用Python实现一个细粒度hadoop作业监控分析工具

 

在使用或者管理维护hadoop集群的时候，监控工具是必不可少的，hadoop集群相关的监控工具有ganglia，chukwa，功能强大，可以监控整个集群的资源使用状况。但是面对一些问题，比如具体到单个job，mapper，ruducer粒度的测试，profiling，性能调优等，ganglia，chukwa等集群监控工具的监控粒度似乎有些大，好像没有提供针对单个job->task->task-attempt级别的性能数据采集与监控（对它们了解比较少，可能有这个功能我没找到？）

正好最近在尝试优化mapreduce的单机计算部分，需要一个粒度到task_attempt级别的监控工具来收集CPU，内存等性能相关的信息。需求如下：

1.       收集集群中每个mapreduce task相关的进程的动态运行信息(CPU, RSS, VM等, 可扩充)， 按照job-> task_attempt->process的层次组织；

2.       使用streaming/bistreaming的job每个task_attempt由多个进程组成，这种多进程task也需要识别；

3.       用户可以以web方式浏览每个提交的任务的细粒度运行信息，这些信息通过文本和图表方式展示。

简单分析下需求后，发现可以拿python很快的实现一个：

1.       每个task tracker node部署一个monitor负责收集信息，并将信息通过http POST方式实时发送给server

2.       Server负责将收集到的信心组织成job->task_attempt->process->value_seq的层次形式，并提供web接口供用户浏览

所以这个工具就两个模块，monitor和server，使用python丰富的工具库后代码很少，每个模块一个数百行的py文件即可：

1.       Monitor的监控数据采集使用psutil(http://code.google.com/p/psutil )，与server的通信使用httplib，数据以json方式编码；

2.       Server的web server使用webpy(http://webpy.org/)，将数据转化成图表使用matplotlib(http://matplotlib.sourceforge.net, 在前两篇文章中也有介绍)

由于代码不多，下面会详细介绍实现，网络，多线程，web，图形，系统编程都有些涉及，对学习python或者了解上述几个工具类库的使用来说算是一个不错入门例子吧。

 

先来介绍monitor模块，分成数据收集和数据发送两块，各实现为一个线程。

数据收集线程  ->  buffer -> 数据发送线程， 典型的生产-消费模型

1.       收集线程：

识别新的attempt进程将之放入usefull_processes中

遍历usefull_processes，收集进程信息并封装成json string，append到buffer中

2.       发送线程：

定时检查buffer是否有内容，并批量发送给server

 

相关代码：

 

import sys import traceback import time import socket import threading import json import psutil hostname = socket.gethostname() def get_attempt_id(pid): current = pid while (True): if current <= 1000: return None p = psutil.Process(current) cmd = " ".join(p.cmdline) pos = cmd.find(" attempt_") if pos > 0: end = cmd.find(" ", pos+1) if end == -1: return cmd[pos+1] return cmd[pos+1:end] current = p.ppid def get_event(pid, attempt_id, t): p = attempt_id[1] meminfo = p.get_memory_info() timeinfo = p.get_cpu_times() info = {"attempt":attempt_id[0], "pid": pid, "cmd": " ".join(p.cmdline), "start":p.create_time, "current":t, "tuser":timeinfo[0], "tsystem":timeinfo[1], "rss":meminfo[0], "vms":meminfo[1], "cpu":p.get_cpu_percent(0.0), "threads":p.get_num_threads(), "host":hostname} ret = json.dumps(info) #print ret return ret +"/n"; usefull_pids = {} rubbish_pids = {} event_buffer = [] event_buffer_lock = threading.Lock() def check_processes(): global event_buffer # check for new process pids = psutil.get_pid_list() #print pids for pid in pids: if usefull_pids.has_key(pid): continue if rubbish_pids.has_key(pid): continue # try: attempt_id = get_attempt_id(pid) if attempt_id: sys.stderr.write("Get new process [%d] for hadoop task attempt [%s]/n" % (pid, attempt_id)) usefull_pids[pid