最近分布式系统开发小结: Slave模块Executors设计

之前在最近分布式系统开发小结里，提到了一个在开发中的系统的大致设计，本文是我负责部分的一个详细设计。在阅读本文前可以先浏览下之前那篇文章，对于系统的功能和概况有个基本了解。

1. Slave总体设计

Slave模块主要需要实现不同的Mesos Executors，包括Input, MemoryStorage和Output三种Executor。每个Dpump任务会由Scheduler Manager经过逻辑执行计划和物理执行计划的拆分，从Knowledge Center获取知识，最终将切分后的Task分配给相应的Slaves执行，并通过Mesos Master，分配资源并调起Slave上的各自的Executor。三种Executors的执行逻辑图如下。

数据通过Bundle形式在三种Executor之间的流通，每个Bundle有唯一ID、一个String[]、以及一个Index。Index用于标记每个Bundle最后数据输出的最新成功行，即我们容错粒度控制在行级别。对Input、Cache、Output作一个简单介绍：

• Input，也叫Reader。每个Task内只有一个Input Executor，负责从数据源(HDFS、FTP、MySQL、MongoDB等)读出数据，将数据经过切分、处理、压缩后通过Netty流式传输给MemoryStorage。

• Cache，也叫MemoryStorage。每个Task内只有一个Cache Executor，负责从Input端接收Bundle，将Bundle存取往一个队列内，当有Output连接的时候，将Bundle取出输送给Output

• Output，也叫Writer。每个Task可能有多个Output Executor，负责将数据最终输出到数据目的源。Output从Cache端得到Bundle的过程也是流式的。

整个Task的流通都是流式的，且Slave之间的网络通信使用的是Netty这个NIO框架，传输过程中还涉及到Bundle高效的正反序列化和压缩、解压缩。最重要的一点是Input、Cache、Output三个部分各自都有容错设计，其中Input和Output通过向Zookeeper记录和获取Bundle状态保证处理Bundle的不重不漏，而Cache通过对队列内消息内容的钝化，保证自身已保存的Bundle不丢失，并能在新的Cache Executor起来后，可以继续为Output提供Bundle输出。

2. Slave 详细设计

下面详细介绍三种Executor的设计，阅读过程中请参考这张Task进程图。

2.1 Input设计

2.1.1 数据流通

每个Input负责一次Job(每个Job对应多个Tasks)内最小粒度的文件块读取，比如可能是一个HDFS Block，一张Hive表的一个分区甚至是一张MySQL表。

Input内还分有Writer、Buffer(双队列)和Reader。Writer是一个单线程，从数据源获取数据并切分好Bundle，每个Bundle有唯一ID和定长的字符串数组，然后将Bundle存入双队列的输入头，在双队列的读出头有若干个Reader线程抢占Bundle，每个Reader获取到Bundle后释放锁并做二次处理、压缩，最终Reader通过Netty Client将Bundle包装成一个传输格式，以二进制流的方式通过Channel流向Cache。

2.1.2 容错

Writer端切分Bundle保证了从同一个数据源的同份文件块读取数据生成Bundle是有序的，每次Netty往Channel里写入一份Bundle的时候，会通过Companion线程异步更新此Task下znode内的Bitmap，该Bitmap标记每个Bundle在Input端是否被传输。每次Input启动的时候，Netty会读取znode上的Bitmap缓存在内存里，发送Bundle前根据id作一次校对。所以当Input挂掉或重启时，可以保证发送给Cache的Bundle不重不漏。

2.2 Cache设计

2.2.1 消息队列

Cache本身是一个Netty Server，接收Input和Output多个Netty Client的连接，并对不同的Channel做不同Event处理。Cache Executor需要一个多状态的消息队列，这里采用的是Beanstalkd队列，下图为该Beanstalkd内消息(job)的状态变化图。

每次Cache将新的Bundle put进Beanstalkd的时候需要选择一个tube(管道)，Beanstalkd可以开启多个独立的tube，tube内存放jobs，每个job有自己唯一的job id，而job消息体就是我们的bundleBytes(Bundle存入Cache直接存的就是序列化后的byte[])。

每个job存入queue后是ready状态，被reserve之后，就不能被客户端再次获取到，即Cache每次会从每个tube里按顺序reserve一个job，并发送消息体给Output(一个output对应一个tube)，这个过程保证每个job被消费一次，且只能被一个Output消费。如果Output端消费成功，则该job会被delete掉；如果该job消费失败，则会被重新置为ready，重新置为ready可能是因为超时(每个job被reserve的时候都有一个Time-To-Run时间设置)了，也可以是客户端release掉该job。

2.2.2 Acker设计

这里，对于tube内job的后续处理交给Acker这个线程来做。Acker的设计灵感来源于Storm。Storm Topology内每个bolt对tuple的执行和处理最终都会给Spout一个ack响应，而拓扑过程中整棵Tuple树的成功/失败执行状态会由Acker守护进程进行跟踪，以此来保证每个tuple被完全处理，而acker对tuple的跟踪算法是Storm的主要突破之一。

Cache端的Acker线程会监听zookeeper上znode树上各个节点的事件变化，从而掌握被Output消费的所有Bundle的最后状态，对应地删除、释放，或者更新Queue里的job。需要注意的是这里还涉及到一个更新job的过程。前面提到Bundle内维护了一个index，而Output消费bundle的时候，如果是数据行写了一半出现了异常或者挂掉了，我们需要记录bundle内数据行的最新index并将此信息也记录在znode上。对于这种最坏情况，Acker负责将该fail的job从queue里delete掉，并更改job内bundle bytes内容，重置新的index，再把新的job put进queue里。这是我们最不希望看到的情况，同时也是我们对Bundle能做的最细粒度的容错设计。

2.2.3 容错

Beanstalkd启动之后可以打开binlog开关，binlog是Beanstalkd容错恢复的机制，将内存里的消息队列结构映射到硬盘上。对于Cache的容错设计，直观的办法在于将这份binlog存在NFS或HDFS上，来保证Cache挂掉重启后，能获取到之前保存的Bundle数据，继续提供服务。

2.3 Output设计

Output在最终的Bundle消费阶段，会把数据导向新的数据源。每个Output获取的Bundle来自于Cache里的一个tube，而每个Bundle的执行情况也会由Companion线程异步更新到Zookeeper上。

对于Output来说，它只需要关心从Cache端获取的每个Bundle都照常处理就可以了，不需要关心这个Bundle之前是否被消费过，被消费到哪里。原因在于，Cache端的job状态的变更和job的更新可以由Acker保障，而Acker是从zk上得到这些job的状态并对Queue异步更新。如果Acker挂了，只要重新起一个线程获取znode上最新的状态就可以了。对于Output来说，能传过来的Bundle，对应到queue里就是ready状态的job，这个job可能被消费过了，但是他的index也因此得到了更新，Output端对于所有Bundle的处理是一致的，唯一需要关心的是Output需要把Bundle的信息异步更新给zk，如果Output挂了，重新起一个Output接着从Cache读Bundle就可以了。

3. Slave模块总结

Slave模块三种Executor的设计，主要考虑的是各个Executor挂掉之后，怎样保证数据处理的不重复和不遗漏。我们依赖Zookeeper的可靠性，记录、更新、判断Bundle的状态，做到Input、Cache、Output各司其职，最到最小粒度的容错。Executor本身的失败和重启则由Mesos保障，Mesos作为资源管理系统，由Master监控Slave上各个Executor的执行状况，通过回调，可以在合适的Slave上再次启动挂掉的Executor进程，保证业务Task的顺利进行。

(全文完)