Cloudera Impala源码分析: SimpleScheduler调度策略详解包括作用、接口及实现等
问题导读:
1、Scheduler任务中Distributed Plan、Scan Range是什么?
2、Scheduler基本接口有哪些?
3、QuerySchedule这个类如何理解?
4、SimpleScheduler接口如何实现的?
Scheduler的任务
1、相关概念:Distributed Plan
在Frontend中已经把SQL转换成了single node plan,然后又将其切分成了distributed plan。代码见Planner::createPlan和DistributedPlanner::createPlanFragments.
比如左图的single node plan会切成为右图的distributed plan(图片来源自impala官方PPT:Query Compilation in Impala)。在impala-shell中set explain_level=3后用explain可以看到distributed plan。
<ignore_js_op>
上图的Distributed Plan中,一个带颜色的圈是一个Plan Fragment。Plan Fragment间的箭头是Fragment间的数据流动,Plan Fragment内矩形间的箭头是Fragment内各个Plan Node的数据流动。上图其实省略了Distributed Plan中每个非叶子结点里的ExchangeNode,其是用来接收其它Plan Fragment的数据的。一个Plan Fragment会有一个或多个instance,运行在不同impalad上。
2、相关概念:Scan Range
在distributed plan中,每个scan node已经设置好要处理的scan ranges,即有哪些输入文件要处理,每个有哪些block。从Frontend传来的scan range对应一个block,由于一个block有多个replica,因此一个scan range会有多个location。了解scan range的概念非常重要,下面是相关的thrift定义:
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
|
// PlanNodes.thrift struct TScanRange { // one of these must be set for every TScanRange 1 : optional THdfsFileSplit hdfs_file_split 2 : optional THBaseKeyRange hbase_key_range } struct THdfsFileSplit { // File name (not the full path). The path is assumed to be the // 'location' of the THdfsPartition referenced by partition_id. 1 : required string file_name 2 : required i64 offset 3 : required i64 length // ID of partition within the THdfsTable associated with this scan node 4 : required i64 partition_id 5 : required i64 file_length 6 : required CatalogObjects.THdfsCompression file_compression 7 : required i64 mtime // last modified time } struct THBaseKeyRange { 1 : optional string startKey // inclusive 2 : optional string stopKey // exclusive } |
一个ScanRange要么是HDFS文件上的一部分(用file_name,offset和length等来表示),要么是Hbase一片连续的rowKey(用[startKey, endKey)表示)。
01
02
03
04
05
06
07
08
09
10
11
12
13
|
// Planer.thrift struct TScanRangeLocation { // 对应HDFS上一个block位置,定位到硬盘编号 // Index into TQueryExecRequest.host_list. 1 : required i32 host_idx; 2 : optional i32 volume_id = - 1 3 : optional bool is_cached = false // If true, this block is cached on this server } struct TScanRangeLocations { // 一个ScanRange对应的各个replica的位置列表 1 : required PlanNodes.TScanRange scan_range // non-empty list 2 : list<TScanRangeLocation> locations } |
TScanRangeLocations就记录了Scan Range的位置列表,这个类型在TQueryExecRequest中会被用到。TQueryExecRequest的成员per_node_scan_ranges记录了每个ScanNode要处理的一系列ScanRange,每个ScanRange用TScanRangeLocations来表示。因此per_node_scan_ranges的类型是 map<Types.TPlanNodeId, list<Planner.TScanRangeLocations>>.
