OceanBase + DolphinScheduler，搭建分布式大数据调度平台的实践

本文整理自白鲸开源联合创始人，Apache DolphinScheduler PMC Chair，Apache Foundation Member 代立冬的演讲。主要介绍了DolphinScheduler及其架构、DolphinScheduler与OceanBase 的联合大数据方案。

DolphinScheduler是什么？

Apache DolphinScheduler，作为一款云原生且配备强大的可视化界面的大数据工作流调度平台，可帮助用户简化数据工作流的编排过程，通过高效解决复杂大数据任务间的依赖与触发难题，确保各类大数据任务能够即插即用，融入各类数据分析与数据挖掘场景中，提供全流程可视化操作能力。目前，已有超过3000家公司在其生产环境中成功部署并应用了Apache DolphinScheduler。

Apache DolphinScheduler UI 界面

DolphinScheduler 调度平台具备简单易用、架构设计上保证系统高可靠性、高扩展性和云原生能力，拥有丰富的使用场景。

• 高可靠性- 架构设计上，去中心化的多 Master 和多 Worker , 具备高可用能力。- 采用任务队列避免过载，不会造成机器卡死。
• 简单易用- 拥有一键部署能力，简化部署，易维护。- 可视化界面，所有流程定义都是可视化，通过拖拽任务形成工作流模板。- 支持 Open API 、Python 方式与第三方系统对接。
• ·高扩展性、云原生能力- 支持自定义任务类型。- 调度能力随集群线性增长。- 弹性伸缩， Master 和 Worker 支持动态上下线。
• 丰富的使用场景- 支持暂停恢复及停止等丰富操作。- 支持多租户，权限管理等大数据应用场景。- 支持 30+ 种任务类型，如 Spark, Flink，Hive, MR, Python, Shell 等。

从 DolphinScheduler 调度平台界面能够看出来，DolphinScheduler 会实时关注任务运行状态，同时，可以直观地看到每个工作流的每个环节，可以轻松在线回溯任务状态。

DolphinSchedule 调度平台采用插件式设计，支持多数据源格式，如OceanBase、MySQL、PostgerSQL、Hive、Impala、Spark、ClickHouse、Oracle、SQLServer、Db2、MongoDB 等可视化的数据源，并支持自由扩展数据源、支持可视化配置。方便数据源统一集中管理，一次配置，到处使用，大大减少配置修改带来的工作量，也方便后续数据血缘关系的处理。

同时，DolphinSchedule 支持多数据源数据的加工、数据导入脚本统一管理，包括 Python、Shell、Jar 包、R 等多种格式。多层级结构确保文件管理层次清晰，不用考虑后续文件应该存储在哪一台机器上，避免资源文件散乱难以维护。

Apache DolphinScheduler 调度平台

此外，DolphinSchedule 调度系统也十分灵活，满足多种业务场景需要，工作流流程支持多策略启动、优先级、告警配置，任务流程多策略支持确保 ETL 过程可管理：

• ·支持任务失败策略选择，失败继续或结束。
• ·支持多种通知策略，包括失败发送通知、成功发送通知、全部通知、全部不发通知。
• ·支持优先级设定，确保高优先级流程优先执行。

· 支持选定节点执行 ETL 任务流。

· 支持串行与并行两种执行方式。

Dolphinscheduler 架构解析

下图是 Dolphinscheduler 的架构图，最上面的 UI 是用户可以感受到的界面， Open API 可以给 UI 提供调用接口，也方便第三方对接。对于 Open API 这一层，调度最关键的是 MasterSever 和 WorkerSever ，MasterSever 的职责是分配任务，WorkerSever 的职责是接受 MasterSever 分的任务，然后执行，最后把执行结果汇报给 MasterSever。由于担心所有的压力都集中在 Active MasterSever 上，因此做了无中心化的设计架构。

ApacheDolphin Scheduler 架构

在最初的架构设计中，MasterSever 和 WorkerSever 完全隔离，WorkerSever 拿到任务之后，把任务更新到数据库里面，导致 WorkerSever 对于数据库造成的压力非常大。比如联通把省公司的数据都汇总到数据中心，有一百多台的 WorkerSever 节点，WorkerSever 又做了数据库的连接池，数据库的压力会非常大。WorkerSever 负责执行各种工作流，这也是调度系统经常会用到的，我们希望工作流和工作流之间是有设计方法的，比如数仓按照数仓的分层原则，一层一层之间十分地清晰。

我们有一个依赖类型，这个依赖可以跨项目、跨工作流去依赖其他不同频度的任务，比如说一个天任务，依赖一个小时的任务，这里有一个依赖节点就可以了。整体上有一个注册中心，WorkerSever 都可以接受注册，WorkerSever 挂了，MasterSever 恢复，MasterSever 挂了，有其他的 MasterSever 监听到，其他的 MasterSever 接受它的工作流，进行故障 MasterSever 恢复。

MasterSever 1.0 时代的设计是无中心化的，遇到的问题是如何让 MasterSever 同时工作。我们先设计了一个简单的方式，先抢锁，然后去工作，跟踪的时候发现 Zookeeper 去充当锁，或是 MasterSever 去充当锁，抢锁的时间需要 50 -60 ms，非常慢。于是，我们又做了设计上的优化，首先是抢锁，抢到锁之后，把整个工作流界面做成一个图，然后去构建工作流，最终再把每个运行的任务形成任务实例。这是 1.0 时代的设计，后来发现性能比较低。

