因为大数据生态的复杂性，对于大数据开发人员来说，要深入其原理并形成体系发挥作用需要花费很多时间，而他们更多的是要聚焦在业务层面进行数据处理。而对于企业来说，要构建一个成熟稳定、功能多样的大数据平台需要花费很多的时间与人力成本。
今天我们就来说说，数据工程师在使用数栈平台时，DAGScheduleX 调度引擎是如何承载数栈开发套件，帮助工程师更加快速地实现开发任务的。
什么是DAGScheduleX
调度引擎：对Task（任务）生成Job(实例)并对Job进行统一调度管理，并提供Job实例基于多个集群不同版本（Hadoop2、Hadoop3、CDH、HDP）多种不同计算引擎的任务调度。
袋鼠云数栈平台有七大开发套件：离线开发、实时开发、算法开发、标签引擎、数据共享服务、数据质量、数据资产，大数据开发人员可以在套件中直接进行业务逻辑的开发，而不用关心底层的大数据平台的架构与实现，将工作的重心更多地聚焦在业务之中。套件中所开发的Task（任务）会对应生成一个可执行的Job（实例），而所有Job（实例）的执行都依赖于DAGScheduleX（调度引擎的简称）。
DAGScheduleX的部署策略
DAGScheduleX在部署策略上有多种选择方案，以满足项目实施时的环境要求：
可以区分为Master/Worker角色，Master代表调度、Worker代表执行引擎。Worker部署在计算节点会更加轻量。
也可以进行单进程整合部署，部署模式更加简单。
以上两种部署方式都支持多节点部署。
DAGScheduleX 之调度（Master）
1) 解析DAG有向无环图
大数据开发人员基于开发套件开发的Task（任务）可以是一个独立的Task（任务），也可以是一个复杂的工作流Task（任务）。可以对Task（任务）进行调度依赖的配置，将任务与任务之间生成一个DAG有向无环图。最后根据调度周期，会将任务的DAG有向无环图进行解析生成对应的Job实例。
2) 调度的主要职责
调度（Master）实现了对Job（实例）的统一管理，会根据Job的优先级进行高并发调度，并对Job的运行情况进行监控。调度（Master）支持高可用（HA）部署，对异常宕机后Job（实例）运行情况的数据进行恢复，并保证多节点部署时的数据一致性。最后，调度（Master）提供了丰富的Rest Api接口，满足数栈体系的七大套件的功能要求：
解析Task的DAG生成Job
调度Job（依赖关系、优先级、运行状况）
故障容灾恢复
Worker 健康检查
提供丰富的Rest Api支持
DAGScheduleX 之执行引擎（Worker）
1) 自定义Classloader 结合 SPI 实现计算组件插件化管理
DAGScheduleX目前支持多种计算组件，如Flink、Spark、tersorflow、python、shell 、Hadoop MR、Kylin、Odps、RDBS（多种关系型数据库）等等。不同的计算组件之间通过自定义的Classloader进行隔离加载，并根据 Java SPI 确定具体的计算组件类型，以此解决不同计算组件之间的程序冲突问题：
自定义 Classloader 以 Child-First 方式加载插件
在classpath下的 META-INF/services/ 目录下以 SPI 方式描述插件对应的计算组件
2) Console 统一管理多个集群的不同版本
Job（实例）在执行引擎处理前，会通过 Console 获取到一段 pluginInfo 信息。在 pluginInfo 中会对某一具体的集群信息进行描述，如果存在2个集群环境：Cluster A，Cluster B，Job（实例）需要提交到Cluster A中执行时，pluginInfo 中就对应了 Cluster A 集群的相关配置信息，并以此配置信息初始化（Cluster A）相关组件对集群进行操作。
3) 提供远程调用服务
Worker可下发到计算节点进行部署，并提供远程调用服务支持Master 与 Worker 之间的通信。通信服务包括并不局限于以下方式：
获取插件中的默认配置信息
Job（实例）的submit（提交）接口
Job（实例）的cancel（取消）接口
Job（实例）的status（运行状态）接口
Job（实例）的log（运行日志）接口
DAGScheduleX是基于任务DAG构建实例、实例调度、实例多引擎提交为一体的分布式任务调度引擎。数栈的离线计算、流计算、算法开发等所有的套件都依赖于调度引擎来执行任务，是很重要的枢纽。
网友评论