TQueryExecRequest是Frontend传给Backend的执行计划,Backend会生成 fragment 的执行计划发送给其它 impalad 去执行,这其中就包含了Scheduler的工作。impalad之间通信的数据结构定义在ImpalaInternalService.thrift中,关于ScanRange使用的是TScanRangeParams,此时已经确定了Scan任务要放在哪台机器上去执行(就是接收信息的impalad),因此不再需要location信息里的host_idx。
1
2
3
4
5
6
7
8
|
// ImpalaInternalService.thrift // A scan range plus the parameters needed to execute that scan. struct TScanRangeParams { 1 : required PlanNodes.TScanRange scan_range 2 : optional i32 volume_id = - 1 3 : optional bool is_cached = false 4 : optional bool is_remote } |
3、Scheduler的任务
我们知道HDFS是有多备份的,一个block经常会有多于一个复本,因此在HDFS上的位置也会有多于一个。那么读取的时候到底在哪个复本上执行,这就是Scheduler要做的事情。另外其它的上层plan fragment也需要确定在哪些机器上执行。
代码注释如是说:
1
|
Given a list of resources and locations returns a list of hosts on which to execute plan fragments requiring those resources. |
这其实很像MapReduce里对mapper和reducer的调度。
Scheduler基本接口
1
|
virtual Status Init() = 0 ; |
该接口初始化本Scheduler,返回时表示已获取了做调试决策所需要的所有资源。
定义BackendList类型表示一列Backend描述符。
1
|
typedef std::vector<TBackendDescriptor> BackendList; |
1
|
virtual Status GetBackends( const std::vector<TNetworkAddress>& data_locations, BackendList* backends) = 0 ; |
该接口输入是一组 host/port 二元组表示的data location,输出是一组运行在那些机器上或附近(比如同机架)的Backend列表。
1
|
virtual Status GetBackend ( const TNetworkAddress & data_location , TBackendDescriptor * backend ) = 0 ; |
该接口输入是一个 host/port 二元组表示的 data location,输出是一个运行在该机器上或附近的Backend。
1
|
virtual bool HasLocalBackend( const TNetworkAddress& data_location) = 0 ; |
返回是否有Backend运行在资源所在的机器上。
1
|
virtual void GetAllKnownBackends(BackendList* backends) = 0 ; |
返回该scheduler知道的所有Backend
1
|
virtual Status Schedule(Coordinator* coord, QuerySchedule* schedule) = 0 ; |
该接口最主要的输入是QueryScheduler::request(),即一个TQueryExecRequest对象,描述了query的执行计划。参数里的Coordinator只提供一些全局的信息,比如user name等。TQueryExecRequest的per_node_scan_ranges记录了要处理的scan ranges。该接口将这些scan range分配到对应的机器上去,分配信息(即调度信息)记录在QuerySchedule的fragment_exec_params_中。
如果开启了资源管理,即impala运行在Yarn上时,该接口也会向resource manager(通过Llama)申请资源来执行query。该接口在资源申请被同意或拒绝前是阻塞的。
1
|
virtual Status Release(QuerySchedule* schedule) = 0 ; |
释放资源
下面的几个接口主要是Impala on Yarn要用到的回调函数,字面意思比较直观
1
2
3
|
virtual void HandlePreemptedReservation( const TUniqueId& reservation_id) = 0 ; virtual void HandlePreemptedResource( const TUniqueId& client_resource_id) = 0 ; virtual void HandleLostResource( const TUniqueId& client_resource_id) = 0 ; |
QuerySchedule
在读懂SimpleScheduler的代码前需要先过一下QuerySchedule这个类,SimpleScheduler的任务是把QueryScheduler对象补充完整。
一个QueryScheduler包含了coordinator生成fragment执行请求从而启动query执行所需要的所有信息。Coordinator根据QueryScheduler生成FragmentExecParams,发送给各个impalad去执行fragment instance。
如果开启了资源管理(即Impala on Yarn),则QueryScheduler中还会包含需要申请的资源和已经获得的资源。
query-schedule.h中首先定义了两个类型:
1
2
|
typedef std::map<TPlanNodeId, std::vector<TScanRangeParams> > PerNodeScanRanges; typedef boost::unordered_map<TNetworkAddress, PerNodeScanRanges> FragmentScanRangeAssignment; |
PerNodeScanRanges是ScanNode到ScanRange列表的映射,FragmentScanRangeAssignment是impalad到PerNodeScanRanges的映射。
每个Scan Node可能有多个scan range,分配到不同impalad上去执行。因此这里有个impalad到其任务的映射,即它要处理哪些scan node的哪些scan range。
QuerySchedule有几个重要的成员变量:
<ignore_js_op>
