Apache DolphinScheduler Worker Task执行原理解析

大家好，我是蔡顺峰，是白鲸开源的高级数据工程师，同时也是Apache DolphinScheduler社区的committer和PMC member。今天我要分享的主题是《Worker Task执行原理》。

整个分享会分为三个章节：

1. Apache DolphinScheduler的介绍
2. Apache DolphinScheduler的整体设计背景
3. Worker任务的具体执行过程

项目介绍

Apache DolphinScheduler是一个分布式、易扩展的可视化工作流调度开源系统，适用于企业级场景。

它提供了以下主要功能，通过可视化操作，提供了工作流和任务全生命周期的数据处理解决方案。

主要特性

简单易用

• 可视化DAG操作：用户可以在页面上通过拖拉拽来编排不同的组件，形成DAG（有向无环图）。
• 插件化体系：包括任务插件、数据源插件、告警插件、存储插件、注册中心插件和定时任务插件等。用户可以根据需要方便地进行插件扩展，以适应自己的业务需求。

丰富的使用场景

• 静态配置：包括工作流定时配置、上线下线操作、版本管理和补数功能。
• 运行态操作：提供了暂停、停止、恢复和参数替换等功能。
• 依赖类型：支持丰富的依赖选项和策略，适应更多场景。
• 参数传递：支持工作流级别的启动参数、全局参数、任务级别的本地参数和动态传参。

高可靠性

• 去中心化设计：各个服务均为无状态，可以水平扩展节点，提高系统的吞吐能力。
• 过载保护和实例容错 ：
  • 过载保护：在运行过程中，master和worker会检测自身的CPU和内存使用情况，以及任务量。如果过载，会暂停本轮工作流/任务的处理分发，等恢复后再继续处理。
  • 实例容错：当master/worker节点挂掉时，注册中心会感知服务节点下线，并对工作流实例或任务实例进行容错处理，尽量保证系统的自恢复能力。

整体设计背景

项目架构

下面介绍一下整体的设计背景，以下是官网提供的设计架构图。

从架构图中我们可以看到，Apache DolphinScheduler由几个主要组件构成：

1. API组件：API服务主要负责元数据管理，通过API服务与UI交互，或通过API接口调用来创建工作流任务，以及工作流所需的各种资源。
2. Master组件：Master是工作流实例的掌管者，负责消费命令并转换为工作流实例，进行DAG的切分，按顺序提交任务，并将任务分发给worker。
3. Worker组件：Worker是具体的任务执行者。收到任务后，按不同任务类型进行处理，并与Master交互，回传任务状态。值得一提的是，Worker服务不与数据库交互，只有API、Master和Alert这三个服务与数据库交互。
4. 告警服务：告警服务通过不同的告警插件发送告警信息。这些服务会注册到注册中心，Master和Worker会定期上报心跳和当前状态，确保能正常接收任务。

Master和Worker的交互过程

Master和Worker的交互过程如下：

任务提交：Master完成DAG切分后，将任务提交到数据库，并根据不同的分发策略选择合适的Worker分组进行任务分发。

任务接收：Worker接收到任务后，查看自身情况决定是否接收任务。接收成功或失败都会有反馈。

任务执行：Worker处理任务，并将状态更新为running，回馈给Master。Master更新任务的状态和启动时间等信息到数据库。

任务完成：任务执行完毕后，Worker发送finish事件通知Master，Master返回ACK确认。如果没有ACK，Worker会不断重试，确保任务事件不丢失。

Worker接收任务

Worker接收任务时会进行以下操作：

1. 填充自己的host信息。
2. 生成Worker机器上的日志路径。
3. 生成Worker Task Executor，将其提交到线程池中等待执行。

Worker会判断自身是否过载，如果过载会拒收任务。Master接收到任务分发失败的返回后，会根据分发策略继续选择其他Worker进行任务分发。

Worker 执行过程

Worker任务的具体执行过程包括以下几个步骤：

1. 任务初始化：初始化任务所需的环境和依赖。
2. 任务执行：执行具体的任务逻辑。
3. 任务完成：任务执行完成后，向Master节点汇报任务的执行结果。

接下来我们详细讲解任务的具体执行过程。

在任务执行开始之前，首先会初始化一个上下文（context）。此时会设置任务的开始时间（start time）。为了保证任务的准确性，需要确保Master和Worker之间的时间同步，避免时间漂移。随后，将任务状态设置为running，并回馈给Master，告知任务开始运行。

