datax(22):任务分配规则

前面学习了一些源码和datax的执行，其中有一个重要的流程任务切分。今天梳理下；

一、概述

Datax根首先据配置文件，确定好channel的并发数目。然后将整个job分成一个个小的task，然后划分成组。从JobContainer的start()方法开始，进入split()方法，split方法里执行后续所有的切分；

二、总体流程

切分任务
channel数目的确定
reader的切分
Writer的切分
合并配置分
配任务

三、切分任务

JobContainer 的split负责将整个job切分成多个task，生成task配置的列表。

  /*** 执行reader和writer最细粒度的切分，需要注意的是，writer的切分结果要参照reader的切分结果， 达到切分后数目相等，* 才能满足1：1的通道模型，所以这里可以将reader和writer的配置整合到一起。然后，为避免顺序给读写端带来长尾影响，* 将整合的结果shuffler掉 <br/>* 1 动态调整并获取channel数量 <br/>* 2 根据1的channel数量 切割reader 得到reader的cfg列表 <br/>* 3 根据2的 cfg数量切割writer，得到writer cfg 列表 <br/>* 4 获取transform的cfg 列表 <br/>* 5 合并234的cfg <br/>*/private int split() {this.adjustChannelNumber();needChannelNumber = needChannelNumber <= 0 ? 1 : needChannelNumber;List<Configuration> readerTaskCfgs = this.doReaderSplit(this.needChannelNumber);int taskNumber = readerTaskCfgs.size();List<Configuration> writerTaskCfs = this.doWriterSplit(taskNumber);List<Configuration> trsfms = configuration.getListConfiguration(DATAX_JOB_CONTENT_TRANSFORMER);LOG.debug("transformer configuration: " + JSON.toJSONString(trsfms));//输入是reader和writer的parameter list，输出是content下面元素的listList<Configuration> contentCfgs = mergeReaderAndWriterTaskConfigs(readerTaskCfgs, writerTaskCfs,trsfms);LOG.debug("contentConfig configuration: " + JSON.toJSONString(contentCfgs));this.configuration.set(DATAX_JOB_CONTENT, contentCfgs);return contentCfgs.size();}

执行reader和writer最细粒度的切分，需要注意的是，writer的切分结果要参照reader的切分结果，达到切分后数目相等，才能满足1：1的通道模型.

四、channel数目的确定

datax先从core.json 和 job.json 里获取用户指定的channel，然后再内部根据实际情况进行调整channel数量；

1、用户指定channel数：

{"core": {"transport" : {"channel": {"speed": {"record": 100,"byte": 100}}}},"job": {"setting": {"speed": {"record": 500,"byte": 1000,"channel" : 1}}}
}

job里的是全局配置， core里的channel是单个channel的限制。首先计算按照字节数限速，channel的数目应该为 500 / 100 = 5,然后按照记录数限速， channel的数目应该为 1000 ／ 100 = 10, 最后返回两者的最小值 5。虽然指定了channel为1，但只有在没有限速的条件下，才会使用。