其中plan_node_to_fragment_idx_和plan_node_to_plan_node_idx_是在进入SimpleScheduler::Schedule前就生成好的了。Schedule函数最主要的任务是填充fragment_exec_params_和unique_hosts等成员变量。fragment_exec_params是一个FragmentExecParams数组,记录了每个fragment的执行请求,用来发送给其它impalad去运行fragment instance。FragmentExecParams的定义如下:
1
2
3
4
5
6
7
8
|
struct FragmentExecParams { std::vector<TNetworkAddress> hosts; // 将在哪些backend上执行,每个backend执行一个instance std::vector<TUniqueId> instance_ids; // 各个instance的id std::vector<TPlanFragmentDestination> destinations; // 所有输出目标,TPlanFragmentDestination是目标fragment的各个instance id及其所运行在的server std::map<PlanNodeId, int > per_exch_num_senders; // 本fragment里各个exchange node的输入instance总数 FragmentScanRangeAssignment scan_range_assignment; // scan range的调度信息,比如hdfs上replica的选择信息 int sender_id_base; // 本fragment作为一个sender时的base id }; |
这里的sender_id_base需要再解释一下。除了根fragment以外的每个fragment都有另一个fragment作为输出目标,除了叶子fragment外的所有fragment都有若干输入fragment。因此除了根fragment以外的每个fragment都需要扮演sender的角色,除了叶子fragment外的所有fragment也都要扮演receiver的角色。每一个fragment都有一个或多个instance,receiver会为自己的各个sender (instance)分配id用来区分,id从0开始。为了方便,我们给同一个fragment的不同instance分配连续的id,这样只需要记住起始id和该fragment的instance数目就够了。成员变量sender_id_base记录的就是自己作为sender时,由receiver分配的起始id。
SimpleScheduler接口实现
目前Impala on Yarn还不是很流行,我们可以先跳过跟resource management相关的代码,这样看起来会更容易些。最主要的逻辑还是Schedule接口:
1
|
Status SimpleScheduler::Schedule(Coordinator* coord, QuerySchedule* schedule) |
主要做三件事情:
- ComputeScanRangeAssignment(schedule->request(), schedule));
填充各个FragmentExecParams对象中的scan_range_assignment
- ComputeFragmentHosts(schedule->request(), schedule);
填充各个FragmentExecParams对象中的hosts,即计算每个fragment instance在哪个impalad上执行
- ComputeFragmentExecParams(schedule->request(), schedule);
填充各个FragmentExecParams对象中剩下的内容,即destinations、per_exch_num_senders和sender_id_base
调用完这三个函数后,QuerySchedule的fragment_exec_params_就被填充完整了。下面分别介绍这三部分。
ComputeScanRangeAssignment
1
|
Status SimpleScheduler::ComputeScanRangeAssignment( const TQueryExecRequest& exec_request, QuerySchedule* schedule) |
正如函数名所述,该函数主要处理scan range的分配,即每个scan range的data host的选择。这里主要是hdfs上的scan range需要处理,因为每个block有多个replica,有多个DataNode可供选择,而hbase上的region只归一个RegionServer(即这里的data host)管理。
exec_request.per_node_scan_ranges是一个map,记录了每个scan node对应的所有scan ranges。该函数的主体是一个for循环,每次处理一个scan node。
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
|
for (entry = exec_request.per_node_scan_ranges.begin(); entry != exec_request.per_node_scan_ranges.end(); ++entry) { const TPlanNodeId node_id = entry->first; // 获取该scan node在整个执行计划树中的id int fragment_idx = schedule->GetFragmentIdx(node_id); // 获取该scan node所在的fragment的下标。 const TPlanFragment& fragment = exec_request.fragments[fragment_idx]; // 获取该scan node所在的fragment引用 bool exec_at_coord = (fragment.partition.type == TPartitionType::UNPARTITIONED); // 该scan node是否在Coordinator处执行 // 获取该scan node的引用。schedule->GetNodeIdx返回的是node在其fragment的执行计划树中的下标。 const TPlanNode& node = fragment.plan.nodes[schedule->GetNodeIdx(node_id)]; DCHECK_EQ(node.node_id, node_id); // 下面的TReplicaPreference类型是复本选择时的默认策略,是个枚举类型,总共有5种: // CACHE_LOCAL, CACHE_RACK, DISK_LOCAL, DISK_RACK, REMOTE const TReplicaPreference::type* node_replica_preference = node.__isset.hdfs_scan_node && node.hdfs_scan_node.__isset.replica_preference ? &node.hdfs_scan_node.replica_preference : NULL; // 如果scan node里有设置,就拿这个默认配置,否则记为NULL // random_replica表示当有几个复本各方面条件都一样时,是否随机选择。否则直接选第一个复本。 