CN111506399B - 任务迁移方法、装置、电子设备及存储介质 - Google Patents

任务迁移方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111506399B
CN111506399B CN202010147172.7A CN202010147172A CN111506399B CN 111506399 B CN111506399 B CN 111506399B CN 202010147172 A CN202010147172 A CN 202010147172A CN 111506399 B CN111506399 B CN 111506399B
Authority
CN
China
Prior art keywords
task
spark
hadoop
conversion
processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010147172.7A
Other languages
English (en)
Other versions
CN111506399A (zh
Inventor
郝海蛟
吕旭光
赵建新
刘林宏
李豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010147172.7A priority Critical patent/CN111506399B/zh
Publication of CN111506399A publication Critical patent/CN111506399A/zh
Priority to PCT/CN2020/113091 priority patent/WO2021174791A1/zh
Priority to JP2021568198A priority patent/JP2022532739A/ja
Priority to US17/413,470 priority patent/US11822957B2/en
Priority to EP20897630.8A priority patent/EP3905040A4/en
Priority to KR1020217034745A priority patent/KR20210141703A/ko
Application granted granted Critical
Publication of CN111506399B publication Critical patent/CN111506399B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
    • G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
    • G06F9/4862—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration the task being a mobile agent, i.e. specifically designed to migrate
    • G06F9/4875—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration the task being a mobile agent, i.e. specifically designed to migrate with migration policy, e.g. auction, contract negotiation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
    • G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/30—Creation or generation of source code
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/541—Interprogram communication via adapters, e.g. between incompatible applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Stored Programmes (AREA)
  • Devices For Executing Special Programs (AREA)

Abstract

本申请公开了任务迁移方法、装置、电子设备及存储介质，涉及数据处理领域，其中的方法可包括：获取用户提交的任务；若所述任务为Hadoop任务，且确定需要进行任务转换，则将所述任务中的Hadoop参数转换为Spark可识别的参数；将转换结果注入预定工具包，提交到Spark集群。应用本申请所述方案，可减少用户的工作量，并提升处理效率等。

