MaxCompute的任务状态和多任务执行-阿里云开发者社区

开发者社区> 龙利民> 正文

MaxCompute的任务状态和多任务执行

简介: 我们在使用MaxCompute的时候,我们其实非常期望知道当前有多少任务在跑,哪些任务耗时长,哪些任务已经完成,并且能通过任务的logview来分析任务耗时长的原因。
+关注继续查看

本文作者:龙利民
企业介绍:

ofo 小黄车是一个无桩共享单车出行平台,缔造了“无桩单车共享”模式,致力于解决城市出行问题。用户只需在微信服务号或App输入车牌号,即可获得密码解锁用车,随取随用,随时随地,也可以共享自己的单车到 ofo 共享平台,获得所有 ofo 小黄车的终身免费使用权,以1换N。

我们在使用MaxCompute的时候,我们其实非常期望知道当前有多少任务在跑,哪些任务耗时长,哪些任务已经完成,并且能通过任务的logview来分析任务耗时长的原因。

任务状态监控

MaxCompute的任务状态分Running和Terminated, 其中Running是包含:正在运行和等待运行的两种状态,Terminated包含:完成、失败、cancel的任务三个状态。阿里云提供了获取上述2种状态的SDK函数,odps.list_instances(status=Running|Terminated, start_time=开始时间,结束时间)。为了实现秒级别更新任务状态我们可以用以下思路来实现。

1、对于已经running的任务,我们需要快速更新它的状态,有可能已经完成了;

2、不断获取新的任务状态。

我们用Mysql来记录任务的状态表设计如下:


CREATE TABLE maxcompute_task (
id bigint(20) unsigned NOT NULL AUTO_INCREMENT,
instanceid varchar(255) DEFAULT NULL comment '任务实例ID',
logview varchar(1024) DEFAULT NULL comment 'logview链接,查看问题非常有用',
start_time varchar(64) DEFAULT NULL comment '任务开始时间',
end_time varchar(64) DEFAULT NULL comment '任务结束时间',
cast_time varchar(32) DEFAULT NULL comment '耗时',
project_name varchar(255) DEFAULT NULL comment '项目名',
status varchar(64) DEFAULT NULL comment '任务状态',
PRIMARY KEY (id),
UNIQUE KEY instanceid (instanceid)
) ENGINE=InnoDB DEFAULT CHARSET=utf8

下面的页面可以查看当前的任务耗时,开始时间,对超过1小时的任务颜色使用红色标注,并且能查看logview,还能对任务进行取消,非常方便。
maxcompute_running

我们来看看代码的实现:


!/usr/bin/env python

-- coding: utf-8 --

author: lemon

import time
import threading
import traceback
import datetime
from odps import ODPS
from dataflow import config
from libs.myconn import Cursor
from config import DBINFO_BI_MASTER
from libs import logger as _logger

g_table_name = "bi_maxcompute_task"

def save_task(instanceid, odps, mysqlconn):

# 保存任务状态到Mysql, 分别传入odps连接器和mysql连接器
instance = odps.get_instance(instanceid)
project_name = odps.project
status = instance.status.value
start_time = instance.start_time
end_time =  instance.end_time

sql = "select logview,status from {0} where instanceid='{1}'".format(g_table_name, instanceid)

sqlret = mysqlconn.fetchone(sql)
if sqlret and sqlret["status"] == "Terminated":
    return
if sqlret and sqlret["logview"] is not None:
    logview = sqlret["logview"]
else:
    logview = instance.get_logview_address()
start_time = start_time + datetime.timedelta(hours=8)
if status == "Running":
    end_time = datetime.datetime.now()
else:
    end_time = end_time + datetime.timedelta(hours=8)
cast_time = end_time - start_time
colname = "instanceid,start_time,end_time,cast_time,project_name,status,logview"
values = ",".join(["'{0}'".format(r) for r in [instanceid, str(start_time),str(end_time), cast_time, project_name, status,logview]])
sql = """replace into {0}({1}) values({2}) """.format(g_table_name, colname, values)
mysqlconn.execute(sql)

class MaxcomputeTask(threading.Thread):