2、程序根据实际情况调整channel数

所有调整channel的代码在JobContainer的adjustChannelNumber方法

  /*** 根据byteNum和RecordNum调整channel数量 <br>* 1 是否有全局（job） byte限制，如果有，则必须要有channel的byte设置，最后计算出 需要的channelByByte数量  <br>* 2 是否有全局（job） record限制，如果有，则必须要有channel的record设置，最后计算出 需要的channelByRecord数量 <br>* 3 取1和2的最小值设置到job的channelNumber，如果可以设置，则该方法任务完成，退出 <br>* 4 如果3 未能设置，则从cfg中判断用户是否自己设置了channelNum，如果用户设置了，将用户设置的给本job channel <br>*/private void adjustChannelNumber() {int needChannelNumByByte = Integer.MAX_VALUE;boolean hasByteLimit = (configuration.getInt(DATAX_JOB_SETTING_SPEED_BYTE, 0) > 0);if (hasByteLimit) {long jobByteSpeed = configuration.getInt(DATAX_JOB_SETTING_SPEED_BYTE, 10 * 1024 * 1024);// 在byte流控情况下，单个Channel流量最大值必须设置，否则报错！Long channelByteSpeed = configuration.getLong(DATAX_CORE_TRANSPORT_CHANNEL_SPEED_BYTE);if (channelByteSpeed == null || channelByteSpeed <= 0) {throw DataXException.asDataXException(CONFIG_ERROR, "在有总bps限速条件下，单个channel的bps值不能为空，也不能为非正数");}needChannelNumByByte = (int) (jobByteSpeed / channelByteSpeed);needChannelNumByByte = needChannelNumByByte > 0 ? needChannelNumByByte : 1;LOG.info("Job set Max-Byte-Speed to " + jobByteSpeed + " bytes.");}int needChannelNumByRecord = Integer.MAX_VALUE;boolean hasRecordLimit = (configuration.getInt(DATAX_JOB_SETTING_SPEED_RECORD, 0)) > 0;if (hasRecordLimit) {long jobRecordSpeed = configuration.getInt(DATAX_JOB_SETTING_SPEED_RECORD, 100000);Long channelRecordSpeed = configuration.getLong(DATAX_CORE_TRANSPORT_CHANNEL_SPEED_RECORD);if (channelRecordSpeed == null || channelRecordSpeed <= 0) {throw DataXException.asDataXException(CONFIG_ERROR,"在有总tps限速条件下，单个channel的tps值不能为空，也不能为非正数");}needChannelNumByRecord = (int) (jobRecordSpeed / channelRecordSpeed);needChannelNumByRecord = needChannelNumByRecord > 0 ? needChannelNumByRecord : 1;LOG.info("Job set Max-Record-Speed to " + jobRecordSpeed + " records.");}// 全局的 needChannelNumber 按照needChannelNumByByte 和needChannelNumByRecord  取较小值needChannelNumber = Math.min(needChannelNumByByte, needChannelNumByRecord);// 如果从byte或record上设置了needChannelNumber则退出if (this.needChannelNumber < Integer.MAX_VALUE) {return;}boolean hasChannelLimit = (configuration.getInt(DATAX_JOB_SETTING_SPEED_CHANNEL, 0) > 0);if (hasChannelLimit) {needChannelNumber = this.configuration.getInt(DATAX_JOB_SETTING_SPEED_CHANNEL);LOG.info("Job set Channel-Number to " + this.needChannelNumber + " channels.");return;}throw DataXException.asDataXException(CONFIG_ERROR, "Job运行速度必须设置");}

五、reader的切分

doReaderSplit方法，调用Reader.Job的split方法，返回Reader.Task的Configuration列表

/**
* adviceNumber, 建议的数目
*/
private List<Configuration> doReaderSplit(int adviceNumber) {// 切换ClassLoaderclassLoaderSwapper.setCurrentThreadClassLoader(LoadUtil.getJarLoader(PluginType.READER, this.readerPluginName));// 调用Job.Reader的split切分List<Configuration> readerSlicesConfigs =this.jobReader.split(adviceNumber);if (readerSlicesConfigs == null || readerSlicesConfigs.size() <= 0) {throw DataXException.asDataXException(FrameworkErrorCode.PLUGIN_SPLIT_ERROR,"reader切分的task数目不能小于等于0");}LOG.info("DataX Reader.Job [{}] splits to [{}] tasks.",this.readerPluginName, readerSlicesConfigs.size());classLoaderSwapper.restoreCurrentThreadClassLoader();return readerSlicesConfigs;
}public List<Configuration> split(int adviceNumber) {LOG.info("split() begin...");List<Configuration> readerSplitConfigs = new ArrayList<Configuration>();// warn:每个slice拖且仅拖一个文件,// int splitNumber = adviceNumber;int splitNumber = this.sourceFiles.size();if (0 == splitNumber) {//                throw DataXException.asDataXException(HdfsReaderErrorCode.EMPTY_DIR_EXCEPTION,
//                        String.format("未能找到待读取的文件,请确认您的配置项path: %s", this.readerOriginConfig.getString(Key.PATH)));String message = String.format("未能找到待读取的文件,请确认您的配置项path: %s", this.readerOriginConfig.getString(Key.PATH));LOG.info(message);return new ArrayList<Configuration>();}List<List<String>> splitedSourceFiles = this.splitSourceFiles(new ArrayList<String>(this.sourceFiles), splitNumber);for (List<String> files : splitedSourceFiles) {Configuration splitedConfig = this.readerOriginConfig.clone();splitedConfig.set(Constant.SOURCE_FILES, files);readerSplitConfigs.add(splitedConfig);}return readerSplitConfigs;}private <T> List<List<T>> splitSourceFiles(final List<T> sourceList, int adviceNumber) {List<List<T>> splitedList = new ArrayList<List<T>>();int averageLength = sourceList.size() / adviceNumber;averageLength = averageLength == 0 ? 1 : averageLength;for (int begin = 0, end = 0; begin < sourceList.size(); begin = end) {end = begin + averageLength;if (end > sourceList.size()) {end = sourceList.size();}splitedList.add(sourceList.subList(begin, end));}return splitedList;}

