代码拉取完成，页面将自动刷新
作业(job)是DolphinDB 中最基本的执行单位，可以简单理解为一段DolphinDB脚本代码在系统中的一次执行。作业根据阻塞与否可分为同步作业和异步作业。
同步作业也称为交互式作业(interactive job)，主要通过以下方式提交：
同步作业会阻塞客户端当前的连接，在当前作业返回之前客户端不能再发送新的作业，所以用户能同时发送的同步作业的数量取决于当前节点的最大连接数(通过配置项maxConnections设置)。一个节点能同时执行的同步作业数取决于worker数量（使用非web客户端时，通过配置项workerNum设置）和web worker数量（使用web客户端时，通过配置项webWorkerNum设置）。系统接收同步作业后先进入队列，然后分配给worker或web worker执行。
同步作业在客户端当前连接的节点提交执行，若想在当前连接提交同步作业到同集群另一个节点执行，可调用rpc函数,例如下面代码可查看节点 node2上最近完成的3条查询分布式数据库的SQL语句的描述信息：
rpc("node2",getCompletedQueries{3})
同步作业创建后，可以使用getConsoleJobs查看作业信息。示例如下：
>getConsoleJobs();
node userID rootJobId jobType desc priority parallelism receiveTime sessionId
------ ----- -------------- ------ ------- ------- ----------- ---------------------- -------------
NODE_1 admin b4ff7490-9a... unknown unknown 0 1 2020.03.07T20:42:04.903 323,818,682
NODE_1 guest 12c0be95-e1... unknown unknown 4 2 2020.03.07T20:42:06.319 1,076,727,822
上述结果中node是作业所在节点名，userID是作业创建者，用户可以根据userID找到自己创建的作业，rootJobId是作业编号，priority是优先级，parallelism是并行度，receiveTime是系统接收到作业的时间，sessionId是会话ID。这里需要注意的是：
getConsoleJobs。rpc和pnodeRun查看某个节点或全部节点的同步作业。查看全部数据节点/计算节点上同步作业信息的脚本如下所示： pnodeRun(getConsoleJobs)
另一种方法是在web集群管理器上查看作业。从1.30.16版本起，DolphinDB在web集群管理界面上增加了作业管理功能，支持查看和取消作业。如下图所示，点击左侧边栏中的作业管理后，右边界面会显示运行中的同步作业、已提交的批处理和定时作业。点击同步作业的 +,可显示同步作业的详细信息，点击停止，可取消作业。
取消同步作业可用cancelConsoleJob函数。在DolphinDB系统中，每个作业都有一个唯一的编号，即rootJobId，当作业有很多子任务时，每个子任务的rootJobId跟父作业的rootJobId一致。在DolphinDB系统中取消作业的操作是根据rootJobId进行的。作业编号需用上节所述的getConsoleJobs函数获取。运行getConsoleJobs和cancelConsoleJob需要另起一个会话。为方便用户，DolphinDB GUI中提供了一个取消作业按钮可直接取消当前作业。当作业正在运行时，若强制关闭GUI，GUI会发送一个取消作业的命令，以取消已提交的作业。取消集群中其他节点上的同步作业可借助rpc或pnodeRun函数。例如下面脚本定义了一个取消节点上所有同步作业的函数，并用pnodeRun提交到所有数据节点、计算节点执行：
def cancelAllConsoleJob(){
cancelConsoleJob(getConsoleJobs()[`rootJobid])
}
pnodeRun(cancelAllConsoleJob)
这里需要注意的是：
