深入解析Apache DolphinScheduler容错机制

简述

Apache Dolphinscheduler Master和Worker都是支持多节点部署，无中心化的设计。

Master主要负责是流程DAG的切分，最终通过RPC将任务分发到Worker节点上以及Worker上任务状态的处理
Worker主要负责是真正任务的执行，最后将任务状态汇报给Master，Master进行状态处理

那问题来了：

Master掉了怎么办？它是负责流程实例的管理的。这样Worker就没有办法给它汇报任务状态，当然它也不能做状态处理了？
Worker掉了又怎么办？要知道Worker是真正任务执行的载体，它如果掉了。Master要怎么处理？

来来来，一张图说清楚它们。

容错

总结

其实说白了就是如果Master掉了，其他Master分布式锁来对Master进行容错。也就是流程实例由之前的down掉的Master切换到要接管的Master上，这个时候是需要给Worker下发新Master的host的，让Worker可以重新给新Master上报信息。

而Worker掉了就是任务的重试，但是任务重试之前是有前提的，那就是要kill掉正在运行YARN上的任务，当前DS做不到。为什么？因为对于在非客户端分离模式下，是需要ProcessBuilder的waitFor一直等待客户端进程退出的。而applicationId的解析是在客户端进程退出(也就是waitFor退出)之后做的。

那意思就是说只能等待程序运行完毕，我才能获取到applicationId。

org.apache.dolphinscheduler.server.master.service.WorkerFailoverService#killYarnTask

复制代码

private void killYarnTask(TaskInstance taskInstance, ProcessInstance processInstance) {
    try {
        if (!masterConfig.isKillApplicationWhenTaskFailover()) {
            return;
        }
        if (StringUtils.isEmpty(taskInstance.getHost()) || StringUtils.isEmpty(taskInstance.getLogPath())) {
            return;
        }
        TaskExecutionContext taskExecutionContext = TaskExecutionContextBuilder.get()
                .buildWorkflowInstanceHost(masterConfig.getMasterAddress())
                .buildTaskInstanceRelatedInfo(taskInstance)
                .buildProcessInstanceRelatedInfo(processInstance)
                .buildProcessDefinitionRelatedInfo(processInstance.getProcessDefinition())
                .create();
        // only kill yarn/k8s job if exists , the local thread has exited
        log.info("TaskInstance failover begin kill the task related yarn or k8s job");
        ILogService iLogService =
                SingletonJdkDynamicRpcClientProxyFactory.getProxyClient(taskInstance.getHost(), ILogService.class);
        GetAppIdResponse getAppIdResponse =
                iLogService.getAppId(new GetAppIdRequest(taskInstance.getId(), taskInstance.getLogPath()));
        ProcessUtils.killApplication(getAppIdResponse.getAppIds(), taskExecutionContext);
    } catch (Exception ex) {
        log.error("Kill yarn task error", ex);
    }
}

怎么办？回顾 1.3.3 版本，是LoggerServer和Master是分离模式的，所以只要Master节点有yarn客户端，是可以通过master对yarn上的applicationId进行干掉的。而现在怎么办？

两种解决思路 :

Master上kill，使用yarn rest api

复制代码

curl -X PUT -d '{"state":"KILLED"}' \
 -H "Content-Type: application/json" \
 http://xx.xx.xx.xx:8088/ws/v1/cluster/apps/application_1694766249884_1098/state?user.name=hdfs

注意 : 需要加用户。

Worker上kill

这个是需要标识该任务是容错任务 ，然后在任务重试运行的时候，调度到指定的Worker上。需要先kill当前运行的applicationId，然后再任务重试。其实这里有一个优化点就是，是Worker掉了，但是任务还在，所以需要判断的是yarn上的状态，如果异常，再kill也不迟，而不是上来就kill。如果是RUNNING，等待就好，可以设置等待超时时间。

转载自journey

原文链接：https://segmentfault.com/a/1190000045084857

本文由白鲸开源科技提供发布支持！