以便向对应的TaskManager提交Task。这里一个关键点是：Execution 部署时候，是 从 SingleLogicalSlot ---> AllocatedSlot ---> TaskManagerGateway 这个顺序获取了 TaskManager 的 RPC 网关。
- 最后通过 taskManagerGateway.submitTask 提交 Task。
具体代码如下：
// 这里一个关键点是：Execution 部署时候，是 从 SingleLogicalSlot ---> AllocatedSlot ---> TaskManagerGateway 这个顺序获取了 TaskManager 的 RPC 网关，然后通过 taskManagerGateway.submitTask 才能提交任务的。这样就把 Execution 部署阶段和执行阶段联系起来了
public void deploy() throws JobException {
final TaskDeploymentDescriptor deployment = TaskDeploymentDescriptorFactory
.fromExecutionVertex(vertex, attemptNumber)
.createDeploymentDescriptor(
slot.getAllocationId(),
slot.getPhysicalSlotNumber(),
taskRestore,
producedPartitions.values());
// 这里就是关键点
final TaskManagerGateway taskManagerGateway = slot.getTaskManagerGateway();
// 在这里通过RPC提交task给了TaskManager
CompletableFuture.supplyAsync(() -> taskManagerGateway.submitTask(deployment, rpcTimeout), executor).thenCompose(Function.identity())
}9.2 运行阶段
这里仅以Split为例子说明，Slot在其中也起到了连接作用，用户从Slot中可以得到其 TaskManager 的host，然后Split会根据这个host继续操作。
当 Source 读取输入之后，可能涉及到分割输入，Flink就会进行输入分片的切分。
9.2.1 FileInputSplit 的由来
Flink 一般把文件按并行度拆分成FileInputSplit的个数，当然并不是完全有几个并行度就生成几个FileInputSplit对象，根据具体算法得到，但是FileInputSplit个数，一定是（并行度个数，或者并行度个数+1）。因为计算FileInputSplit个数时，参照物是文件大小 / 并行度 ，如果没有余数，刚好整除，那么FileInputSplit个数一定是并行度，如果有余数，FileInputSplit个数就为是(并行度个数，或者并行度个数+1)。
Flink在生成阶段，会把JobVertex 转化为ExecutionJobVertex,调用new ExecutionJobVertex()，ExecutionJobVertex中存了inputSplits，所以会根据并行并来计算inputSplits的个数。
在 ExecutionJobVertex 构造函数中有如下代码，这些代码作用是生成 InputSplit，赋值到 ExecutionJobVertex 的成员变量 inputSplits 中，这样就知道了从哪里得倒 Split：
// set up the input splits, if the vertex has any
try {
InputSplitSource<InputSplit> splitSource = (InputSplitSource<InputSplit>) jobVertex.getInputSplitSource();
if (splitSource != null) {
try {
inputSplits = splitSource.createInputSplits(numTaskVertices);
if (inputSplits != null) {
splitAssigner = splitSource.getInputSplitAssigner(inputSplits);
}
}
}
// 此时splitSource如下：
splitSource = {CollectionInputFormat@7603} "[To be, or not to be,--that is the question:--, Whether 'tis nobler in the mind to suffer, The slings and arrows of outrageous fortune, ...]"
serializer = {StringSerializer@7856}
dataSet = {ArrayList@7857} size = 35
iterator = null
partitionNumber = 0
runtimeContext = null 9.2.2 File Split
这里以网上文章Flink-1.10.0中的readTextFile解读内容为例，给大家看看文件切片大致流程。当然他介绍的是Stream类型。
readTextFile分成两个阶段，一个Source，一个Split Reader。这两个阶段可以分为多个线程，不一定是2个线程。因为Split Reader的并行度时根据配置文件或者启动参数来决定的。
Source的执行流程如下，Source的是用来构建输入切片的，不做数据的读取操作。这里是按照本地运行模式整理的。
Task.run()
|-- invokable.invoke()
| |-- StreamTask.invoke()
| | |-- beforeInvoke()
| | | |-- init()
| | | | |-- SourceStreamTask.init()
| | | |-- initializeStateAndOpen()
| | | | |-- operator.initializeState()
| | | | |-- operator.open()
| | | | | |-- SourceStreamTask.LegacySourceFunctionThread.run()
| | | | | | |-- StreamSource.run()
| | | | | | | |-- userFunction.run(ctx)
| | | | | | | | |-- ContinuousFileMonitoringFunction.run()
| | | | | | | | | |-- RebalancePartitioner.selectChannel()
| | | | | | | | | |-- RecordWriter.emit()Split Reader的代码执行流程如下：
Task.run()
|-- invokable.invoke()
| |-- StreamTask.invoke()
| | |-- beforeInvoke()
| | | |-- init()
| | | | |--OneInputStreamTask.init()
| | | |-- initializeStateAndOpen()
| | | | |-- operator.initializeState()
| | | | | |-- ContinuousFileReaderOperator.initializeState()
| | | | |-- operator.open()
| | | | | |-- ContinuousFileReaderOperator.open()
| | | | | | |-- ContinuousFileReaderOperator.SplitReader.run()
| | |-- runMailboxLoop()
| | | |-- StreamTask.processInput()