cancelConsoleJob或getConsoleJobs无法立即被执行。解决此问题的方法，一是用GUI中的取消作业按钮，这个按钮发送任务时会以urgent(紧急)方式发送，也即最高优先级处理；二是从其他节点删除指定的作业，取消子任务的任务发送时也以最高优先级处理。异步作业是在DolphinDB后台执行的作业，这类任务一般对结果的实时反馈要求较低，且需要长期执行，包括：
submitJob或submitJobEx函数提交的批处理作业。scheduleJob函数提交的定时作业。对于定时作业和流数据作业，可分别参阅定时作业教程和流数据教程了解详情。下面详细讲述批处理作业。
批处理作业使用submitJob或submitJobEx创建。两者的区别是submitJobEx可以指定作业的priority（优先级）和parallelism（并行度），这2个概念的详细描述见本文后面章节。
对某些比较耗时的工作，如历史数据写入分布式数据库、即席查询等，我们可以把它封装成一个函数，然后创建为批处理作业。批处理作业与常规交互作业分离，在独立工作线程池中执行。在系统中，批处理作业工作线程数的上限是由配置参数maxBatchJobWorker设置的。如果批处理作业的数量超过了限制，新的批处理作业将会进入队列等待。批处理作业工作线程在闲置超过60秒后会自动销毁。
批处理作业在客户端当前连接的节点提交执行，若需提交到同集群另一个节点执行，可调用rpc函数,例如下面的脚本定义了一个自定义函数demoJob,并提交到node2节点执行：
def demoJob(n){
s = 0
for (x in 1 : n) {
s += sum(sin rand(1.0, 100000000)-0.5)
}
return s
};
rpc("node2", submitJob, "demoJob", "a demo job", demoJob, 1000);
节点上所有批处理作业的信息，可以用getRecentJobs查看。示例如下：
>getRecentJobs(4);
node userID jobId jobDesc priority parallelism receivedTime startTime endTime errorMsg
---- ------ ----- ------- -------- ----------- ------------ --------- ------- --------
NODE_0 admin write write 4 2 2020.03.08T16:09:16.795
NODE_0 admin write check 4 2 2020.01.08T16:09:16.795 2020.01.08T16:09:16.797
NODE_0 guest query query 0 1 2020.01.10T21:44:16.122 2020.01.10T21:44:16.123 2020.01.10T21:44:16.123 Not granted to read table dfs://FuturesContract/
NODE_0 admin test foo 8 64 2020.02.25T01:30:23.458 2020.02.25T01:30:23.460 2020.02.25T01:30:23.460
在作业状态信息列表中，若startTime为空，如上述第一个作业，表示作业还在排队等待执行。若EndTime为空，如上述第二个作业，这意味着作业还在执行中。若errorMsg非空，如上述第三个作业，表示作业有错误。getRecentJobs函数可查看多个作业状态信息，若只需查一个特定的作业状态信息，可用getJobStatus函数。若需查询集群内其他节点的批处理作业信息，可调用用rpc或pnodeRun。查看全部数据节点/计算节点上批处理作业信息的脚本如下所示：
pnodeRun(getRecentJobs)
DolphinDB系统把批处理作业的输出结果保存到磁盘文件。文件路径由配置参数 batchJobDir 指定，默认路径是 /batchJobs 。每个批处理作业产生两个文件夹：<job_id>.msg 和 <Job_id>.obj ，分别存储中间消息和返回对象。另外，当系统接收、开始和完成批处理作业时，每个批处理作业会向 /batchJob.log 添加三条信息。DolphinDB提供了以下2个函数查看相关信息：