这里的reader是hdfs reader 原文件数，reader task数等于文件数。

六、Writer的切分数

doWriterSplit方法，调用Writer.JOb的split方法，返回Writer.Task的Configuration列表

private List<Configuration> doWriterSplit(int readerTaskNumber) {// 切换ClassLoaderclassLoaderSwapper.setCurrentThreadClassLoader(LoadUtil.getJarLoader(PluginType.WRITER, this.writerPluginName));// 调用Job.Reader的split切分List<Configuration> writerSlicesConfigs = this.jobWriter.split(readerTaskNumber);if (writerSlicesConfigs == null || writerSlicesConfigs.size() <= 0) {throw DataXException.asDataXException(FrameworkErrorCode.PLUGIN_SPLIT_ERROR,"writer切分的task不能小于等于0");}LOG.info("DataX Writer.Job [{}] splits to [{}] tasks.",this.writerPluginName, writerSlicesConfigs.size());classLoaderSwapper.restoreCurrentThreadClassLoader();return writerSlicesConfigs;
}

为了做到Reader、Writer任务数对等，这里要求Writer插件必须按照源端的切分数进行切分。否则框架报错！
比如rediswriter

 public List<Configuration> split(int mandatoryNumber) {List<Configuration> configurations = new ArrayList<Configuration>(mandatoryNumber);for (int i = 0; i < mandatoryNumber; i++) {configurations.add(getPluginJobConf());}return configurations;}

七、合并配置

合并reader，writer，transformer配置列表。并将任务列表，保存在配置job.content的值里。

private List<Configuration> mergeReaderAndWriterTaskConfigs(List<Configuration> readerTasksConfigs,List<Configuration> writerTasksConfigs,List<Configuration> transformerConfigs) {// reader切分的任务数目必须等于writer切分的任务数目if (readerTasksConfigs.size() != writerTasksConfigs.size()) {throw DataXException.asDataXException(FrameworkErrorCode.PLUGIN_SPLIT_ERROR,String.format("reader切分的task数目[%d]不等于writer切分的task数目[%d].",readerTasksConfigs.size(), writerTasksConfigs.size()));}List<Configuration> contentConfigs = new ArrayList<Configuration>();for (int i = 0; i < readerTasksConfigs.size(); i++) {Configuration taskConfig = Configuration.newDefault();// 保存reader相关配置taskConfig.set(CoreConstant.JOB_READER_NAME,this.readerPluginName);taskConfig.set(CoreConstant.JOB_READER_PARAMETER,readerTasksConfigs.get(i));// 保存writer相关配置taskConfig.set(CoreConstant.JOB_WRITER_NAME,this.writerPluginName);taskConfig.set(CoreConstant.JOB_WRITER_PARAMETER,writerTasksConfigs.get(i));// 保存transformer相关配置if(transformerConfigs!=null && transformerConfigs.size()>0){taskConfig.set(CoreConstant.JOB_TRANSFORMER, transformerConfigs);}taskConfig.set(CoreConstant.TASK_ID, i);contentConfigs.add(taskConfig);}return contentConfigs;
}

分配任务
分配算法

首先根据指定的channel数目和每个Taskgroup的拥有channel数目，计算出Taskgroup的数目
根据每个任务的reader.parameter.loadBalanceResourceMark将任务分组
根据每个任务writer.parameter.loadBalanceResourceMark来讲任务分组
根据上面两个任务分组的组数，挑选出大的那个组
轮询上面步骤的任务组，依次轮询的向各个TaskGroup添加一个，直到所有任务都被分配完
这里举个实例：
目前有7个task，channel有20个，每个Taskgroup拥有5个channel。
首先计算出Taskgroup的数目， 20 ／ 5 = 4 。(实际不会有这种情况，channel数不会超过task数)

根据reader.parameter.loadBalanceResourceMark，将任务分组如下：

{"database_a" : [task_id_1, task_id_2],"database_b" : [task_id_3, task_id_4, task_id_5],"database_c" : [task_id_6, task_id_7]
}

根据writer.parameter.loadBalanceResourceMark，将任务分组如下：

{"database_dst_d" : [task_id_1, task_id_2],"database_dst_e" : [task_id_3, task_id_4, task_id_5, task_id_6, task_id_7]
}