—1.X原先设计

在 Dolphinscheduler 2.0 时开始找分布式锁，我们根据 MasterSever 的算法，支持多种拓展，来找到它们的槽位。先去做分片，注册 MasterSever 会生成一个分片编号，Command 是执行的工作流，在去分布式锁的时候进行了这样的一个设计，根据槽位查询数据库，然后会生产工作流的实例，交给 Worker 执行，根据分片的槽位去计算。这就是去分布式锁设计。

去分布式锁设计—新版本设计

1.0 版本对线程的使用非常重，纵使是 8C16G 的机器也需要配置几百个线程。在 2.0 时代，我们进行了线性模式的拆分、改造。MasterSchedulerService ThreadPool 负责从 Command 表中分片获取要执行的 Command, 构造工作流实例，拆分待执行任务，生成任务实例，提交任务队列，启动 WorkFlowExecuteThread 处理。WorkFlowExecuteThread工具，负责构建 DAG, DAG 拆分，生成任务实例，提交到任务队列；同时负责处理任务状态和工作流状态变化，还负责任务/工作流超时监控。

新版本的 Master 端有那些变化呢？

• 大幅减少 Master 的线程使用。
• 使用分片机制获取命令队列。
• 增加状态事件的处理机制。
• 增加 Master 与 Master 之间的通信，一个 MasterSever 挂了之后，其他的 MasterSever 会互相的通信。
• 增加 Master 的缓冲机制，不仅仅是在 MasterSever，在 IPASever上也增加了缓存。

Master 线程模型重构—2.X 版本设计

做了系统的架构改造之后，吞吐量提升了 20 倍。当然到了 3.0 版本，提升的倍数会更多。随着架构的演进，吞吐量会有更大的提升。这也正式开源有意思的地方：大家都可以提出自己的想法，把开源最新的思想在项目中实现，并被成千上万的用户使用，在使用中完善项目，这就是开源最大的魅力。

改造后的架构效果—吞吐 20 倍提升

Dolphinscheduler & OceanBase 解决方案

下图是 Dolphinscheduler 和 OceanBase 的解决方案，架构分为三层，底层是各种文件系统，中间层是分析引擎如 Spark、Flink、Hive；上层是应用层。从存储到采集、计算，到转化，一直到 BI，最后到看到结果的数据，充当了一个箭头的作用。

DolphinScheduler + OceanBase 解决方案

Dolphinscheduler基于 OceanBase 高可用、低成本、高扩展、高性能特性有了一些学习和思考。由于OceanBase 基于 Paxos 协议保证强一致性，因此我们在做分布事务的时候，数据强一致性以及不重、不丢都是必须要保证的。另外我们非常看好OceanBase 的一些特性，比如在扩容时，自动实现负载均衡；再比如低成本，无需太多组件，并且可以随时玩起来。

那么，OceanBase 在 DolphinScheduler 里发挥了什么作用呢？

首先，作为 DolphinScheduler 的数据源，方便用户更简单快捷创建 SQL 任务。数据存储在 OceanBase 里，简化数据工作流处理，方便把整个工作流串联起来，用 SQL 进行处理，所以我们对于 SQL 也做了很多的优化，包括执行多少个 SQL，做了很多的设计。得益于 OceanBase 数据源的高扩展能力，结合 OceanBase 高压缩比的低成本优势，让用户在大规模使用时受益。

其次，作为 DolphinScheduler 元数据基础依赖，存放 DolphinScheduler 本身的各项关键信。Dolphinscheduler 底层的表数据量增量非常快，但是调度的任务一般不能删，需要保存一两年数据的时候，整体数据量相当复杂，原来尝试使用普通表存储，但是汇总数据的时候很麻烦。现在我们用一个分布式数据库存储，让 OceanBase 充当元数据库，保证调度系统的稳定性。当然，在稳定性上我们会慎之又慎，需要做很多的稳定性测试，也希望有更多的社区小伙伴可以加入共同测试。

DolphinScheduler Roadma

DolphinScheduler Roadma 依照社区需求和关注度来安排功能优先级， 做哪些功能由邮件讨论决定。我们计划动态任务插件支持、支持远程任务调度、Remote Task、更好支持 Streaming Task、K8S Operator、更好支持 Streaming Task、Easy to use（更多请参考：https://github.com/apache/dolphinscheduler/issues/13459）。在今年，我们支持 SeaTunnel Zeta 引擎选择，SeaTunnel Zeta 是我们花了10个月、投入了上百人研发的另外一个数据平台的产品，是 SeaTunnel 专有的同步引擎。

Apache DolphinScheduler Use Case

Dolphinscheduler 在海内外拥有丰富的用户基础，如中国联通、Shein、荔枝 PM、360 等，希望Dolphinscheduler 调度系统能为更多的用户带来便利。Dolphinscheduler 有一个很出名的口号：工具选的好、下班回家早、调度用的对，半夜安心睡。希望调度系统和 AI 的结合，可以为大家的业务赋能，为大家的身体松绑。

让中国的开源真正地走向全球，让更多人知道中国的开源项目也很厉害，是我们的愿景。欢迎大家参与到社区讨论和共建里来，参与到中国开源项目的建设中来。

附：

OceanBase GitHub项目地址：https://github.com/oceanbase/oceanbase

Dolphinscheduler 项目地址：https://github.com/apache/dolphinscheduler

Dolphinscheduler 官网: https://dolphinscheduler.apache.org