getJobMessage: 取得批处理作业返回的中间消息。getJobReturn: 取得批处理作业返回的对象。对已经提交但尚未完成的批处理作业，可使用cancelJob命令取消。与同步作业一样，系统通过设置Cancel标志的方法来取消作业，因此取消作业不是立即就能生效。若需取消其他节点上的批处理作业，可调用rpc或pnodeRun函数，例如下面的脚本可取消所有数据节点/计算节点上未完成的批处理作业：
def cancelAllBatchJob(){
jobids=exec jobid from getRecentJobs() where endTime=NULL
cancelJob(jobids)
}
pnodeRun(cancelAllBatchJob)
在DolphinDB中，对于大型数据表，一般都需要进行分区处理。如果一个job里含有分区表的查询计算任务（如SQL查询），系统会将其分解成多个子任务并发送到不同的节点上并行执行，待子任务执行完毕之后，再合并结果，继续此job的执行。类似的，DolphinDB分布式计算也会被分解成子任务，以子任务为单位进行调度。因此，job也可以理解成一系列的子任务。
DolphinDB首先是一个数据库，内置的计算引擎主要解决高并发、交互式的计算任务。因此DolphinDB的资源配置方式与Apache Spark 等低并发、批处理的计算引擎有所不同。Apache Spark 以独占方式按应用事先分配计算资源包括CPU核，内存等。DolphinDB则将作业分解成子任务，以子任务为单位进行调度。每一个子任务并不独占CPU核和内存。而是将计算资源放入一个共享的资源池，根据每个计算任务的优先级和并行度来调度子任务。
根据数据源的不同，DolphinDB用不同方法分解作业的子任务：
repartitionDS产生数据源，然后使用mr（map reduce）或imr（iterative map reduce，通常用于机器学习）函数来计算的作业。这类作业计算和数据分离，repartitionDS产生的每一个数据源就是一个子任务。与传统的MPP大规模并行处理架构有主节点，每个客户端都连接到这个主节点不同，DolphinDB在数据库层面不存在主节点，是点对点结构，每个客户端可以连接到任何一个数据节点或计算节点。即 每一个数据节点或计算节点都可以执行来自用户提交的作业，而因为一个作业可能产生子任务，每个数据节点/计算节点需要有负责作业内部执行的调度者，DolphinDB中称它为worker，它负责处理用户提交的作业，简单计算任务的执行，并执行作业的任务分解以及任务分发，并汇集最终的执行结果。作业中分解出来的子任务将会被分发到集群中的数据节点上（也有可能是本地数据节点），并由数据节点上的worker或executor线程负责执行。
worker与executor在执行作业的时候主要有以下几种情况：
为了最优性能，DolphinDB database 会将子任务发送到数据所在的数据节点上执行，以减少网络传输开销。比如：
在DolphinDB中，worker与executer主要分以下几类：
一个数据节点的负载在不同时间段是不同的。在上面的例子中，大部分时间8个worker够用，但高峰时段，可能会并发几十个查询。这时候由dynamic worker来解决这种临时性的流量。dynamic worker闲置60秒后会自动销毁。
除了查询这一类比较简单的任务，可能还会有一些例如机器学习比较耗时的任务。这两种耗时差异很大的任务，若混合在同一个工作线程池中，很有可能出现worker被耗时很久的批处理任务占用，简单任务长期得不到响应。因此系统中用batch job worker接收这一类比较耗时的异步作业。它跟worker、web Worker一样，如果有子任务，自己处理一部分，其它的交给worker处理。batch job worker也是临时性的worker，闲置60秒后会自动销毁。
前面提到的作业绝大部分可以通过一个有向无环图（DAG）来表示。但是某些作业会形成一个环。譬如一个用户通过GUI连接到某一个数据节点A并登录。登录需要连接到控制节点，控制节点完成验证后，又会通知所有数据节点（包括节点A）某用户已经登录，这就形成了一个环。当作业形成环的时候，有可能因饥饿导致死锁。假设现在处于节点A只有一个worker，而且已经被当前的登录任务占用的极端情形下，控制节点向A发出通知时，没有多余的worker可以处理，就形成了死锁。系统引入secondary worker的目的就是为了尽可能的避免作业环。引入secondary worker后，控制节点发出通知时，将其发送到所有节点的secondary worker。
有时用户无意创建了一些耗时很久的任务，占用了所有的worker。若希望取消这些作业。DolphinDB提供了函数cancelJob和cancelConsoleJob来取消作业。但是因为当前所有的worker都被占用，取消作业这个任务本身无法被系统处理。此时可用到urgent worker。它只接收一些特殊的系统级任务，譬如登录，取消作业等。
有关线程池的更多信息，请参阅从一次 SQL 查询的全过程看 DolphinDB 的线程模型。
在DolphinDB中，作业是按照优先级进行调度的，优先级的取值范围为0-9，取值越高则优先级越高。对于优先级高的作业，系统会优先给与计算资源。基于作业的优先级，DolphinDB设计了多级反馈队列来调度作业的执行。具体来说，系统维护了10个队列，分别对应10个优先级。系统总是分配线程资源给高优先级的作业，对于处于相同优先级的作业，系统会以round-robin的方式分配线程资源给作业；当一个优先级队列为空的时候，才会处理低优先级的队列中的作业。
DolphinDB作业的优先级可以通过以下方式来设置：
setMaxJobPriority函数设定的该用户最高优先级)。submitJob提交的批处理作业，系统会给与默认优先级4。用户也可以使用submitJobEx函数来指定优先级。并行度表示在一个数据节点上，最多同时可以用多少个线程来执行该作业产生的子任务。并行度默认取值为2，只有使用submitJobEx函数提交的批处理作业才可通过其参数parallelism配置并行度。
并行度可以认为是一种时间片单位。举例来说，若一个作业的并行度为2，且该作业产生了100个并行子任务，那么系统只会分配2个线程用于子任务的计算，因此需要50轮调度才能完成整个作业的执行。为了充分利用资源，系统会进行优化。若当前的本地执行线程有16个，只有一个作业在运行，即使并行度是2，系统也会分给其16个线程。
当有多个作业时，系统按照作业的优先级来调度子任务，优先级高并行度高的作业会分到更多的计算资源。为了防止处于低优先级的作业长时间等待，DolphinDB会适当降低作业的优先级。具体的做法是，当一个作业的时间片被执行完毕后，如果存在比其低优先级的作业，那么将会自动降低一级优先级。当优先级到达最低点后，又回到初始的优先级。因此低优先级的任务迟早会被调度到。
下面以A，B两个作业举例说明。A作业优先级6，并行度4，子任务个数16。B作业优先级4，并行度2，子任务个数2。资源池中的线程个数为4。第一轮调度，优先级最高的是6，计算资源全部分给A。执行完毕后，A的优先级降到5，A的子任务还剩12个。第二轮调度，优先级最高是5，计算资源全部分给A。执行完毕后，A的优先级降到4，A的子任务还剩8个。第三轮调度，优先级最高是4，A和B各有2个子任务被执行。执行完毕后，B已经完成，A优先级仍然为4，A的子任务还剩6个。虽然A的优先级和并行度更高，但是因为子任务太多，最终B先完成任务。
DolphinDB的分布式计算的容错性得益于分区副本冗余存储。当一个子任务被发送到一个分区副本节点上之后，若节点出现故障或者分区副本发生了数据校验错误(副本损坏），job scheduler(即某个数据节点的一个worker线程)将会发现这个故障，并且选择该分区的另一个副本节点，重新执行子任务。可以通过配置参数dfsReplicationFactor来调整这种冗余度。
要提高计算效率，最关键的是数据和计算资源的均衡。具体包括：
当计算引擎出现性能问题，或者某些作业耗时太久，可以从下面这些途径排查问题:
pnodeRun可以帮助在所有数据节点上运行这些函数。getAllChunks，getClusterChunksStatus，getChunksMeta和getTabletsMeta可以获取分区的分布信息。DolphinDB从1.30.14/2.00.1版本开始支持计算节点。计算节点只用于数据的查询和计算，一般应用于计算密集型的操作，包括流计算、分布式关联、机器学习、数据分析等场景。数据节点可以同时承担计算任务和数据读写任务的执行，对于一些计算任务不重的场景来说，数据节点兼任计算任务没有问题，但是对于计算逻辑较复杂，并发度较高的重计算场景下，可能会有以下影响：
计算节点不存储数据，但可以加载分布式数据库的数据进行计算。通过在集群中配置计算节点，将写入任务提交到数据节点、所有计算任务提交到计算节点，系统实现了存储和计算的分离。
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。