因为readerResourceMarkAndTaskIdMap有三个组，而writerResourceMarkAndTaskIdMap只有两个组。从中选出组数最多的，所以这里按照readerResourceMarkAndTaskIdMap将任务分配。

执行过程是，轮询database_a, database_b, database_c，取出第一个。循环上一步

1. 取出task_id_1 放入 taskGroup_1
2. 取出task_id_3 放入 taskGroup_2
3. 取出task_id_6 放入 taskGroup_3
4. 取出task_id_2 放入 taskGroup_4
5. 取出task_id_4 放入 taskGroup_1
6. ………

最后返回的结果为

{"taskGroup_1": [task_id_1, task_id_4],"taskGroup_2": [task_id_3, task_id_7],"taskGroup_3": [task_id_6, task_id_5],"taskGroup_4": [task_id_2]
}

代码解释
任务的分配是由JobAssignUtil类负责。使用者调用assignFairly方法，传入参数，返回TaskGroup配置列表

public final class JobAssignUtil {/*** configuration 配置* channelNumber， channel总数* channelsPerTaskGroup， 每个TaskGroup拥有的channel数目*/public static List<Configuration> assignFairly(Configuration configuration, int channelNumber, int channelsPerTaskGroup) {List<Configuration> contentConfig = configuration.getListConfiguration(CoreConstant.DATAX_JOB_CONTENT);// 计算TaskGroup的数目int taskGroupNumber = (int) Math.ceil(1.0 * channelNumber / channelsPerTaskGroup);......// 任务分组LinkedHashMap<String, List<Integer>> resourceMarkAndTaskIdMap = parseAndGetResourceMarkAndTaskIdMap(contentConfig);// 调用doAssign方法，分配任务List<Configuration> taskGroupConfig = doAssign(resourceMarkAndTaskIdMap, configuration, taskGroupNumber);// 调整 每个 taskGroup 对应的 Channel 个数（属于优化范畴）adjustChannelNumPerTaskGroup(taskGroupConfig, channelNumber);return taskGroupConfig;}
}

任务分组
按照task配置的reader.parameter.loadBalanceResourceMark和writer.parameter.loadBalanceResourceMark，分别对任务进行分组，选择分组数最高的那组，作为任务分组的源。

/**
* contentConfig参数，task的配置列表
*/
private static LinkedHashMap<String, List<Integer>> parseAndGetResourceMarkAndTaskIdMap(List<Configuration> contentConfig) {// reader的任务分组，key为分组的名称，value是taskId的列表LinkedHashMap<String, List<Integer>> readerResourceMarkAndTaskIdMap = new LinkedHashMap<String, List<Integer>>();// writer的任务分组，key为分组的名称，value是taskId的列表LinkedHashMap<String, List<Integer>> writerResourceMarkAndTaskIdMap = new LinkedHashMap<String, List<Integer>>();for (Configuration aTaskConfig : contentConfig) {int taskId = aTaskConfig.getInt(CoreConstant.TASK_ID);// 取出reader.parameter.loadBalanceResourceMark的值，作为分组名String readerResourceMark = aTaskConfig.getString(CoreConstant.JOB_READER_PARAMETER + "." + CommonConstant.LOAD_BALANCE_RESOURCE_MARK);if (readerResourceMarkAndTaskIdMap.get(readerResourceMark) == null) {readerResourceMarkAndTaskIdMap.put(readerResourceMark, new LinkedList<Integer>());}// 把 readerResourceMark 加到 readerResourceMarkAndTaskIdMap 中readerResourceMarkAndTaskIdMap.get(readerResourceMark).add(taskId);// 取出writer.parameter.loadBalanceResourceMark的值，作为分组名String writerResourceMark = aTaskConfig.getString(CoreConstant.JOB_WRITER_PARAMETER + "." + CommonConstant.LOAD_BALANCE_RESOURCE_MARK);if (writerResourceMarkAndTaskIdMap.get(writerResourceMark) == null) {writerResourceMarkAndTaskIdMap.put(writerResourceMark, new LinkedList<Integer>());}// 把 writerResourceMark 加到 writerResourceMarkAndTaskIdMap 中writerResourceMarkAndTaskIdMap.get(writerResourceMark).add(taskId);}// 选出reader和writer其中最大的if (readerResourceMarkAndTaskIdMap.size() >= writerResourceMarkAndTaskIdMap.size()) {// 采用 reader 对资源做的标记进行 shufflereturn readerResourceMarkAndTaskIdMap;} else {// 采用 writer 对资源做的标记进行 shufflereturn writerResourceMarkAndTaskIdMap;}
}