由于大部分任务运行在Linux操作系统上，因此需要进行租户和文件的处理：

• 租户处理：首先判断租户是否存在。如果不存在，则根据配置决定是否自动创建租户。这需要部署用户具有sudo权限，以便在执行任务时切换到指定租户。
• 特定用户：对于某些场景，不需要切换租户，只需使用特定用户执行任务。此种情况下，系统同样支持。

处理完租户后，Worker会创建具体的执行目录。执行目录的根目录是可配置的，并需要进行相应的授权。默认情况下，目录的权限设置为755。

任务在执行过程中可能需要使用各种资源文件，例如从AWS S3或HDFS集群中拉取文件。系统会将这些文件下载到Worker的临时目录中，供后续任务使用。

在Apache DolphinScheduler中，支持对参数变量进行替换。主要包括以下两类：

• 内置参数：主要涉及时间和日期相关的参数替换。
• 用户自定义参数：用户在工作流或任务中设置的参数变量，也会进行相应的替换。

通过上述步骤，任务的执行环境和所需资源都已准备就绪，接下来便可正式开始任务的执行。

不同类型的任务

在Apache DolphinScheduler中，我们支持多种类型的任务，每种任务类型适用于不同的场景和需求。下面我们详细介绍几大类任务类型及其具体组件。

这些组件常用于执行脚本文件，适用于各种脚本语言和协议：

• Shell：执行Shell脚本。
• Python：执行Python脚本。
• SQL：执行SQL语句。
• 存储过程：执行数据库存储过程。
• HTTP：进行HTTP请求。

其商业版还支持通过执行JAR包来运行Java应用程序。

逻辑任务组件

这些组件用于实现任务的逻辑控制和流程管理：

• Switch：条件控制任务。
• Dependent：依赖任务。
• SubProcess：子任务。
• NextLoop（商业版）：适用于金融场景的循环控制任务。
• Trigger组件：用于监听文件、数据是否存在。

大数据组件

这些组件主要用于大数据处理和分析：

• SeaTunnel：对应着商业版WhaleTunnel，用于大数据集成处理。
• AWS EMR：Amazon EMR集成。
• HiveCli：Hive命令行任务。
• Spark：Spark任务。
• Flink：Flink任务。
• DataX：数据同步任务。

容器组件

这些组件用于在容器环境中运行任务：

• K8S：Kubernetes任务。

数据质量组件

用于确保数据质量：

• DataQuality：数据质量检查任务。

交互组件

这些组件用于与数据科学和机器学习环境进行交互：

• Jupyter：Jupyter Notebook任务。
• Zeppelin：Zeppelin Notebook任务。

机器学习组件

这些组件用于机器学习任务的管理和执行：

• Kubeflow：Kubeflow任务。
• MlFlow：MlFlow任务。
• Dvc：Data Version Control任务。

整体来看，Apache DolphinScheduler支持三四十个组件，涵盖了从脚本执行、大数据处理到机器学习等多个领域。如果有兴趣了解更多，请访问官网查看详细文档。

任务类型的抽象

在Apache DolphinScheduler中，任务类型被抽象成多种不同的处理模式，以适应各种不同的运行环境和需求。

下面我们详细介绍任务类型的抽象和执行过程。

Worker是一个JVM服务，部署在某个服务器上。对于一些脚本组件（如Shell、Python）和本地运行的任务（如Spark Local），它们会起一个单独的进程运行。

此时，Worker与这些任务的交互通过进程ID（PID）进行。

不同的数据源可能需要不同的适配处理。针对SQL和存储过程任务，我们做了面向不同数据源的抽象。

例如，MySQL、PostgreSQL、AWS Redshift等。通过这种抽象，可以灵活地适配和扩展不同的数据库类型。

远程任务指的是在远程集群上运行的任务，如AWS EMR、SeaTunnel集群、Kubernetes集群等。Worker不会在本地执行这些任务，而是向远程集群提交任务，并监听其状态和消息。这种模式适用于云环境的扩展。