Description

任务迁移方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机应用技术，特别涉及数据处理领域的任务迁移方法、装置、电子设备及存储介质。
背景技术
Spark模型的算力和性能均优于Hadoop模型。Hadoop是一个分布式系统，充分利用集群的威力进行高速运算和存储，Spark是一个快速的、用于海量数据处理的通用引擎。
传统方式中，很多离线任务均使用Hadoop模型编写并运行，考虑到Spark模型的优势，希望能够实现Hadoop任务的迁移，即将Hadoop任务转换为Spark任务。
目前的处理方式中，通常需要业务研发人员手动地进行任务的转换，但这种方式需要耗费业务研发人员很大的工作量，而且效率低下。
发明内容
有鉴于此，本申请提供了任务迁移方法、装置、电子设备及存储介质。
一种任务迁移方法，包括：
获取用户提交的任务；
若所述任务为Hadoop任务，且确定需要进行任务转换，则将所述任务中的Hadoop参数转换为Spark可识别的参数；
将转换结果注入预定工具包，提交到Spark集群。
根据本申请一优选实施例，所述确定需要进行任务转换包括：
通过请求服务端获取所述用户预先所作的配置；
根据所述配置确定出是否需要进行任务转换。
根据本申请一优选实施例，该方法进一步包括：
若所述任务为指示从Hadoop任务向Spark任务转换的Hadoop2Spark任务，则将所述任务中的Hadoop参数转换为Spark可识别的参数；
将转换结果注入预定工具包，提交到所述Spark集群。
根据本申请一优选实施例，该方法进一步包括：
若所述任务为Hadoop任务，且确定不需要进行任务转换，则将所述任务提交到Hadoop集群；
若所述任务为Spark任务，则将所述任务提交到所述Spark集群。
根据本申请一优选实施例，所述将转换结果注入预定工具包，提交到Spark集群包括：
将转换结果注入预定工具包，提交Spark任务到Spark集群；
其中，所述Spark任务经过预定处理后，实现与Hadoop逻辑等价的映射map和化简reduce处理。
一种任务迁移装置，包括：任务获取单元以及任务处理单元；
所述任务获取单元，用于获取用户提交的任务；
所述任务处理单元，用于当所述任务为Hadoop任务，且确定需要进行任务转换时，将所述任务中的Hadoop参数转换为Spark可识别的参数，并将转换结果注入预定工具包，提交到Spark集群。
根据本申请一优选实施例，所述任务处理单元通过请求服务端获取所述用户预先所作的配置，根据所述配置确定出是否需要进行任务转换。
根据本申请一优选实施例，所述任务处理单元进一步用于，若所述任务为指示从Hadoop任务向Spark任务转换的Hadoop2Spark任务，则将所述任务中的Hadoop参数转换为Spark可识别的参数，并将转换结果注入预定工具包，提交到所述Spark集群。
根据本申请一优选实施例，所述任务处理单元进一步用于，若所述任务为Hadoop任务，且确定不需要进行任务转换，则将所述任务提交到Hadoop集群，若所述任务为Spark任务，则将所述任务提交到所述Spark集群。
根据本申请一优选实施例，所述任务处理单元进将转换结果注入预定工具包，提交Spark任务到Spark集群；其中，所述Spark任务经过预定处理后，实现与Hadoop逻辑等价的映射map和化简reduce处理。
一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果：可将用户提交的Hadoop任务直接转换为Spark任务，从而使得用户可以实现零成本的任务迁移，进而减少了用户的工作量，并提升了处理效率等；而且，用户可根据自身需要灵活配置是否进行任务转换，从而可以满足用户的不同场景需求等；另外，可使用算力更强、性能更佳的Spark模型来完成map和reduce处理，从而能够更好的满足用户的离线计算需求等；再有，不会对现有的其它任务如不需要进行任务转换的Hadoop任务及Spark任务等的处理造成影响，具有很好的兼容性等；上述可选方式所具有的其它效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请所述任务迁移方法第一实施例的流程图；
图2为本申请所述任务迁移方法第二实施例的流程图；
图3为本申请所述提交后的Spark任务的处理过程示意图；
图4为本申请所述任务迁移装置实施例400的组成结构示意图；
图5为根据本申请实施例所述方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本申请所述任务迁移方法第一实施例的流程图。如图1所示，包括以下具体实现方式。
在101中，获取用户提交的任务。
在102中，若所述任务为Hadoop任务，且确定需要进行任务转换，则将任务中的Hadoop参数转换为Spark可识别的参数。
在103中，将转换结果注入预定工具包，提交到Spark集群。
本实施例中，在获取到用户(如业务研发人员)提交的任务后，可首先确定任务的类型，若为Hadoop任务，可进一步确定是否需要进行任务转换。按照现有处理方式，用户使用离线任务的客户端提交Hadoop任务后，会直接提交到Hadoop集群，而本实施例中，客户端会截获用户提交的Hadoop任务，并进一步确定是否需要进行任务转换。
作为一种优选的实现方式，客户端可通过请求服务端获取用户预先所作的配置，根据所述配置确定出是否需要进行任务转换。比如，可请求服务端获取是否以Spark方式运行的标志位，如果该标志位显示该任务在管理平台被用户勾选为以Spark方式运行，则确定需要进行任务转换，否则，确定不需要进行任务转换。
