Ray插件java侧代码走读

Ray.distribute_execute中，关注2个配置：

• envs ： 定义当前用户，python的一些环境，比如SQL中定义的!python env "PYTHON_ENV=source activate ray1.8.0"; ，后面会由ArrowPythonRunner去传递到python进程里面。

• runnerConf ：保存了HOME、OWNER、GROUP_ID三要素，会通过Input流传输给python进程。

我们会在driver侧启动2个socketServer，分别是：

• temp-model-server-in-spark：用于方便python侧读取模型

• temp-data-server-in-spark：用于方便python侧读取数据集

上述2个Server都是随机生成的端口。如果5分钟内没有client来连接，会自动关闭掉。

然后我们会看在driver运行还是executor运行，这里启动pythonRunner的方式是一样的，区别是driver模式会使用之前起好的dataServer执行，而executor模式是使用mapPartition在每个executor中运行。

在选择好执行进程后，会创建ArrowPythonRunner(属于pyjava二方包，即byzer-python)。

我们看下ArrowPythonRunner如何启动python进程并把参数传递到python中的。

 val batch = new ArrowPythonRunner(
 
  Seq(ChainedPythonFunctions(Seq(PythonFunction(
 
  code, envs4j, "python", pythonVersion)))), sourceSchema,
 
  timezoneID, runnerConf
 
 )

我们看下pyjava中的逻辑。

我们会调用父类BasePythonRunner中的compute方法，首先，设置几个参数到envVars（即传入的envs），分别如下：

• PY_WORKER_REUSE = 1 ： 是否启动的时候重用worker

• PY_EXECUTOR_MEMORY：设置python的内存。在用户显式关掉它之前， 他是一个常驻的python worker. 我们可以通过如下方式限制Worker的大小。`!python conf "py_executor_memory=600";``` 实际是从conf中取到放到envs中的

• BUFFER_SIZE：输入输出流的buffer设置

值得注意的是，无论!python env还是!python conf都是session级别有效的。这意味着一旦设置之后，会影响当前用户后续所有的操作。

我们看下worker是如何启动的，在方法createPythonWorker中，会根据一个Tuple key获取是否有缓存好的worker，代码如下：

 
 
 
 def createPythonWorker(pythonExec: String, envVars: Map[String, String], conf: Map[String, String]): java.net.Socket = {
 
  synchronized {
 
  val key = (pythonExec, envVars)
 
  pythonWorkers.getOrElseUpdate(key, new PythonWorkerFactory(pythonExec, envVars, conf)).create()
 
  }

可以看到，如果一个python worker已经创建了，就会被缓存到pythonWorkers中。因为key只有pythonExec,envVars，没有runnerConf，如果用户pythonExec中code和python环境没有变化，就会取到创建好的python worker，所以相应的pythonExec,** envVars,** conf都会被缓存起来不会再变化了，这里就会有相同任务执行多次，GroupId不会变化的bug。因为GroupId是在runnerConf中。

通过create调用创建python进程的逻辑。

pythonWorkers.getOrElseUpdate(key, new PythonWorkerFactory(pythonExec, envVars, conf)).create()

*启动python会有2种模式，一种是直接启动python的worker，第二种是先启动python daemon进程，然后再启动相应的python worker；worker的方式并没有给用户暴露出来，所以默认会走daemon方式。

通过createThroughDaemon创建deamon进程，而如果daemon存在则直接复用，即相同的envs下只有一个daemon进程。因为java中fork进程开销比较大，创建python worker都是在python进程中完成。

byzer进程退出后，daemon会自动销毁。

pyjava会提供一个叫data_manager的变量，方便接受和返回数据给MLSQL主程序。 主要有两个方法： 获取数据， data_manager.fetch_once(), 返回一个迭代器，注意，该方法只能调用一次。 设置返回数据， data_manager.set_output(value) value格式必须是 [[pandas.serial,pandas.serial,...]]