任务执行

日志收集

不同插件会走不同的处理模式，因此日志收集也有所不同：

• 本地进程：监听进程的输出，记录日志。
• 远程任务：定期检查远程集群（如AWS EMR）的任务状态和输出，将其记录到本地的任务日志中。

参数变量替换

系统会扫描任务日志，查找需要动态替换的参数变量。例如，DAG中的任务A可能会生成一些输出参数，这些参数需要传递给下游的任务B。

在此过程中，系统会读取日志并替换参数变量。

获取任务ID

• 本地进程：获取进程ID（PID）。
• 远程任务：获取远程任务的ID（如AWS EMR任务ID）。

持有这些任务ID，可以进行更多的数据查询和远程任务操作。例如，在工作流停止时，可以通过任务ID调用对应的取消接口，停止正在运行的任务。

容错处理

• 本地进程：如果Worker节点挂掉，本地进程将无法感知，需要重新提交任务。
• 远程任务：如果任务运行在远程集群（如AWS），则可以通过任务ID检查远程任务的状态，并尝试接管任务。如果能接管，则无需重新提交任务，节省时间成本。

执行结束

当任务执行完毕后，需要进行一系列结束动作：

任务完成后，系统会检查是否需要发送告警。例如，对于SQL任务，如果查询结果需要发送告警，系统会通过RPC与告警服务（alert）交互发送告警信息。

Worker会将任务的完成事件（finish事件）回馈给Master。Master更新任务状态到数据库，并进行DAG状态流转。Worker会将任务开始时创建的上下文从内存中移除。清理任务执行过程中生成的文件路径。如果处于调试模式（开发模式），这些文件不会被清理，保留以便调试失败任务。

通过上述步骤，任务实例的整个执行流程就完成了。

社区贡献

如果您对Apache DolphinScheduler感兴趣，并希望为开源社区做贡献，欢迎参考我们的贡献指南。社区非常欢迎大家积极贡献，包括但不限于：

• 提出使用过程中的issue
• 提交文档和代码PR
• 补充单元测试（UT）
• 添加代码注释
• 修复bug或添加新特性
• 撰写技术文章或进行讲座

新手贡献者指南

对于新手贡献者，可以在社区的GitHub issue中搜索标签为good first issue的问题。这些问题通常比较简单，适合初次贡献的用户。

白鲸开源 DataOPS 介绍

白鲸开源是一家开源原生的 DataOPS 商业公司，由多个Apache基金会成员创立。公司主要参与贡献了两个Apache开源项目，一个是Apache DolphinScheduler，另一个是Apache SeaTunnel。基于这两个项目，我们打造了一个商业产品------WhaleStudio。

WhaleStudio 介绍

WhaleStudio是一个分布式云原生并且带有强大可视化界面的 DataOPS 系统，增强了商业客户所需的企业级特性。它结合了调度和数据同步的可视化，能够无缝衔接，并低代码实现企业大数据操作系统和高速公路。

主要特性

1. 调度和数据同步可视化结合

   • 无缝衔接，低代码实现企业大数据操作系统和高速公路。

2. 集成工具支持

   • 商业版对接了GitLab等集成工具，完善了DataOPS流程。

3. 丰富的数据源对接

   • 支持更多的数据源和传统ETL数据组件，如Informatica。

4. 完善的权限控制

   • 提供细粒度的角色和权限分配和控制。

5. 审计系统和新创环境适配

   • 提高安全性和可观测性。

6. 工作流和任务实例操作优化

   • 提高操作性能和数据完整性，增强运维能力。

产品界面

下图展示了我们DataOPS系统中的实时任务实例界面。可以看到界面提供了详细的数据和面板，帮助用户更好地管理和监控任务。

通过今天的分享，我们了解了Apache DolphinScheduler的项目介绍、整体设计背景以及Worker任务的具体执行过程。

希望这些内容能够帮助大家更好地理解和使用Apache DolphinScheduler。如果大家有任何问题，欢迎随时与我交流。谢谢大家！

本文由 白鲸开源科技 提供发布支持！