相应地，若确定需要进行任务转换，可将Hadoop任务中的Hadoop参数转换为Spark可识别的参数。即客户端可解析截获的Hadoop任务，将Hadoop命令转换为Spark命令。具体转换方式可预先设定，如可按照设定的转换规则进行转换等。
之后，可将转换结果注入预定工具包，提交到Spark集群。作为一种优选的实现方式，所述工具包可为mrtools.jar工具包。可将mrtools.jar工具包作为Spark app，提交Spark任务到Spark集群。
提交到Spark集群的Spark任务经过预定处理后，实现与Hadoop逻辑等价的映射(map)和化简(reduce)处理。
具体地，到达Spark集群的工具包会负责初始化Spark上下文(context)，并先后经过map阶段的hadoop流(hadoopStreaming)算子、混洗(shuffle)阶段的重分区及分区内排序(repartitionAndSortWithinPartitions)算子以及reduce阶段的hadoopStreaming算子等，实现与Hadoop逻辑等价的map和reduce处理。Spark模型采用特有的内存模型和Kryo序列化等方式，可实现更快速、更节省中央处理单元(CPU，Central Processing Unit)的计算。
通过上述介绍可以看出，本实施例所述方法中可将用户提交的Hadoop任务直接转换为Spark任务，从而使得用户可以实现零成本的任务迁移，进而减少了用户的工作量，并提升了处理效率等；而且，用户可根据自身需要灵活配置是否进行任务转换，从而可以满足用户的不同场景需求等；另外，可使用算力更强、性能更佳的Spark模型来完成map和reduce处理，从而能够更好的满足用户的离线计算需求等。
用户提交的任务除了可为Hadoop任务外，还可为指示从Hadoop任务向Spark任务转换的Hadoop2Spark任务以及Spark任务等。
以上介绍的均为当用户提交的任务为Hadoop任务且确定需要进行任务转换时的处理方式。若用户提交的任务为Hadoop任务，且确定不需要进行任务转换，那么可直接将任务提交到Hadoop集群。若用户提交的任务为Spark任务，可直接将任务提交到Spark集群。
若用户提交的任务为Hadoop2Spark任务，那么可将任务中的Hadoop参数转换为Spark可识别的参数，并将转换结果注入预定工具包，提交到Spark集群。由于Hadoop2Spark任务为指示了从Hadoop任务向Spark任务转换的任务，因此无需执行通过请求服务端获取用户预先所作的配置，根据所述配置确定出是否需要进行任务转换的处理。如前所述，作为一种优选的实现方式，所述工具包可为mrtools.jar工具包。可将mrtools.jar工具包作为Spark app，提交Spark任务到Spark集群。提交到Spark集群的Spark任务经过预定处理后，可实现与Hadoop逻辑等价的map和reduce处理。
通过上述介绍可以看出，本实施例所述方法不会对现有的其它任务如不需要进行任务转换的Hadoop任务及Spark任务等的处理造成影响，具有很好的兼容性等。
综合上述介绍，图2为本申请所述任务迁移方法第二实施例的流程图。如图2所示，包括以下具体实现方式。
在201中，获取用户提交的任务。
用户可预先在服务端的管理平台上进行注册及任务配置等，如可在管理平台上将Hadoop任务勾选为以Spark方式运行。
另外，用户可根据实际需要，提交不同类型的任务，如可包括Hadoop任务、Hadoop2Spark及Spark任务等。
在202中，确定用户提交的任务的类型，若为Spark任务，则执行203，若为Hadoop任务，则执行204，若为Hadoop2Spark，则执行207。
在203中，将任务提交到Spark集群，之后结束流程。
对于用户提交的Spark任务，可按照现有方式提交到Spark集群。
在204中，通过请求服务端获取用户预先所作的配置。
在205中，根据所述配置确定出是否需要进行任务转换，若否，则执行206，若是，则执行207。
比如，可请求服务端获取是否以Spark方式运行的标志位，如果该标志位显示该任务在管理平台被用户勾选为以Spark方式运行，则确定需要进行任务转换，否则，确定不需要进行任务转换。
在206中，将任务提交到Hadoop集群，之后结束流程。
对于用户提交的Hadoop任务，若确定不需要进行任务转换，可按照现有方式提交到Hadoop集群。
在207中，将任务中的Hadoop参数转换为Spark可识别的参数。
在208中，将转换结果注入预定工具包，提交到Spark集群，之后结束流程。
可将转换结果注入预定工具包，提交Spark任务到Spark集群。所述工具包可为mrtools.jar工具包，可将mrtools.jar工具包作为Spark app，提交Spark任务到Spark集群。
提交到Spark集群的Spark任务经过预定处理后，实现与Hadoop逻辑等价的map和reduce处理。
图3为本申请所述提交后的Spark任务的处理过程示意图。如图3所示，到达Spark集群的工具包会负责初始化Spark上下文，并先后经过map阶段的hadoopStreaming算子、shuffle阶段的repartitionAndSortWithinPartitions算子和reduce阶段的hadoopStreaming算子等，实现与Hadoop逻辑等价的map和reduce处理，即任务的产出和Hadoop集群中的任务的产出是一样的，将最终得到的结果输出。
需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
