大数据学习：什么是数据调度？

在大数据开发工作当中，我们常常会听到“调度”这个词，在大规模的数据处理任务面前，为了保证运行效率，以及不同任务之间的优先级问题，就需要调度工具、调度系统，去完成数据调度任务。今天的大数据学习，我们就来讲讲什么是数据调度？

数据调度定义

数据调度，就是一个任务何时运行，何时结束以及正确的处理任务之间的依赖关系。我们需要关注的首要重点是在正确的时间点启动正确的作业，确保作业按照正确的依赖关系及时准确的执行。

在数据开发当中，对于数据调度，我们通常会指是“任务调度”或是“作业调度”。这里，我们先说一个概念，就是job和task。

job和task有几种不同语境下的区别：

spark语境下

在Spark中，task是一个Job进行切割后运行的最小运算单元。一般情况下，一个rdd有多少个partition，就会有多少个task，因为每一个task只是处理一个partition上的数据。而task进行组合分批后，被称为stage。Spark会为不同的stage以及不同的task设好前后依赖，来保证整个job运行的正确性和完整性，最后一个resultTask结束意味着job成功运行。

job>stage>task

hadoop语境下

Hadoop一个作业称为一个Job，Job里面分为Map Task和Reduce Task阶段，每个Task都在自己的进程中运行，当Task结束时，进程也会随之结束；

job>task

某调度产品语境下

Task：一个任务。

TaskType:任务类型，如ETL、MR job、Simple。

Job：作业，任务在运行过程中的一次执行。

综上所述，job、task不同语境下，他们的关系是不一样的，所以在不同的数据调度产品中，要注意他们的区别。

数据调度产品包含什么模块？

在数据调度产品中，需要理解几个问题：

1.触发机制：时间、依赖、混合

·时间即任务按时间进行调度（年/月/日/小时/分钟/秒/毫秒）

·依赖即任务按依赖关系进行调度

·混合两者相互进行调度

2.工作流：任务状态（中断&运行）、任务管理or治理（类型、变更）、任务类型、任务分片。

3.调度策略：就绪&超时；重试&重试次数&重试用时。

4.任务隔离：任务和执行的关系等。

目前，市面上的任务调度系统有oozie、azkaban、airflow等等，此外，还有包括阿里的TBSchedule、腾讯的Lhotse、当当的elastic-job。

我们可以按dag工作流类、定时分片系统分为两类：

一种是dag工作流类系统：oozie、azkaban、chronos、lhotse

一种是分片类系统：TB Schedule、elastic-job、saturn

其中，dag(Directed Acyclic Graph)，就是一种向无环图，是指任意一条边有方向，且不存在环路的图。

如果选择了dag工作流这种方式，我们就要注意时间、完成度，保证丰富灵活的触发机制。

分片是啥？我们来举个例子：如果我们有3台物理机，有10个每5s执行一次的定时任务，恰恰每个任务都打到第一台机器执行。为了避免“旱的旱死，涝的涝死”，所以我们需要将任务均衡分配到当前所有可执行的物理机上，这就是所谓分片机制。常见的分片机制比如平均分配算法、hash值、轮询算法，我们以各种各样的算法保证对于物理机的平均“消磨”。

如果我们选择了分片类这种办法，就要注意准确、准时的触发。

关于大数据学习，什么是数据调度，以上就为大家做了简单的介绍了。在分布式集群环境下，数据调度是一个值得关注的问题，而现有的数据调度产品也很多，之后我们会继续讲解。