# 获取所有任务

def __init__(self, logger):
    threading.Thread.__init__(self)
    self.logger = logger
    self.hour = 1
    self.status_conf = [("demo", "Running"), ("demo", "Terminated"),
                        ("demo1", "Running"), ("demo1","Terminated")]

def run(self):
    # 建立mysql连接, 根据你的需要来使用
    self.mysqlconn = Cursor.new(**DBINFO_BI_MASTER)
    while True:
        try:
            self.start_more()
            time.sleep(10)
        except:
            self.mysqlconn = Cursor.new(**DBINFO_BI_MASTER)
            self.logger.error(traceback.format_exc())

def start_more(self,):
    for params in self.status_conf:
        self.get_task(*params)

def get_task(self, project_name, status):
    odps = ODPS(**config.ODPS_INFO)
    odps.project = project_name
    list = odps.list_instances(status=status, start_time=time.time() - self.hour * 3600)
    self.logger.info("start {0} {1} ".format(project_name, status))
    for row in list:
        save_task(instanceid=str(row), odps=odps, mysqlconn=self.mysqlconn)
    self.logger.info( "end {0} {1}".format(project_name, status))

    

class MaxcomputeTaskRunning(threading.Thread):

# 更新running任务的状态

def __init__(self, logger):
    threading.Thread.__init__(self)
    self.logger = logger

def run(self):
    self.mysqlconn = Cursor.new(**DBINFO_BI_MASTER)
    while True:
        try:
            self.update_running()
            time.sleep(1)
        except:
            self.mysqlconn = Cursor.new(**DBINFO_BI_MASTER)
            self.logger.error(traceback.format_exc())

def update_running(self):
    sql = "select instanceid, project_name from {0} where status='Running'".format(g_table_name)
    sqlret = self.mysqlconn.fetchall(sql)
    if not sqlret:
        return

    self.logger.info("{1} running update length:{0}".format(len(sqlret), time.strftime("%Y-%m-%d %H:%M:%S") ))
    for row in sqlret:
        odps = ODPS(**config.ODPS_INFO)
        odps.project = row["project_name"]
        save_task(row["instanceid"], odps, self.mysqlconn)

if name == "__main__":

# logger是自己编写的日志工具类
logger = _logger.Logger("maxcompute_task.log").getLogger()
running = MaxcomputeTaskRunning(logger)
running.setDaemon(True)
running.start()

task = MaxcomputeTask(logger)
task.start()

多任务执行

MaxCompute可以在命令行下运行,也可以用SDK,阿里云的集成环境跑任务等。很多时候我们面临的任务是非常多的,如何做一个多任务的代码执行器,也是经常遇到的问题。任务执行是一个典型的生产者和消费者的关系,生产者获取任务,消费者执行任务。这么做有2个好处。

1)任务执行的数量是需要可控的,如果同时运行的任务不可控势必对服务器资源造成冲击,
2)多机运行服务,避免单点故障,MaxCompute的任务是运行在云端的,可以通过instanceid获取到结果,此结果是保留7天的。

我大致贴一些我们在实际场景种的一些代码,生产者和消费者的代码:


class Consumer(threading.Thread):
def __init__(self, queue, lock):
    threading.Thread.__init__(self)
    self.queue = queue
    self.lock = lock
    self.timeout = 1800
def run(self):
    self.execute = Execute()
    logger.info("consumer %s start" % threading.current_thread().name)
    while G_RUN_FLAG:
        try:
            task = self.queue.get()
            self.execute.start(task)
        except:
            logger.error(traceback.format_exc())

class Producter(threading.Thread):

def __init__(self, queue, lock):
    threading.Thread.__init__(self)
    self.queue = queue
    self.lock = lock
    self.sleep_time = 30
    self.step_sleep_time = 5

def run(self):
    self.mysqlconn_bi_master = Cursor.new(**config.DBINFO_BI_MASTER)
    logger.info("producter %s start" % threading.current_thread().name)
    while G_RUN_FLAG:
        
        if self.queue.qsize() >= QUEUE_SIZE:
            time.sleep(self.sleep_time)
            continue

        # TODO
        self.queue.put(task)
        time.sleep(self.step_sleep_time)

def main():

queue = Queue.LifoQueue(QUEUE_SIZE)
lock = threading.RLock()

for _ in xrange(MAX_PROCESS_NUM):
    consumer = Consumer(queue, lock)
    consumer.setDaemon(True)
    consumer.start()

producter = Producter(queue, lock)
producter.start()
producter.join()

def signal_runflag(sig, frame):

global G_RUN_FLAG
if sig == signal.SIGHUP:
    logger.info("receive HUP signal ")
    G_RUN_FLAG = False

if name == "__main__":

logger.info("execute run")
if platform.system() == "Linux":
    signal.signal(signal.SIGHUP, signal_runflag)
main()
logger.info("execute exit.")