总之，采用本申请方法实施例所述方案，可将用户提交的Hadoop任务直接转换为Spark任务，从而使得用户可以实现零成本的任务迁移，进而减少了用户的工作量，并提升了处理效率等；而且，用户可根据自身需要灵活配置是否进行任务转换，从而可以满足用户的不同场景需求等；另外，可使用算力更强、性能更佳的Spark模型来完成map和reduce处理，从而能够更好的满足用户的离线计算需求等；再有，不会对现有的其它任务如不需要进行任务转换的Hadoop任务及Spark任务等的处理造成影响，具有很好的兼容性等。
以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。
图4为本申请所述任务迁移装置实施例400的组成结构示意图。如图4所示，包括：任务获取单元401以及任务处理单元402。
任务获取单元401，用于获取用户提交的任务。
任务处理单元402，用于当获取到的任务为Hadoop任务，且确定需要进行任务转换时，将任务中的Hadoop参数转换为Spark可识别的参数，并将转换结果注入预定工具包，提交到Spark集群。
作为一种优选的实现方式，任务处理单元402可通过请求服务端获取用户预先所作的配置，根据所述配置确定出是否需要进行任务转换。比如，可请求服务端获取是否以Spark方式运行的标志位，如果该标志位显示该任务在管理平台被用户勾选为以Spark方式运行，则确定需要进行任务转换，否则，确定不需要进行任务转换。
相应地，若确定需要进行任务转换，任务处理单元402可将Hadoop任务中的Hadoop参数转换为Spark可识别的参数。
之后，任务处理单元402可将转换结果注入预定工具包，提交到Spark集群。作为一种优选的实现方式，所述工具包可为mrtools.jar工具包。可将mrtools.jar工具包作为Spark app，提交Spark任务到Spark集群。其中，提交到Spark集群的Spark任务经过预定处理后，实现与Hadoop逻辑等价的map和reduce处理。
具体地，到达Spark集群的工具包会负责初始化Spark上下文，并先后经过map阶段的hadoopStreaming算子、shuffle阶段的repartitionAndSortWithinPartitions算子和reduce阶段的hadoopStreaming算子等，实现与Hadoop逻辑等价的map和reduce处理。
用户提交的任务除了可为Hadoop任务外，还可为指示从Hadoop任务向Spark任务转换的Hadoop2Spark任务以及Spark任务等。
若用户提交的任务为Hadoop2Spark任务，任务处理单元402可将任务中的Hadoop参数转换为Spark可识别的参数，并将转换结果注入预定工具包，提交到Spark集群。
若用户提交的任务为Hadoop任务，且确定不需要进行任务转换，任务处理单元402可将任务提交到Hadoop集群。若用户提交的任务为Spark任务，任务处理单元402可将任务提交到Spark集群。
图4所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。
总之，采用本申请装置实施例所述方案，可将用户提交的Hadoop任务直接转换为Spark任务，从而使得用户可以实现零成本的任务迁移，进而减少了用户的工作量，并提升了处理效率等；而且，用户可根据自身需要灵活配置是否进行任务转换，从而可以满足用户的不同场景需求等；另外，可使用算力更强、性能更佳的Spark模型来完成map和reduce处理，从而能够更好的满足用户的离线计算需求等；再有，不会对现有的其它任务如不需要进行任务转换的Hadoop任务及Spark任务等的处理造成影响，具有很好的兼容性等。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图5所示，是根据本申请实施例所述方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器Y01、存储器Y02，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器Y01为例。
存储器Y02即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的方法。
存储器Y02作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的方法对应的程序指令/模块。处理器Y01通过运行存储在存储器Y02中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器Y02可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器Y02可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器Y02可选包括相对于处理器Y01远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及其组合。
电子设备还可以包括：输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器、发光二极管显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，阴极射线管或者液晶显示器监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网、广域网、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (8)

