Flink定位SubTask在哪台机器哪个进程执行

痛点：假如我们在FLink的WebUI Metrics页面发现有一个SubTask每秒处理的数据明显比其他低，又或者在CheckPoint页面，发现有一个SubTask的CheckPoint时间明显比较长。有时候定位问题需要到TaskManager所在机器找到相应的Java进程使用jmap分析进程的内存使用或者jstack分析线程信息。现在问题来了，如果你知道某个SubTask已经有问题了，怎么快速找到该SubTask到底在哪台机器，哪个进程呢？

Web UI的Metrics页面处理速率.png

图1中可以看出Task “Flat Map -> Sink: Kafka Topic : pv-event”对应的SubTask11相对其他SubTask处理速率比较慢

CheckPoint SubTask时长.png

图2中可以看出Task “Flat Map -> Sink: Kafka Topic : pv-event”对应的SubTask1相对其他SubTask执行CheckPoint很慢。这里有一点比较坑，Flink内所有的地方SubTask下标都是从0开始，但是这个CheckPoint页面，SubTask从1开始，所以这里显示的是SubTask1有问题，实际上是Task “Flat Map -> Sink: Kafka Topic : pv-event”的SubTask0有问题，这里我看了接口返回的数据也是从0开始，但是WebUI显示的时候进行了加1，我们解决问题的时候，必须要手动减1操作

接下来，教大家如何找到Task “Flat Map -> Sink: Kafka Topic : pv-event”对应的SubTask1在哪台机器的哪个进程执行。首先必须知道rest api的host和port，也就是我们要访问api的前缀，进入flink Web UI后直接复制前缀即可。后面讲述用到这个前缀的地方，我都使用 ${prefix} 来代替

Flink Web UI.png

如果yarn模式运行，前缀格式可能是以下proxy格式

http://yarn-resource-manager-host:port/proxy/application_1561056341925_88754

Flink Web UI yarn proxy.png

1. 访问rest api获取Task “Flat Map -> Sink: Kafka Topic : pv-event”的vertice id

   api格式：（这里的jid可以从job的页面看到，图2CheckPoint时长页面左上角红圈已标注）
   ${prefix}/jobs/${jid}
   
   示例：
   ${prefix}/jobs/96664f69ec9676bbe47dd66119b1ab82
   

   访问rest api会返回json，我们可以看到返回两个Task的vertice id

   获取vertice id.png

2. 获取对应task的SubTask所在机器和端口

   api格式：
   ${prefix}/jobs/${jid}/vertices/${vertice id}
   
   api示例：
   ${prefix}/jobs/96664f69ec9676bbe47dd66119b1ab82/vertices/8385f8a9697de59d3b3113ecefb3e969
   

获取SubTask对应的host和port.png

图中表示Task “Flat Map -> Sink: Kafka Topic : pv-event”的SubTask1在dn218这台机器，对应的端口号20131

3. 登录对应的服务器，执行 lsof -i tcp:${port}即可返回相应TaskManager进程的pid

   lsof -i tcp:20131
   COMMAND   PID USER   FD   TYPE     DEVICE SIZE/OFF NODE NAME
   java    65056 yarn  211u  IPv4 2630110175      0t0  TCP dn218
   

   可以看到yarn用户起的任务，所以如果想对该pid执行jmap或者jstack时，一定在切到yarn用户下

   su yarn
   cd ~
   jmap -dump:format=b,file=heapdump.phrof ${pid}
   jstack ${pid} > thread.log