bool node_random_replica = node.__isset.hdfs_scan_node && node.hdfs_scan_node.__isset.random_replica && node.hdfs_scan_node.random_replica; // FragmentScanRangeAssignment类型记录一个fragment里所有scan range的分配,即选择哪些复本。实际是一个map: // typedef boost::unordered_map<TNetworkAddress, PerNodeScanRanges> FragmentScanRangeAssignment; // 上面的TNetworkAddress是impalad的地址(用host+port表示),PerNodeScanRanges也是一个map,记录每个scan node的所有scan range: // typedef std::map<TPlanNodeId, std::vector<TScanRangeParams> > PerNodeScanRanges; // 下面这行获取该fragment的assignment引用,所有fragment执行信息(即FragmentExecParams)在schedule->exec_params()数组中 FragmentScanRangeAssignment* assignment = &(*schedule->exec_params())[fragment_idx].scan_range_assignment; // 根据以上获取的对象进行实质的分配,并把结果写入assignment对象中 RETURN_IF_ERROR(ComputeScanRangeAssignment( node_id, node_replica_preference, node_random_replica, entry->second, exec_request.host_list, exec_at_coord, schedule->query_options(), assignment)); schedule->AddScanRanges(entry->second.size()); // 更新schedule对象中的scan range计数 } |
ComputeScanRangeAssignment
1
2
3
4
5
|
Status SimpleScheduler::ComputeScanRangeAssignment( PlanNodeId node_id, const TReplicaPreference::type* node_replica_preference, bool node_random_replica, const vector<TScanRangeLocations>& locations, const vector<TNetworkAddress>& host_list, bool exec_at_coord, const TQueryOptions& query_options, FragmentScanRangeAssignment* assignment) |
逐个过下参数:
- node_id:要处理的scan node的id
- node_replica_preference:replica的默认选择策略,是个枚举类例,取值可以是CACHE_LOCAL、DISK_LOCAL等,没有的话就是NULL
- node_random_replica:对于条件相同的replica,是否随机选择。否的话就直接选第一个。
- locations:各个scan range(也即block)的location列表(replica列表)
- host_list:复本所在的host列表,即DataNode列表
- exec_at_coord:该scan node是否在Coordinator处运行
- query_options:各种查询参数,详见TQueryOption定义
- assignment:调度结果存储在该对象中
函数的主体是两层的for循环,第一层为每个scan range,第二层为该scan range的各个location,也即replica。
代码中比较难懂的局部变量是base_distance,所谓的distance不过是CACHE_LOCAL, CACHE_RACK, DISK_LOCAL, DISK_RACK, REMOTE中的一种,表示impalad和它要读取的数据的距离。base_distance是一个基准线,就是说距离比这个还小(优)的我们就当成一样的来对待了。
另一个局部变量random_non_cached_tiebreak意义与参数node_random_replica相同,就是条件都一样的replica中是随机挑一个还是直接选第一个。
除去profile和打log的代码,函数主体的伪代码如下:
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
|
assigned_bytes_per_host是一个map,记录各个DataNode被分配的数据量,即有多少数据要从该DataNode读取 foreach ScanRange in ScanNode //min_distance 记录replica到impalad的最小距离,初始值为REMOTE // min_assigned_bytes,该变量帮助我们找到被分配任务最少的DataNode。每个replica从属于一个DataNode,如果有几个replica的distance相等,则比较它们所在DataNode所要读取的数据量。 // 这几个局部变量记录最终的选择结果:data_host、volume_id、is_cached、remote_read //num_equivalent_replicas记录各方面条件都相同的replica数目 foreach Location in ScanRange // replica_host 是replica所在的DataNode //计算memory_distance,如果优于base_distance则折合成base_distance //assigned_bytes 是replica所在DataNode当前被分配的数据量 //bool变量found_new_replica表示是否选择该replica if (memory_distance < min_distance) { min_distance = memory_distance; num_equivalent_replicas = 1 ; found_new_replica = true ; } else if (memory_distance == min_distance) { bool cached_replica = memory_distance == TReplicaPreference::CACHE_LOCAL; if (assigned_bytes < min_assigned_bytes) { num_equivalent_replicas = 1 ; found_new_replica = true ; } else if (assigned_bytes == min_assigned_bytes && (random_non_cached_tiebreak || cached_replica)) { // 如果之前已经有k个相等的replica,则以1/(k+1)的概率决定是否采用本replica. // 