分配任务
将上一部任务的分组，划分到每个taskGroup里

private static List<Configuration> doAssign(LinkedHashMap<String, List<Integer>> resourceMarkAndTaskIdMap, Configuration jobConfiguration, int taskGroupNumber) {List<Configuration> contentConfig = jobConfiguration.getListConfiguration(CoreConstant.DATAX_JOB_CONTENT);Configuration taskGroupTemplate = jobConfiguration.clone();taskGroupTemplate.remove(CoreConstant.DATAX_JOB_CONTENT);List<Configuration> result = new LinkedList<Configuration>();// 初始化taskGroupConfigListList<List<Configuration>> taskGroupConfigList = new ArrayList<List<Configuration>>(taskGroupNumber);for (int i = 0; i < taskGroupNumber; i++) {taskGroupConfigList.add(new LinkedList<Configuration>());}// 取得resourceMarkAndTaskIdMap的值的最大个数int mapValueMaxLength = -1;List<String> resourceMarks = new ArrayList<String>();for (Map.Entry<String, List<Integer>> entry : resourceMarkAndTaskIdMap.entrySet()) {resourceMarks.add(entry.getKey());if (entry.getValue().size() > mapValueMaxLength) {mapValueMaxLength = entry.getValue().size();}}int taskGroupIndex = 0;// 执行mapValueMaxLength次数，每一次轮询一遍resourceMarkAndTaskIdMapfor (int i = 0; i < mapValueMaxLength; i++) {// 轮询resourceMarkAndTaskIdMapfor (String resourceMark : resourceMarks) {if (resourceMarkAndTaskIdMap.get(resourceMark).size() > 0) {// 取出第一个int taskId = resourceMarkAndTaskIdMap.get(resourceMark).get(0);// 轮询的向taskGroupConfigList插入值taskGroupConfigList.get(taskGroupIndex % taskGroupNumber).add(contentConfig.get(taskId));// taskGroupIndex自增taskGroupIndex++;// 删除第一个resourceMarkAndTaskIdMap.get(resourceMark).remove(0);}}}Configuration tempTaskGroupConfig;for (int i = 0; i < taskGroupNumber; i++) {tempTaskGroupConfig = taskGroupTemplate.clone();// 设置TaskGroup的配置tempTaskGroupConfig.set(CoreConstant.DATAX_JOB_CONTENT, taskGroupConfigList.get(i));tempTaskGroupConfig.set(CoreConstant.DATAX_CORE_CONTAINER_TASKGROUP_ID, i);result.add(tempTaskGroupConfig);}// 返回结果return result;
}

为组分配channel
上面已经把任务划分成多个组，为了每个组能够均匀的分配channel，还需要调整。算法原理是，当channel总的数目，不能整除TaskGroup的数目时。多的余数个channel，从中挑选出余数个TaskGroup，每个多分配一个。

比如现在有13个channel，然后taskgroup确有5个。那么首先每个组先分 13 / 5 = 2 个。那么还剩下多的3个chanel，分配给前面个taskgroup。

private static void adjustChannelNumPerTaskGroup(List<Configuration> taskGroupConfig, int channelNumber) {int taskGroupNumber = taskGroupConfig.size();int avgChannelsPerTaskGroup = channelNumber / taskGroupNumber;int remainderChannelCount = channelNumber % taskGroupNumber;// 表示有 remainderChannelCount 个 taskGroup,其对应 Channel 个数应该为：avgChannelsPerTaskGroup + 1；// （taskGroupNumber - remainderChannelCount）个 taskGroup,其对应 Channel 个数应该为：avgChannelsPerTaskGroupint i = 0;for (; i < remainderChannelCount; i++) {taskGroupConfig.get(i).set(CoreConstant.DATAX_CORE_CONTAINER_TASKGROUP_CHANNEL, avgChannelsPerTaskGroup + 1);}for (int j = 0; j < taskGroupNumber - remainderChannelCount; j++) {taskGroupConfig.get(i + j).set(CoreConstant.DATAX_CORE_CONTAINER_TASKGROUP_CHANNEL, avgChannelsPerTaskGroup);}
}

注：

对源码进行略微改动，主要修改为 1 阿里代码规约扫描出来的，2 clean code；
所有代码都已经上传到github（master分支和dev），可以免费白嫖