| | | | |-- StreamOneInputProcessor.processInput()
| | | | | |-- StreamTaskNetworkInput.emitNext() while循环不停的处理输入数据
| | | | | | |-- ContinuousFileReaderOperator.processElement()
| | |-- afterInvoke() 9.2.3 Slot的使用
针对本文示例，我们重点介绍Slot在其中的使用。
调用路径如下：
- DataSourceTask # invoke，此时运行在 TE
- DataSourceTask # hasNext
- while (!this.taskCanceled && splitIterator.hasNext())
- RpcInputSplitProvider # getNextInputSplit
- CompletableFuture<SerializedInputSplit> futureInputSplit = jobMasterGateway.requestNextInputSplit( jobVertexID, executionAttemptID);
- RPC
- 来到 JM
- JobMaster # requestNextInputSplit
- SchedulerBase # requestNextInputSplit，这里会从 executionGraph 获取 Execution，然后从 Execution 获取 InputSplit
- public SerializedInputSplit requestNextInputSplit(JobVertexID vertexID, ExecutionAttemptID executionAttempt) throws IOException { final Execution execution = executionGraph.getRegisteredExecutions().get(executionAttempt); final ExecutionJobVertex vertex = executionGraph.getJobVertex(vertexID); final InputSplit nextInputSplit = execution.getNextInputSplit(); final byte[] serializedInputSplit = InstantiationUtil.serializeObject(nextInputSplit); return new SerializedInputSplit(serializedInputSplit); }
- 这里 execution.getNextInputSplit() 就会调用 Slot，可以看到，这里先获取Slot，然后从Slot获取其 TaskManager 的host。再从 Vertiex 获取 InputSplit。
- public InputSplit getNextInputSplit() { final LogicalSlot slot = this.getAssignedResource(); final String host = slot != null ? slot.getTaskManagerLocation().getHostname() : null; return this.vertex.getNextInputSplit(host); }
- public InputSplit getNextInputSplit(String host) { final int taskId = getParallelSubtaskIndex(); synchronized (inputSplits) { final InputSplit nextInputSplit = jobVertex.getSplitAssigner().getNextInputSplit(host, taskId); if (nextInputSplit != null) { inputSplits.add(nextInputSplit); } return nextInputSplit; } } // runtime 信息如下 inputSplits = {GenericInputSplit[1]@13113} 0 = {GenericInputSplit@13121} "GenericSplit (0/1)" partitionNumber = 0 totalNumberOfPartitions = 1
- 回到 SchedulerBase # requestNextInputSplit，返回 return new SerializedInputSplit(serializedInputSplit);
- RPC
- 返回 算子 Task，TE，获取到了 InputSplit，就可以继续处理输入。
- final InputSplit split = splitIterator.next(); final InputFormat<OT, InputSplit> format = this.format; // open input format // open还没开始真正的读数据，只是定位，设置当前切片信息(切片的开始位置，切片长度)，和定位开始位置。把第一个换行符，分到前一个分片，自己从第二个换行符开始读取数据 format.open(split);
0xFF 参考
Flink Slot详解与Job Execution Graph优化
聊聊flink的slot.request.timeout配置
Apache Flink 源码解析（三）Flink on Yarn (2) Resource Manager
Flink on Yarn模式下的TaskManager个数
Flink on YARN时，如何确定TaskManager数
Flink原理与实现：如何生成ExecutionGraph及物理执行图
flink源码解析3 ExecutionGraph的形成与物理执行
Flink1.7.2 Dataset 文件切片计算方式和切片数据读取源码分析
- Angular开发实践（六）：服务端渲染
- Leetcode-Easy 657. Judge Route Circle
- 洛谷P1138 第k小整数
- Leetcode-Easy 796. Rotate String
- 2017.10.23解题报告
- Leetcode-Easy 461.Hamming Distance
- 洛谷P1439 最长公共子序列（LCS问题）
- Leetcode-Easy 575. Distribute Candies
- 洛谷P2115 [USACO14MAR]破坏Sabotage
- 修改nw.js的exe文件使其请求管理员权限
- Leetcode-Easy 728. Self Dividing Numbers
- Leetcode-Easy 412. Fizz Buzz
- 洛谷P2678 跳石头
- 洛谷P2863 [USACO06JAN]牛的舞会The Cow Prom
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- 轻松上手SpringBoot Security + JWT Hello World示例
- [Go] Golang发送http GET请求
- Windows系统快速安装Superset 0.37
- 商业数据分析从入门到入职（3）Excel进阶应用
- python列表练习
- python元组
- python字典、集合
- 秒懂JVM的三大参数类型，就靠这十个小实验了
- Netty之旅三：Netty服务端启动源码分析，一梭子带走！
- Mysql几种join连接算法
- Flutter 学习笔记 16 - Hero 动画
- sdk冲突记录
- 个人账号密码管理体系（密码篇）
- 熬夜7天，我总结了JavaScript与ES的25个重要知识点！
- 【分享】MPSoC SWDT在Standalone下的应用