这样前面的replica被选中的概率各是 1/k * k/(k+1) = 1/(k+1),从而实现随机挑选 ++num_equivalent_replicas; const int r = rand(); // make debugging easier. found_new_replica = (r % num_equivalent_replicas == 0 ); } } if (found_new_replica) { // 如果采用当前replica,则更新一系列值 min_assigned_bytes = assigned_bytes; data_host = &replica_host; volume_id = location.volume_id; is_cached = location.is_cached; remote_read = min_distance == TReplicaPreference::REMOTE; } } // end of each location (replica) 更新remote_bytes、remote_hosts、local_bytes、cached_bytes、assigned_bytes_per_host 为data_host找一个backend host(即exec_hostport),如果该DataNode所在机器上就有impalad,则选择该impalad, 否则以round robin(轮循)的方式在impalad列表中挑一个。另外,如果函数参数中exec_at_coord为 true , 则该scan node只在Coordinator所在impalad上执行,也就是当前机器。 ///////////// 把结果存入assignment中 ///////////// PerNodeScanRanges* scan_ranges = FindOrInsert(assignment, exec_hostport, PerNodeScanRanges()); vector<TScanRangeParams>* scan_range_params_list = FindOrInsert(scan_ranges, node_id, vector<TScanRangeParams>()); // add scan range TScanRangeParams scan_range_params; scan_range_params.scan_range = scan_range_locations.scan_range; // Explicitly set the optional fields. scan_range_params.__set_volume_id(volume_id); scan_range_params.__set_is_cached(is_cached); scan_range_params.__set_is_remote(remote_read); scan_range_params_list->push_back(scan_range_params); } // end of each scan range |
回顾一下,assignment是一个映射,记录每个impalad的scan任务,存在一个PerNodeScanRanges对象中。每个PerNodeScanRanges对象也是一个映射,记录一个scan node在该impalad要读的数据,用vector表示。每个TScanRangeParams表示一个读任务,如果is_remote为false,则在所在impalad机器上的DataNode处读取,此时is_cached表示数据是否已缓存在该impalad中,volume_id记录了数据在哪块磁盘。如果is_remote为true,则根据PlanNodes.TScanRange去获取数据源来读取,使用hdfs或hbase的api。
ComputeFragmentHosts
1
2
|
void SimpleScheduler::ComputeFragmentHosts( const TQueryExecRequest& exec_request, QuerySchedule* schedule) { |
上一个Compute函数进行了replica的选取,接下来要给出每个fragment instance在哪个impalad上去执行。
这个函数的输出是schedule->exec_params()中各个FragmentExecParams的hosts部分,最后还会更新下schedule里的unique_hosts_,即整个query涉及到的其它impalad(除去本机)
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
|
vector<FragmentExecParams>* fragment_exec_params = schedule->exec_params(); // 拿出要修改的对象列表 TNetworkAddress coord = MakeNetworkAddress(FLAGS_hostname, FLAGS_be_port); // Coordinator地址即是本进程地址 DCHECK_EQ(fragment_exec_params->size(), exec_request.fragments.size()); vector<TPlanNodeType::type> scan_node_types; // 目前的scan node总共有三种类型 scan_node_types.push_back(TPlanNodeType::HDFS_SCAN_NODE); scan_node_types.push_back(TPlanNodeType::HBASE_SCAN_NODE); scan_node_types.push_back(TPlanNodeType::DATA_SOURCE_NODE); // 从后往前处理各个fragment,因为前面的fragment依赖于后面的输出,可能会调度到后面fragment同样的hosts上去, // 因此底层的fragment要先处理。 for ( int i = exec_request.fragments.size() - 1 ; i >= 0 ; --i) { const TPlanFragment& fragment = exec_request.fragments[i]; [/i]FragmentExecParams& params = (*fragment_exec_params); if (fragment.partition.type == TPartitionType::UNPARTITIONED) { // all single-node fragments run on the coordinator host params.hosts.push_back(coord); continue ; } // UnionNode会通过ExchangeNode接收其它fragment的输入,也会接收所在fragment的scan结果。 // 包含UnionNode的fragment不仅会被调度到scan range选择的replica所在机器上,也会被调度到所有输入fragment的instance所在的机器上。 // (使得以partitioned join或grouping aggregate为子结点的UnionNode所运行的机器数目,不小于其子结点的输入数目) if (ContainsNode(fragment.plan, TPlanNodeType::UNION_NODE)) { vector<TPlanNodeId> scan_nodes; FindNodes(fragment.plan, scan_node_types, &scan_nodes); // 取出该fragment的所有scan node vector<TPlanNodeId> exch_nodes; FindNodes(fragment.plan, vector<TPlanNodeType::type>( 1 , TPlanNodeType::EXCHANGE_NODE), &exch_nodes); // 取出该fragment的所有exchange node // 把scan nodes所选择的host加入进来 vector<TNetworkAddress> scan_hosts; for ( int j = 0 ; j < scan_nodes.size(); ++j) { GetScanHosts(scan_nodes[j], exec_request, params, &scan_hosts); } unordered_set<TNetworkAddress> hosts(scan_hosts.begin(), scan_hosts.end()); // 把input fragments所选择的host加入进来 for ( int j = 0 ; j < exch_nodes.size(); ++j) { // 处理每个exchange node int input_fragment_idx = FindSenderFragment(exch_nodes[j], i, exec_request); // 找到该exchange node的输入fragment // 获取该输入fragment的所有hosts,所有输入的fragment应该在处理本fragment之前就已经计算好hosts了 const vector<TNetworkAddress>& input_fragment_hosts = (*fragment_exec_params)[input_fragment_idx].hosts; hosts.insert(input_fragment_hosts.begin(), input_fragment_hosts.end()); } DCHECK(!hosts.empty()) << "no hosts for fragment " << i << " with a UnionNode" ; params.hosts.assign(hosts.begin(), hosts.end()); continue ; } // 查看最左结点是否是scan node. 注意传入的types是scan_node_types PlanNodeId leftmost_scan_id = FindLeftmostNode(fragment.plan, scan_node_types); if (leftmost_scan_id == g_ImpalaInternalService_constants.INVALID_PLAN_NODE_ID) { // 如果最左节点不是scan node,那只能是exchange node。我们把本fragment调度到其对应的输入fragment所在的所有机器上。 // 从而像分布式aggregation这类的fragment可以在本机获得输入fragment的数据 int input_fragment_idx = FindLeftmostInputFragment(i, exec_request); params.hosts = (*fragment_exec_params)[input_fragment_idx].hosts; continue ; } // 找到了最左的scan node,本fragment将在其scan ranges选定的各个replica机器上去执行 GetScanHosts(leftmost_scan_id, exec_request, params, ¶ms.hosts); } // 最后再填一下schedule对象中的unique_hosts,即把所有用到的hosts集合的并集 unordered_set<TNetworkAddress> unique_hosts; BOOST_FOREACH( const FragmentExecParams& exec_params, *fragment_exec_params) { unique_hosts.insert(exec_params.hosts.begin(), exec_params.hosts.end()); } schedule->SetUniqueHosts(unique_hosts); } |
ComputeFragmentExecParams
1
2
|
void SimpleScheduler::ComputeFragmentExecParams( const TQueryExecRequest& exec_request, QuerySchedule* schedule) |
这是SimpleSchedule::Schedule里调用的最后一个Compute函数,用来把各个FragmentExecParams剩下的内容填补完。
函数主体有两部分:先为各个fragment instance分配id,都有了id之后就可以指明各个instance的输入输出,把它们串成一个有向无环图。
这段代码不难了,有以下两点需要解释:
- 根fragment没有输出,其它的每个fragment都会输出到另一个fragment中的exchange node去,因此需要把目标fragment的各个instance id记录下来,也就是记录本fragment要有几个sender来发送数据,各发到哪些instance去。另外,每个exchange node也要知道有多少个instance会给自己发数据,即sender数目。
- 每个instance的id是一个128位整数(由两个64位整数表示,类型为TUniqueId),其中的高64位与query id的高64位一样,低64位是query id的低64位加上其是第几个instance。
总结
读懂SimpleScheduler的代码对后续阅读Impala更底层的代码很有帮助。在这里可以弄明白很多基本概念,如Plan Fragment Instance、Scan Range、Exchange Node等。
SimpleScheduler的调度策略很直接,把包含Scan Node的Plan Fragment Instance优先调度到数据所在的机器上去运行,同时会考虑均摊对HDFS DataNode的负载。如果数据所在机器上没有impalad,则用round robin的方式选一个远程的impalad。另外上层的Plan Fragment会尽量在其依赖的Plan Fragment所在机器上去运行。
Cloudera Impala源码分析: SimpleScheduler调度策略详解包括作用、接口及实现等的更多相关文章
- 【集合框架】JDK1.8源码分析之ArrayList详解(一)
[集合框架]JDK1.8源码分析之ArrayList详解(一) 一. 从ArrayList字表面推测 ArrayList类的命名是由Array和List单词组合而成,Array的中文意思是数组,Lis ...
