Husky中文文档-PyHusky 架构

PyHusky Architecture

本节介绍husky的架构，其中包括前端和后端。

PyHusky 前端

在PyHusky前端，几乎所有的运算符如map，flat_map和reduce 等都属于DAG的节点，定义了对PyHuskyList中objects的转换。例如， b = a.map(func) 将从PyHuskyList a 返回一个新的PyHuskyList b。另外一些操作，如cache()，count（），collect（）都只是对现有PyHuskyList操作，他们并不在DAG中创建新的节点。

例如，代码wc.py：

a = ["hello", "world", "hello", "husky"]
words = ph.env.parallelize(a)
wc = words.map(lambda x:(x,1)).reduce_by_key(lambda x,y:x+y).collect()

会创建如下的DAG:

   words  (parallelize_py)
     | 
    tmp1  (map_py)
     |
    tmp2  (reduce_by_key_py)
          (collect_py)

PyHusky采取lazy evaluation。，只有Actions才会真正触发计算。 Actions 包括 reduce(func)，cache()，uncache()，write_to_hdfs(url)，count() 和 collect()。

所有的 Actions 调用在frontend/scheduler.py compute() 或者 compute_collect() 方法以触发计算。scheduler首先序列化DAG，然后发送DAG到master并等待结果。

PyHusky 后端

The Pyhusky backend consists of three parts: master who splits and distributes the DAG, C++ backend and python backend. Pyhusky后端由三部分组成：Master（分裂并分配DAG），C ++后端和Python后端。

Master

Master负责从PyHusky前端接收DAG，分裂DAG，并分配分裂后的DAG到不同机器的Daemon上。

1. Master从PyHusky前端接收DAG，分裂DAG为多个任务，然后存储这些任务。

2. Daemons向Master请求新任务。如果有待完成的任务，Master就会分配该任务给该Daemon。

3. 当某个Daemon完成一个任务后，它就会通知Master。Master会收集结果并跟踪其进展。

Daemon

每台机器都运行一个Daemon进程。每一个Daemon进程有两层，即进程层和线程层。我们分别命名为DaemonDriver和WorkerDriver。

1. DaemonDriver向Master请求任务。当它接收到一个新的会话时，它使用husky元进行全局的初始化，并生成线程（WorkerDrivers）。当它接收到一个任务时，它将任务分配到WorkerDrivers并等待WorkerDrivers返回的结果。

2. WorkerDriver从DaemonDriver接收到任务。会话开始时，它会创建一个Python进程（每个WorkerDriver对应一个python进程）。它还指派任务给python进程，然后等待该进程的处理结果，并做相应的操作。

PyHusky 后端

PyHusky Backend is responsible for handling PyHusky operators (e.g. to execute lambda on tuples). It receives DAGs from WorkerDriver and traverses the DAGs. It mainly contains three parts invoking developer-defined functions PyHusky后端从WorkerDriver接收并遍历DAGs，负责处理PyHusky的操作（例如，根据lambda处理每个元组）。后端主要任务是调用开发者定义的三个函数（prefunc()，func()，和postfunc()）。

1.接收到一个DAG后，PyHusky后端会遍历该DAG，并给每个遍历到的操作运用prefunc()。 Prefunc()主要是做一些初始化的工作。例如，对于map_py操作，prefunc()需要反序列化其lambda以便后面的操作可使用这个lambda。

1. 遍历DAG之后，对于各数据分片中的每个元组，PyHusky后端再次遍历DAG并运用func()，使得多个操作可以被同时执行（也就是pipeline，流水线处理）。例如，对于DAG load_py-> map_py-> flat_map_py-> count_py，PyHusky将各个数据分区的每个元组以流的形式通过DAG，以避免因缓存中间结果而占用大量内存。

2. 处理完所有元组后，类似步骤1，PyHusky后端再一次遍历DAG，为每个操作运用postfunc()，做一些定稿工作。例如，对于write_to_hdfs_py操作，postfunc（）实际上是发送输出到C++后端，然后C++后端将输出写入到HDFS。