Maxcompute实际执行时的代码:


def _max_compute_run(self, taskid, sql):
    # 异步的方式执行
    hints = {
        'odps.sql.planner.mode': 'lot',
        'odps.sql.ddl.odps2': 'true',
        'odps.sql.preparse.odps2': 'lot',
        'odps.service.mode': 'off',
        'odps.task.major.version': '2dot0_demo_flighting',
        'odps.sql.hive.compatible': 'true'
    }
    new_sql = "{0}".format(sql)
    instance = self.odps.run_sql(new_sql, hints=hints)
    #instance = self.odps.run_sql(sql)

    # 异步的方式执行
    # instance = self.odps.run_sql(sql)
    self._save_task_instance_id(taskid, instance.id)
    # 阻塞直到完成
    instance.wait_for_success()
    return instance.id

获取结果时的代码:


def instance_result(odps, instance_id):
# 通过instance_id 获取结果
instance = odps.get_instance(instance_id)
response = []
with instance.open_reader() as reader:
    raw_response = [r.values for r in reader]
    column_names = reader._schema.names
    for  line in raw_response:
        tmp = {}
        for i in range(len(line)):
            tmp[column_names[i]] = line[i]
        response.append(tmp)
return response

总结:

阿里云的MaxCompute是非常好用的云计算服务,它的更新和迭代速度都非常快,使用阿里云解放工程师的搭建基础服务的时间,让我们更多的专注业务,站在巨人的肩膀上聪明的干活。

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
《中国人工智能学会通讯》——11.17 基于聚类规则项的多任务聚类方法
本节书摘来自CCAI《中国人工智能学会通讯》一书中的第11章,第11.17节, 更多章节内容可以访问云栖社区“CCAI”公众号查看。
1186 0
22、Python与设计模式--状态模式
#一、电梯控制器 电梯在我们周边随处可见,电梯的控制逻辑中心是由电梯控制器实现的。电梯的控制逻辑,即使简单点设计,把状态分成开门状态,停止状态和运行状态,操作分成开门、关门、运行、停止,那流程也是很复杂的。首先,开门状态不能开门、运行、停止;停止状态不能关门,停止;运行状态不能开门、关门、运行。要用一个一个if…else…实现,首先代码混乱,不易维护;二是不易扩展。至于各种设计原则什么的……
3938 0
真正解决办法:FTP 执行命令时500 Illegal PORT command
真正解决办法:FTP 执行命令时500 Illegal PORT command
38 0
第6周-任务5-多文件组织三角形类
【题目】将任务4(第6周-任务4-用点类作成员的三角形类)中的的解决用一个项目多个文件的方式实现,其中两个类的声明放在一个.h文件中,每个类的成员函数分别放一个文件,main()函数用一个文件。体会这样安排的优点。 【要点】对多个文件一个项目的组织方法的一般原则是:(1)若干个功能相近的类的声明放在一个头文件中;(2)每个类的成员函数分别放在一个.cpp文件中;(3)如果有main(
893 0
基于多任务学习和负反馈的深度召回模型
召回结果的好坏对整个推荐结果有着至关重要的影响,最近的一系列实践和研究表明,基于行为序列的深度学习推荐模型搭配高性能的近似检索算法可以实现既准又快的召回性能;与此同时,用户在天猫精灵上还可以进行实时指令操控(歌名点播:“播放七里香”、风格流派推荐点播:“来点摇滚”、主动切歌:“下一首”等),如何利用这些丰富的反馈信息改进召回模型的性能,他们是怎么做的呢?
1180 0
Angular Component template函数执行上下文的对象
Angular Component template函数执行上下文的对象
5 0
如何在获取celery中的任务执行情况
开始以为在flower中获取,原来flower也是从celery中获取的。 如果直接用celery命令,一直会提示拒绝连接。 网上说了,用django命令就可以的。 于是试了下,OK了。 这样,至少可用于邮件报警吧。
2077 0
+关注
1
文章
0
问答
文章排行榜
最热
最新
相关电子书
更多
《2021云上架构与运维峰会演讲合集》
立即下载
《零基础CSS入门教程》
立即下载
《零基础HTML入门教程》
立即下载