- nginx源码分析线程池详解
nginx源码分析线程池详解 一.前言 nginx是采用多进程模型,master和worker之间主要通过pipe管道的方式进行通信,多进程的优势就在于各个进程互不影响.但是经常会有人问道,n ...
- vuex 源码分析(六) 辅助函数 详解
对于state.getter.mutation.action来说,如果每次使用的时候都用this.$store.state.this.$store.getter等引用,会比较麻烦,代码也重复和冗余,我 ...
- vuex 源码分析(五) action 详解
action类似于mutation,不同的是Action提交的是mutation,而不是直接变更状态,而且action里可以包含任意异步操作,每个mutation的参数1是一个对象,可以包含如下六个属 ...
- Golang源码分析之目录详解
开源项目「go home」聚焦Go语言技术栈与面试题,以协助Gopher登上更大的舞台,欢迎go home~ 导读 学习Go语言源码的第一步就是了解先了解它的目录结构,你对它的源码目录了解多少呢? 目 ...
- Tomcat源码分析 | 一文详解生命周期机制Lifecycle
目录 什么是Lifecycle? Lifecycle方法 LifecycleBase 增加.删除和获取监听器 init() start() stop() destroy() 模板方法 总结 前言 To ...
- Java 容器源码分析之集合类详解
集合类说明及区别 Collection ├List │├LinkedList │├ArrayList │└Vector │ └Stack └Set Map ├Hashtable ├HashMap └W ...
- 我的书籍《深入解析Java编译器:源码剖析与实例详解》就要出版了
一个十足的技术迷,2013年毕业,做过ERP.游戏.计算广告,在大公司呆过,但终究不满足仅对技术的应用,在2018年末离开了公司,全职写了一本书<深入解析Java编译器:源码剖析与实例详解> ...
- Spring源码之九finishRefresh详解
Spring源码之九finishRefresh详解 公众号搜索[程序员田同学],专职程序员兼业余写手,生活不止于写代码 Spring IoC 的核心内容要收尾了,本文将对最后一个方法 finishRe ...
随机推荐
- 洛谷P3567[POI2014]KUR-Couriers(主席树+二分)
题意:给一个数列,每次询问一个区间内有没有一个数出现次数超过一半 题解: 最近比赛太多,都没时间切水题了,刚好日推了道主席树裸题,就写了一下 然后 WA80 WA80 WA0 WA90 WA80 ?? ...
- CentOS ASP.NET Core Runtime Jexus跨平台布署
.net core 开源和跨平台,能布署到当前主流的Windows,Linux,macOS 系统上.本篇我们将在 Linux 系统上使用 ASP.NET Core Runtime 和 Jexus 布署 ...
- C# 一些代码小结--串口操作
串口解析显示中文 private String SerialPortReadStr() { try { String str = null; int n = serialPort1.BytesToRe ...
- Openlayers地图量算功能
http://openlayers.org/en/latest/examples/measure.html?q=measure 按官网的例子来就行,新建对象时注意加上命名空间 var vect ...
- VS2017仅我的代码警告
每次调试都会出现"仅我的代码"警告,特别的烦人,取消方法如下: 1.点击工具,选择选项. 2.选择调试→常规,取消“启动时若没有用户代码则发出警告(仅限托管)”选项.
- 数据导出之winform导出word(三)
本篇文章补充讲解上篇文章中word模板的制作. ① 新建一个word文档 ② 定位到要插入书签的位置 ③ 菜单栏 “插入” -> “书签”,输入书签名,点击“添加” 可以多处位置使用同样的书签名 ...
- React跨域
React跨域 一.使用http-proxy-middleware中间件解决跨域问题 1.安装包: npm install http-proxy-middleware --save-dev 2.配置: ...
- spring jdbc批量插入
http://blog.csdn.net/fyqcdbdx/article/details/7366439
- day70 csrf简单用法 &Django ContentType
一. 什么是跨站请求伪造 CSRF def transfer(request): if request.method =='POST': from_ =request.POST.get('from') ...
- H - The LCIS on the Tree HDU - 4718
The LCIS on the Tree Time Limit: 6000/3000 MS (Java/Others) Memory Limit: 65535/65535 K (Java/Oth ...