1.一种任务迁移方法，其特征在于，包括：
截获用户提交的Hadoop任务，请求服务端获取是否以Spark方式运行的标志位，响应于确定所述标志位显示所述Hadoop任务在管理平台被用户勾选为以Spark方式运行，确定需要进行任务转换，否则，确定不需要进行任务转换；
响应于确定需要进行任务转换，按照设定的转换规则，将所述任务中的Hadoop参数转换为Spark可识别的参数；
将转换结果注入预定工具包，提交Spark任务到Spark集群，其中，所述Spark任务经过预定处理后，实现与Hadoop逻辑等价的映射map和化简reduce处理，所述预定处理包括：初始化Spark上下文、map阶段的hadoop流算子处理、混洗阶段的重分区及分区内排序算子处理以及reduce阶段的hadoop流算子处理。
2.根据权利要求1所述的方法，其特征在于，
该方法进一步包括：
若所述任务为指示从Hadoop任务向Spark任务转换的Hadoop2Spark任务，则将所述任务中的Hadoop参数转换为Spark可识别的参数；
将转换结果注入预定工具包，提交到所述Spark集群。
3.根据权利要求1所述的方法，其特征在于，
该方法进一步包括：
若所述任务为Hadoop任务，且确定不需要进行任务转换，则将所述任务提交到Hadoop集群；
若所述任务为Spark任务，则将所述任务提交到所述Spark集群。
4.一种任务迁移装置，其特征在于，包括：任务获取单元以及任务处理单元；
所述任务获取单元，用于截获用户提交的Hadoop任务；
所述任务处理单元，用于请求服务端获取是否以Spark方式运行的标志位，响应于确定所述标志位显示所述Hadoop任务在管理平台被用户勾选为以Spark方式运行，确定需要进行任务转换，否则，确定不需要进行任务转换，响应于确定需要进行任务转换时，按照设定的转换规则，将所述任务中的Hadoop参数转换为Spark可识别的参数，并将转换结果注入预定工具包，提交Spark任务到Spark集群；其中，所述Spark任务经过预定处理后，实现与Hadoop逻辑等价的映射map和化简reduce处理，所述预定处理包括：初始化Spark上下文、map阶段的hadoop流算子处理、混洗阶段的重分区及分区内排序算子处理以及reduce阶段的hadoop流算子处理。
5.根据权利要求4所述的装置，其特征在于，
所述任务处理单元进一步用于，若所述任务为指示从Hadoop任务向Spark任务转换的Hadoop2Spark任务，则将所述任务中的Hadoop参数转换为Spark可识别的参数，并将转换结果注入预定工具包，提交到所述Spark集群。
6.根据权利要求4所述的装置，其特征在于，
所述任务处理单元进一步用于，若所述任务为Hadoop任务，且确定不需要进行任务转换，则将所述任务提交到Hadoop集群，若所述任务为Spark任务，则将所述任务提交到所述Spark集群。
7.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
CN202010147172.7A 2020-03-05 2020-03-05 任务迁移方法、装置、电子设备及存储介质 Active CN111506399B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN202010147172.7A CN111506399B (zh) 2020-03-05 2020-03-05 任务迁移方法、装置、电子设备及存储介质
PCT/CN2020/113091 WO2021174791A1 (zh) 2020-03-05 2020-09-02 任务迁移方法、装置、电子设备及存储介质
JP2021568198A JP2022532739A (ja) 2020-03-05 2020-09-02 タスクマイグレーション方法、装置、電子機器および記憶媒体
US17/413,470 US11822957B2 (en) 2020-03-05 2020-09-02 Task migration method, apparatus, electronic device and storage medium
EP20897630.8A EP3905040A4 (en) 2020-03-05 2020-09-02 TASK MIGRATION METHOD AND DEVICE, AND ELECTRONIC DEVICE AND STORAGE MEDIA
KR1020217034745A KR20210141703A (ko) 2020-03-05 2020-09-02 태스크 마이그레이션 방법, 장치, 전자 기기 및 기록 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010147172.7A CN111506399B (zh) 2020-03-05 2020-03-05 任务迁移方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111506399A CN111506399A (zh) 2020-08-07
CN111506399B true CN111506399B (zh) 2024-03-22

