【Good First Issue】分析bhist -l jobid 为什么会显示"Post job process failed;"

[qinan-cn]

预计耗时
4小时
问题描述
一个正常结束的作业，当使用bhist -l jobid 查询时，最后一条会显示“Post job process failed;” 请分析原因。
[root@v-y-volclava-dev1 log]# bhist -l 1

Job <1>, User , Project , Command <sleep 180>
Fri Aug 14 16:06:55: Submitted from host , to Queue , CWD <$HOME>;
Thu Aug 20 15:18:04: Dispatched to ;
Thu Aug 20 15:18:04: Starting (Pid 2609493);
Thu Aug 20 15:18:05: Running with execution home </home/user1>, Execution CWD <
/home/user1>, Execution Pid <2609493>;
Thu Aug 20 15:21:06: Done successfully. The CPU time used is 0.0 seconds;
Thu Aug 20 15:21:06: Post job process failed;

Summary of time in seconds spent in various states by Thu Aug 20 15:21:06
PEND PSUSP RUN USUSP SSUSP UNKWN TOTAL
515469 0 182 0 0 0 515651
如何解决
分析代码找出原因，如果想进一步，可以给出fix 代码。

[Alkapuce]

问题发生在作业结束后的 queue post-job 流程：

1. 当队列和作业都没有配置 POST_EXEC 时，mbatchd 会将 jobSpecs.postCmd 设置为空字符串： mbd.job.c#L2599-L2607
   空字符串表示没有需要执行的 queue post-job 命令，本身不应被视为失败。
2. 作业结束时，finishJob() 仍然无条件调用 runQPost()： sbd.job.c#L1187-L1192
   旧版 runQPost() 对空的 postCmd 返回 -1： sbd.job.c#L3327-L3350
   因此 finishJob() 将 hasError 设置为 -1，最后通过 exit(hasError) 结束 post-job 子进程。也就是说，没有配置 POST_EXEC 的正常情况被错误地转换成了非零进程退出状态。
3. sbatchd 的子进程回收逻辑会保存该进程的原始 wait 状态： sbd.misc.c#L166-L175
   随后，jobGone() 发现这是 post-job 进程，并且 w_status 非零，于是将作业状态设置为 JOB_STAT_PERR： sbd.job.c#L2390-L2399
4. 最后，bhist 将 JOB_STAT_PERR 翻译成： Post job process failed，对应代码： bhist.c#L573-L584
   因此 bhist 的文字是上游错误状态的结果

此外，历史提交 b600757 调整了 POST_EXEC 的父子进程执行逻辑，但父进程在 waitpid() 返回后仍然无条件执行 return -1。因此，即使子进程中的 post-exec 命令成功退出，父进程仍可能将整个 queue post-job 流程报告为失败。

修复已提交 PR：102。