Family

ID=71877640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010147172.7A Active CN111506399B (zh) 2020-03-05 2020-03-05 任务迁移方法、装置、电子设备及存储介质

Country Status (6)

Country Link
US (1) US11822957B2 (zh)
EP (1) EP3905040A4 (zh)
JP (1) JP2022532739A (zh)
KR (1) KR20210141703A (zh)
CN (1) CN111506399B (zh)
WO (1) WO2021174791A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111506399B (zh) * 2020-03-05 2024-03-22 百度在线网络技术（北京）有限公司 任务迁移方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106648674A (zh) * 2016-12-28 2017-05-10 北京奇艺世纪科技有限公司 一种大数据计算管理方法及系统
CN106991166A (zh) * 2017-03-31 2017-07-28 北京奇艺世纪科技有限公司 一种大数据处理方法及装置
CN107526546A (zh) * 2017-08-25 2017-12-29 深圳大学 一种Spark分布式计算数据处理方法及系统
US10261767B2 (en) * 2016-09-15 2019-04-16 Talend, Inc. Data integration job conversion

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9910888B2 (en) 2014-10-01 2018-03-06 Red Hat, Inc. Map-reduce job virtualization
US11221890B2 (en) * 2016-06-22 2022-01-11 Verizon Media Inc. Systems and methods for dynamic partitioning in distributed environments
CN106294745A (zh) 2016-08-10 2017-01-04 东方网力科技股份有限公司 大数据清洗方法及装置
US11244244B1 (en) * 2018-10-29 2022-02-08 Groupon, Inc. Machine learning systems architectures for ranking
US11449461B2 (en) * 2019-12-17 2022-09-20 Visa International Service Association Metadata-driven distributed dynamic reader and writer
CN111506399B (zh) 2020-03-05 2024-03-22 百度在线网络技术（北京）有限公司 任务迁移方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10261767B2 (en) * 2016-09-15 2019-04-16 Talend, Inc. Data integration job conversion
CN106648674A (zh) * 2016-12-28 2017-05-10 北京奇艺世纪科技有限公司 一种大数据计算管理方法及系统
CN106991166A (zh) * 2017-03-31 2017-07-28 北京奇艺世纪科技有限公司 一种大数据处理方法及装置
CN107526546A (zh) * 2017-08-25 2017-12-29 深圳大学 一种Spark分布式计算数据处理方法及系统

Also Published As

Publication number Publication date
EP3905040A1 (en) 2021-11-03
KR20210141703A (ko) 2021-11-23
US20220398127A1 (en) 2022-12-15
US11822957B2 (en) 2023-11-21
EP3905040A4 (en) 2022-03-09
WO2021174791A1 (zh) 2021-09-10
JP2022532739A (ja) 2022-07-19
CN111506399A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
US11445008B2 (en) Data processing methods, electronic devices, and storage media
JP2021106018A (ja) データ処理方法、装置、機器及び記憶媒体
US20210248469A1 (en) Method and apparatus for scheduling deep learning reasoning engines, device, and medium
WO2023109138A1 (zh) Linux系统中启动安卓应用的方法、装置和电子设备
CN111159592B (zh) 搜索结果页生成方法、装置、电子设备及存储介质
CN111488492B (zh) 用于检索图数据库的方法和装置
EP3961395A1 (en) Method and apparatus for scheduling memory access request, device and storage medium
CN111930539A (zh) 基于标签引擎的任务管理方法、装置、设备及存储介质
CN114077367A (zh) Linux系统中实现安卓应用快捷方式的方法和装置
WO2023226197A1 (zh) 基于kubernetes的云原生存储方法、装置、设备及介质
CN111782147A (zh) 用于集群扩缩容的方法和装置
CN111061743B (zh) 数据加工方法、装置和电子设备
CN112015468A (zh) 一种接口文档处理方法、装置、电子设备以及存储介质
CN111740859A (zh) 一种测试环境的部署方法、装置、电子设备及存储介质
CN111506399B (zh) 任务迁移方法、装置、电子设备及存储介质
CN111782341B (zh) 用于管理集群的方法和装置
CN111767149A (zh) 调度方法、装置、设备及存储设备
CN111857656B (zh) 数据处理方法、装置、电子设备及存储介质
CN112270412B (zh) 网络算子处理方法、装置、电子设备及存储介质
CN114217798A (zh) 数据库表单界面的代码生成方法和装置
CN111292223A (zh) 图计算的处理方法、装置、电子设备及存储介质
CN111506420B (zh) 内存同步方法、装置、电子设备及存储介质
CN111597281B (zh) 车辆定位系统、方法、装置以及电子设备
CN113568761B (zh) 数据处理方法、装置、设备及存储介质
CN118132001A (zh) 数据处理方法、数据处理系统、芯片、设备和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant