|
轉(zhuǎn)者注：本來想在Hadoop學(xué)習(xí)總結(jié)系列詳細(xì)解析HDFS以及Map-Reduce的，然而查找資料的時(shí)候，發(fā)現(xiàn)了這篇文章，并且發(fā)現(xiàn)caibinbupt已經(jīng)對Hadoop的源代碼已經(jīng)進(jìn)行了詳細(xì)的分析，推薦大家閱讀。 轉(zhuǎn)自http://blog.csdn.net/HEYUTAO007/archive/2010/07/10/5725379.aspx 參考：1 caibinbupt的源代碼分析http://caibinbupt./ 3 Javen-Studio 咖啡小屋http://www./javenstudio/articles/43073.html 一 MapReduce概述Map/Reduce是一個(gè)用于大規(guī)模數(shù)據(jù)處理的分布式計(jì)算模型，它最初是由Google工程師設(shè)計(jì)并實(shí)現(xiàn)的，Google已經(jīng)將它完整的MapReduce論 文公開發(fā)布了。其中對它的定義是，Map/Reduce是一個(gè)編程模型（programming model），是一個(gè)用于處理和生成大規(guī)模數(shù)據(jù)集（processing and generating large data sets）的相關(guān)的實(shí)現(xiàn)。用戶定義一個(gè)map函數(shù)來處理一個(gè)key/value對以生成一批中間的key/value對，再定義一個(gè)reduce函數(shù)將所 有這些中間的有著相同key的values合并起來。很多現(xiàn)實(shí)世界中的任務(wù)都可用這個(gè)模型來表達(dá)。 二 MapReduce工作原理Map- Reduce框架的運(yùn)作完全基于<key,value>對，即數(shù)據(jù)的輸入是一批<key,value>對，生成的結(jié)果也是一 批<key,value>對，只是有時(shí)候它們的類型不一樣而已。Key和value的類由于需要支持被序列化（serialize）操作，所 以它們必須要實(shí)現(xiàn)Writable接口，而且key的類還必須實(shí)現(xiàn)WritableComparable接口，使得可以讓框架對數(shù)據(jù)集的執(zhí)行排序操作。 一個(gè)Map-Reduce任務(wù)的執(zhí)行過程以及數(shù)據(jù)輸入輸出的類型如下所示： Map：<k1,v1> ->list<k2,v2> Reduce：<k2,list<v2>> -><k3,v3> 下面通過一個(gè)的例子來詳細(xì)說明這個(gè)過程。 WordCount是Hadoop自帶的一個(gè)例子，目標(biāo)是統(tǒng)計(jì)文本文件中單詞的個(gè)數(shù)。假設(shè)有如下的兩個(gè)文本文件來運(yùn)行WorkCount程序： Hello World Bye World Hello Hadoop GoodBye Hadoop 1 map數(shù)據(jù)輸入Hadoop針對文本文件缺省使用LineRecordReader類來實(shí)現(xiàn)讀取，一行一個(gè)key/value對，key取偏移量，value為行內(nèi)容。 如下是map1的輸入數(shù)據(jù)： Key1 Value1 0 Hello World Bye World 如下是map2的輸入數(shù)據(jù)： Key1 Value1 0 Hello Hadoop GoodBye Hadoop 2 map輸出/combine輸入如下是map1的輸出結(jié)果 Key2 Value2 Hello 1 World 1 Bye 1 World 1 如下是map2的輸出結(jié)果 Key2 Value2 Hello 1 Hadoop 1 GoodBye 1 Hadoop 1 3 combine輸出Combiner類實(shí)現(xiàn)將相同key的值合并起來，它也是一個(gè)Reducer的實(shí)現(xiàn)。 如下是combine1的輸出 Key2 Value2 Hello 1 World 2 Bye 1 如下是combine2的輸出 Key2 Value2 Hello 1 Hadoop 2 GoodBye 1 4 reduce輸出Reducer類實(shí)現(xiàn)將相同key的值合并起來。 如下是reduce的輸出 Key2 Value2 Hello 2 World 2 Bye 1 Hadoop 2 GoodBye 1 三 MapReduce框架結(jié)構(gòu)1 角色1.1 JobTrackerJobTracker是一個(gè)master服務(wù)， JobTracker負(fù)責(zé)調(diào)度job的每一個(gè)子任務(wù)task運(yùn)行于TaskTracker上，并監(jiān)控它們，如果發(fā)現(xiàn)有失敗的task就重新運(yùn)行它。一般情況應(yīng)該把JobTracker部署在單獨(dú)的機(jī)器上。 1.2 TaskTrackerTaskTracker是運(yùn)行于多個(gè)節(jié)點(diǎn)上的slaver服務(wù)。TaskTracker則負(fù)責(zé)直接執(zhí)行每一個(gè)task。TaskTracker都需要運(yùn)行在HDFS的DataNode上， 1.3 JobClient每一個(gè)job都會在用戶端通過JobClient類將應(yīng)用程序以及配置參數(shù)打包成jar文件存儲在HDFS，并把路徑提交到JobTracker，然后由JobTracker創(chuàng)建每一個(gè)Task（即MapTask和ReduceTask）并將它們分發(fā)到各個(gè)TaskTracker服務(wù)中去執(zhí)行。 2 數(shù)據(jù)結(jié)構(gòu)2.1 Mapper和Reducer運(yùn)行于Hadoop的MapReduce應(yīng)用程序最基本的組成部分包括一個(gè)Mapper和一個(gè)Reducer類，以及一個(gè)創(chuàng)建JobConf的執(zhí)行程序，在一些應(yīng)用中還可以包括一個(gè)Combiner類，它實(shí)際也是Reducer的實(shí)現(xiàn)。 2.2 JobInProgressJobClient提交job后，JobTracker會創(chuàng)建一個(gè)JobInProgress來跟蹤和調(diào)度這個(gè)job，并把它添加到j(luò)ob隊(duì)列里。JobInProgress會根據(jù)提交的job jar中定義的輸入數(shù)據(jù)集（已分解成FileSplit）創(chuàng)建對應(yīng)的一批TaskInProgress用于監(jiān)控和調(diào)度MapTask，同時(shí)在創(chuàng)建指定數(shù)目的TaskInProgress用于監(jiān)控和調(diào)度ReduceTask，缺省為1個(gè)ReduceTask。 2.3 TaskInProgressJobTracker啟動任務(wù)時(shí)通過每一個(gè)TaskInProgress來launchTask，這時(shí)會把Task對象（即MapTask和ReduceTask）序列化寫入相應(yīng)的TaskTracker服務(wù)中，TaskTracker收到后會創(chuàng)建對應(yīng)的TaskInProgress（此TaskInProgress實(shí)現(xiàn)非JobTracker中使用的TaskInProgress，作用類似）用于監(jiān)控和調(diào)度該Task。啟動具體的Task進(jìn)程是通過TaskInProgress管理的TaskRunner對象來運(yùn)行的。TaskRunner會自動裝載job jar，并設(shè)置好環(huán)境變量后啟動一個(gè)獨(dú)立的java child進(jìn)程來執(zhí)行Task，即MapTask或者ReduceTask，但它們不一定運(yùn)行在同一個(gè)TaskTracker中。 2.4 MapTask和ReduceTask一個(gè)完整的job會自動依次執(zhí)行Mapper、Combiner（在JobConf指定了Combiner時(shí)執(zhí)行）和Reducer，其中Mapper和Combiner是由MapTask調(diào)用執(zhí)行，Reducer則由ReduceTask調(diào)用，Combiner實(shí)際也是Reducer接口類的實(shí)現(xiàn)。Mapper會根據(jù)job jar中定義的輸入數(shù)據(jù)集按<key1,value1>對讀入，處理完成生成臨時(shí)的<key2,value2>對，如果定義了Combiner，MapTask會在Mapper完成調(diào)用該Combiner將相同key的值做合并處理，以減少輸出結(jié)果集。MapTask的任務(wù)全完成即交給ReduceTask進(jìn)程調(diào)用Reducer處理，生成最終結(jié)果<key3,value3>對。這個(gè)過程在下一部分再詳細(xì)介紹。 下圖描述了Map/Reduce框架中主要組成和它們之間的關(guān)系：
3 流程一 道MapRedcue作業(yè)是通過JobClient.rubJob(job)向master節(jié)點(diǎn)的JobTracker提交的, JobTracker接到JobClient的請求后把其加入作業(yè)隊(duì)列中。JobTracker一直在等待JobClient通過RPC提交作業(yè),而 TaskTracker一直通過RPC向 JobTracker發(fā)送心跳heartbeat詢問有沒有任務(wù)可做，如果有，讓其派發(fā)任務(wù)給它執(zhí)行。如果JobTracker的作業(yè)隊(duì)列不為空, 則TaskTracker發(fā)送的心跳將會獲得JobTracker給它派發(fā)的任務(wù)。這是一道pull過程。slave節(jié)點(diǎn)的TaskTracker接到任 務(wù)后在其本地發(fā)起Task,執(zhí)行任務(wù)。以下是簡略示意圖：
下面詳細(xì)介紹一下Map/Reduce處理一個(gè)工作的流程。 四JobClient在編寫MapReduce程序時(shí)通常是上是這樣寫的: Configuration conf = new Configuration(); // 讀取hadoop配置 Job job = new Job(conf, "作業(yè)名稱"); // 實(shí)例化一道作業(yè) job.setMapperClass(Mapper類型); job.setCombinerClass(Combiner類型); job.setReducerClass(Reducer類型); job.setOutputKeyClass(輸出Key的類型); job.setOutputValueClass(輸出Value的類型); FileInputFormat.addInputPath(job, new Path(輸入hdfs路徑)); FileOutputFormat.setOutputPath(job, new Path(輸出hdfs路徑)); // 其它初始化配置 JobClient.runJob(job); 1 配置JobJobConf是用戶描述一個(gè)job的接口。下面的信息是MapReduce過程中一些較關(guān)鍵的定制信息：
2 JobClient.runJob()：運(yùn)行Job并分解輸入數(shù)據(jù)集一個(gè)MapReduce的Job會通過JobClient類根據(jù)用戶在JobConf類中定義的InputFormat實(shí)現(xiàn)類來將輸入的數(shù)據(jù)集分解成一批小的數(shù)據(jù)集，每一個(gè)小數(shù)據(jù)集會對應(yīng)創(chuàng)建一個(gè)MapTask來處理。JobClient會使用缺省的FileInputFormat類調(diào)用FileInputFormat.getSplits()方法生成小數(shù)據(jù)集，如果判斷數(shù)據(jù)文件是isSplitable()的話，會將大的文件分解成小的FileSplit，當(dāng)然只是記錄文件在HDFS里的路徑及偏移量和Split大小。這些信息會統(tǒng)一打包到j(luò)obFile的jar中。 JobClient
然后使用submitJob(job)方法向
master提交作業(yè)。submitJob(job)內(nèi)部是通過submitJobInternal(job)方法完成實(shí)質(zhì)性的作業(yè)提交。
submitJobInternal(job)方法首先會向hadoop分布系統(tǒng)文件系統(tǒng)hdfs依次上傳三個(gè)文件: job.jar,
job.split和job.xml。 3 提交JobjobFile的提交過程是通過RPC模塊（有單獨(dú)一章來詳細(xì)介紹）來實(shí)現(xiàn)的。大致過程是，JobClient類中通過RPC實(shí)現(xiàn)的Proxy接口調(diào)用JobTracker的submitJob()方法，而JobTracker必須實(shí)現(xiàn)JobSubmissionProtocol接口。 JobTracker創(chuàng)建job成功后會給JobClient傳回一個(gè)JobStatus對象用于記錄job的狀態(tài)信息，如執(zhí)行時(shí)間、Map和Reduce任務(wù)完成的比例等。JobClient會根據(jù)這個(gè)JobStatus對象創(chuàng)建一個(gè)NetworkedJob的RunningJob對象，用于定時(shí)從JobTracker獲得執(zhí)行過程的統(tǒng)計(jì)數(shù)據(jù)來監(jiān)控并打印到用戶的控制臺。 與創(chuàng)建Job過程相關(guān)的類和方法如下圖所示
五 JobTracker上面已經(jīng)提到，job是統(tǒng)一由JobTracker來調(diào)度的，具體的Task分發(fā)給各個(gè)TaskTracker節(jié)點(diǎn)來執(zhí)行。下面來詳細(xì)解析執(zhí)行過程，首先先從JobTracker收到JobClient的提交請求開始。 1 JobTracker初始化Job1.1 JobTracker.submitJob() 收到請求當(dāng)JobTracker接收到新的job請求（即submitJob()函數(shù)被調(diào)用）后，會創(chuàng)建一個(gè)JobInProgress對象并通過它來管理和調(diào)度任務(wù)。JobInProgress在創(chuàng)建的時(shí)候會初始化一系列與任務(wù)有關(guān)的參數(shù)，調(diào)用到FileSystem，把在JobClient端上傳的所有任務(wù)文件下載到本地的文件系統(tǒng)中的臨時(shí)目錄里。這其中包括上傳的*.jar文件包、記錄配置信息的xml、記錄分割信息的文件。 1.2 JobTracker.JobInitThread 通知初始化線程JobTracker 中的監(jiān)聽器類EagerTaskInitializationListener負(fù)責(zé)任務(wù)Task的初始化。JobTracker使用jobAdded(job)加入job到EagerTaskInitializationListener中一個(gè)專門管理需要初始化的隊(duì)列里，即一個(gè)list成員變量jobInitQueue里。resortInitQueue方法根據(jù)作業(yè)的優(yōu)先級排序。然后調(diào)用notifyAll()函數(shù)，會喚起一個(gè)用于初始化job的線程JobInitThread來處理。JobInitThread收到信號后即取出最靠前的job，即優(yōu)先級別最高的job，調(diào)用TaskTrackerManager的initJob最終調(diào)用JobInProgress.initTasks()執(zhí)行真正的初始化工作。 1.3 JobInProgress.initTasks() 初始化TaskInProgress任務(wù)Task分兩種: MapTask 和reduceTask，它們的管理對象都是TaskInProgress 。 首先JobInProgress會創(chuàng)建Map的監(jiān)控對象。在initTasks()函數(shù)里通過調(diào)用JobClient的readSplitFile()獲得已分解的輸入數(shù)據(jù)的RawSplit列表，然后根據(jù)這個(gè)列表創(chuàng)建對應(yīng)數(shù)目的Map執(zhí)行管理對象TaskInProgress。在這個(gè)過程中，還會記錄該RawSplit塊對應(yīng)的所有在HDFS里的blocks所在的DataNode節(jié)點(diǎn)的host，這個(gè)會在RawSplit創(chuàng)建時(shí)通過FileSplit的getLocations()函數(shù)獲取，該函數(shù)會調(diào)用DistributedFileSystem的getFileCacheHints()獲得（這個(gè)細(xì)節(jié)會在HDFS中講解）。當(dāng)然如果是存儲在本地文件系統(tǒng)中，即使用LocalFileSystem時(shí)當(dāng)然只有一個(gè)location即“l(fā)ocalhost”了。 創(chuàng)建這些TaskInProgress對象完畢后，initTasks()方法會通 過createCache()方法為這些TaskInProgress對象產(chǎn)生一個(gè)未執(zhí)行任務(wù)的Map緩存nonRunningMapCache。slave端的 TaskTracker向master發(fā)送心跳時(shí)，就可以直接從這個(gè)cache中取任務(wù)去執(zhí)行。 其次JobInProgress會創(chuàng)建Reduce的監(jiān)控對象，這個(gè)比較簡單，根據(jù)JobConf里指定的Reduce數(shù)目創(chuàng)建，缺省只創(chuàng)建1個(gè)Reduce任務(wù)。監(jiān)控和調(diào)度Reduce任務(wù)的是TaskInProgress類，不過構(gòu)造方法有所不同，TaskInProgress會根據(jù)不同參數(shù)分別創(chuàng)建具體的MapTask或者ReduceTask。同樣地，initTasks()也會通過createCache()方法產(chǎn)生nonRunningReduceCache成員。 JobInProgress創(chuàng)建完TaskInProgress后，最后構(gòu)造JobStatus并記錄job正在執(zhí)行中，然后再調(diào)用JobHistory.JobInfo.logStarted()記錄job的執(zhí)行日志。到這里JobTracker里初始化job的過程全部結(jié)束。
2 JobTracker調(diào)度Jobhadoop默認(rèn)的調(diào)度器是FIFO策略的JobQueueTaskScheduler,它有兩個(gè)成員變量 jobQueueJobInProgressListener與上面說的eagerTaskInitializationListener。JobQueueJobInProgressListener是JobTracker的另一個(gè)監(jiān)聽器類，它包含了一個(gè)映射，用來管理和調(diào)度所有的JobInProgress。jobAdded(job)同時(shí)會加入job到JobQueueJobInProgressListener中的映射。 JobQueueTaskScheduler最 重要的方法是assignTasks ，他實(shí)現(xiàn)了工作調(diào)度。具體實(shí)現(xiàn)：JobTracker 接到TaskTracker 的heartbeat() 調(diào)用后，首先會檢查上一個(gè)心跳響應(yīng)是否完成，是沒要求啟動或重啟任務(wù)，如果一切正常，則會處理心跳。首先它會檢查 TaskTracker 端還可以做多少個(gè) map 和 reduce 任務(wù)，將要派發(fā)的任務(wù)數(shù)是否超出這個(gè)數(shù)，是否超出集群的任務(wù)平均剩余可負(fù)載數(shù)。如果都沒超出，則為此 TaskTracker 分配一個(gè) MapTask 或 ReduceTask 。產(chǎn)生 Map 任務(wù)使用 JobInProgress 的 obtainNewMapTask() 方法，實(shí)質(zhì)上最后調(diào)用了 JobInProgress 的 findNewMapTask() 訪問 nonRunningMapCache 。 上面講解任務(wù)初始化時(shí)說過，createCache()方法會在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)上掛上需要執(zhí)行的 TaskInProgress。findNewMapTask()從近到遠(yuǎn)一層一層地尋找，首先是同一節(jié)點(diǎn)，然后在尋找同一機(jī)柜上的節(jié)點(diǎn)，接著尋找相同數(shù) 據(jù)中心下的節(jié)點(diǎn)，直到找了maxLevel層結(jié)束。這樣的話，在JobTracker給TaskTracker派發(fā)任務(wù)的時(shí)候，可以迅速找到最近的 TaskTracker，讓它執(zhí)行任務(wù)。 最終生成一個(gè)Task類對象，該對象被封裝在一個(gè)LanuchTaskAction 中，發(fā)回給TaskTracker，讓它去執(zhí)行任務(wù)。 產(chǎn)生 Reduce 任務(wù)過程類似，使用 JobInProgress.obtainNewReduceTask() 方法，實(shí)質(zhì)上最后調(diào)用了 JobInProgress 的 findNewReduceTask() 訪問 nonRuningReduceCache。
六 TaskTracker1 TaskTracker加載Task到子進(jìn)程Task的執(zhí)行實(shí)際是由TaskTracker發(fā)起的，TaskTracker會定期（缺省為10秒鐘，參見MRConstants類中定義的HEARTBEAT_INTERVAL變量）與JobTracker進(jìn)行一次通信，報(bào)告自己Task的執(zhí)行狀態(tài)，接收JobTracker的指令等。如果發(fā)現(xiàn)有自己需要執(zhí)行的新任務(wù)也會在這時(shí)啟動，即是在TaskTracker調(diào)用JobTracker的heartbeat()方法時(shí)進(jìn)行，此調(diào)用底層是通過IPC層調(diào)用Proxy接口實(shí)現(xiàn)。下面一一簡單介紹下每個(gè)步驟。 1.1 TaskTracker.run() 連接JobTrackerTaskTracker的啟動過程會初始化一系列參數(shù)和服務(wù)，然后嘗試連接JobTracker（即必須實(shí)現(xiàn)InterTrackerProtocol接口），如果連接斷開，則會循環(huán)嘗試連接JobTracker，并重新初始化所有成員和參數(shù)。 1.2 TaskTracker.offerService() 主循環(huán)如果連接JobTracker服務(wù)成功，TaskTracker就會調(diào)用offerService()函數(shù)進(jìn)入主執(zhí)行循環(huán)中。這個(gè)循環(huán)會每隔10秒與JobTracker通訊一次，調(diào)用transmitHeartBeat()，獲得HeartbeatResponse信息。然后調(diào)用HeartbeatResponse的getActions()函數(shù)獲得JobTracker傳過來的所有指令即一個(gè)TaskTrackerAction數(shù)組。再遍歷這個(gè)數(shù)組，如果是一個(gè)新任務(wù)指令即LaunchTaskAction則調(diào)用調(diào)用addToTaskQueue加入到待執(zhí)行隊(duì)列，否則加入到tasksToCleanup隊(duì)列，交給一個(gè)taskCleanupThread線程來處理，如執(zhí)行KillJobAction或者KillTaskAction等。 1.3 TaskTracker.transmitHeartBeat() 獲取JobTracker指令在transmitHeartBeat()函數(shù)處理中，TaskTracker會創(chuàng)建一個(gè)新的TaskTrackerStatus對象記錄目前任務(wù)的執(zhí)行狀況，檢查目前執(zhí)行的Task數(shù)目以及本地磁盤的空間使用情況等，如果可以接收新的Task則設(shè)置heartbeat()的askForNewTask參數(shù)為true。然后通過IPC接口調(diào)用JobTracker的heartbeat()方法發(fā)送過去，heartbeat()返回值TaskTrackerAction數(shù)組。 1.4 TaskTracker.addToTaskQueue，交給TaskLauncher處理TaskLauncher 是用來處理新任務(wù)的線程類，包含了一個(gè)待運(yùn)行任務(wù)的隊(duì)列 tasksToLaunch。TaskTracker.addToTaskQueue會調(diào)用TaskTracker的registerTask，創(chuàng)建 TaskInProgress對象來調(diào)度和監(jiān)控任務(wù)，并把它加入到runningTasks隊(duì)列中。同時(shí)將這個(gè)TaskInProgress加到 tasksToLaunch 中，并notifyAll()喚醒一個(gè)線程運(yùn)行，該線程從隊(duì)列tasksToLaunch取出一個(gè)待運(yùn)行任務(wù)，調(diào)用TaskTracker的 startNewTask運(yùn)行任務(wù)。 1.5 TaskTracker.startNewTask() 啟動新任務(wù)調(diào)用localizeJob()真正初始化Task并開始執(zhí)行。 1.6 TaskTracker.localizeJob() 初始化job目錄等此 函數(shù)主要任務(wù)是初始化工作目錄workDir，再將job jar包從HDFS復(fù)制到本地文件系統(tǒng)中，調(diào)用RunJar.unJar()將包解壓到工作目錄。然后創(chuàng)建一個(gè)RunningJob并調(diào)用 addTaskToJob()函數(shù)將它添加到runningJobs監(jiān)控隊(duì)列中。addTaskToJob方法把一個(gè)任務(wù)加入到該任務(wù)屬于的 runningJob的tasks列表中。如果該任務(wù)屬于的runningJob不存在，先新建，加到runningJobs中。完成后即調(diào)用 launchTaskForJob()開始執(zhí)行Task。 1.7 TaskTracker.launchTaskForJob() 執(zhí)行任務(wù)啟動Task的工作實(shí)際是調(diào)用TaskTracker$TaskInProgress的launchTask()函數(shù)來執(zhí)行的。 1.8 TaskTracker$TaskInProgress.launchTask() 執(zhí)行任務(wù)執(zhí)行任務(wù)前先調(diào)用localizeTask()更新一下jobConf文件并寫入到本地目錄中。然后通過調(diào)用Task的createRunner()方法創(chuàng)建TaskRunner對象并調(diào)用其start()方法最后啟動Task獨(dú)立的java執(zhí)行子進(jìn)程。 1.9 Task.createRunner() 創(chuàng)建啟動Runner對象Task有兩個(gè)實(shí)現(xiàn)版本，即MapTask和ReduceTask，它們分別用于創(chuàng)建Map和Reduce任務(wù)。MapTask會創(chuàng)建MapTaskRunner來啟動Task子進(jìn)程，而ReduceTask則創(chuàng)建ReduceTaskRunner來啟動。 1.10 TaskRunner.start() 啟動子進(jìn)程TaskRunner 負(fù)責(zé)將一個(gè)任務(wù)放到一個(gè)進(jìn)程里面來執(zhí)行。它會調(diào)用run()函數(shù)來處理，主要的工作就是初始化啟動java子進(jìn)程的一系列環(huán)境變量，包括設(shè)定工作目錄 workDir，設(shè)置CLASSPATH環(huán)境變量等。然后裝載job jar包。JvmManager用于管理該TaskTracker上所有運(yùn)行的Task子進(jìn)程。每一個(gè)進(jìn)程都是由JvmRunner來管理的，它也是位于 單獨(dú)線程中的。JvmManager的launchJvm方法，根據(jù)任務(wù)是map還是reduce,生成對應(yīng)的JvmRunner并放到對應(yīng) JvmManagerForType的進(jìn)程容器中進(jìn)行管理。JvmManagerForType的reapJvm() 分配一個(gè)新的JVM 進(jìn)程。如果JvmManagerForType槽滿，就尋找idle的進(jìn)程，如果是同Job的直接放進(jìn)去，否則殺死這個(gè)進(jìn)程，用一個(gè)新的進(jìn)程代替。如果槽 沒有滿，那么就啟動新的子進(jìn)程。生成新的進(jìn)程使用spawnNewJvm方法。spawnNewJvm使用JvmRunner線程的run方法，run方 法用于生成一個(gè)新的進(jìn)程并運(yùn)行它，具體實(shí)現(xiàn)是調(diào)用runChild。 2 子進(jìn)程執(zhí)行MapTask真實(shí)的執(zhí)行載體，是Child，它包含一個(gè) main函數(shù)，進(jìn)程執(zhí)行，會將相關(guān)參數(shù)傳進(jìn)來，它會拆解這些參數(shù)，通過getTask(jvmId)向父進(jìn)程索取任務(wù)，并且構(gòu)造出相關(guān)的Task實(shí)例，然后使用Task的run()啟動任務(wù)。 2.1 run 方 法相當(dāng)簡單，配置完系統(tǒng)的TaskReporter后，就根據(jù)情況執(zhí)行 runJobCleanupTask，runJobSetupTask，runTaskCleanupTask或執(zhí)行Mapper。由于 MapReduce現(xiàn)在有兩套API，MapTask需要支持這兩套API，使得MapTask執(zhí)行Mapper分為runNewMapper和 runOldMapper，我們分析runOldMapper。 2.2 runOldMapper runOldMapper 最開始部分是構(gòu)造Mapper處理的InputSplit，然后就開始創(chuàng)建Mapper的RecordReader，最終得到map的輸入。之后構(gòu)造 Mapper的輸出，是通過MapOutputCollector進(jìn)行的，也分兩種情況，如果沒有Reducer，那么，用 DirectMapOutputCollector，否則，用MapOutputBuffer。 構(gòu)造完Mapper的輸入輸出，通過構(gòu)造 配置文件中配置的MapRunnable，就可以執(zhí)行Mapper了。目前系統(tǒng)有兩個(gè)MapRunnable：MapRunner和 MultithreadedMapRunner。MapRunner是單線程執(zhí)行器，比較簡單，他會使用反射機(jī)制生成用戶定義的Mapper接口實(shí)現(xiàn)類， 作為他的一個(gè)成員。 2.3 MapRunner的run方法 會先創(chuàng)建對應(yīng)的key，value對象，然后，對 InputSplit的每一對<key，value>，調(diào)用用戶實(shí)現(xiàn)的Mapper接口實(shí)現(xiàn)類的map方法，每處理一個(gè)數(shù)據(jù)對，就要使用 OutputCollector收集每次處理kv對后得到的新的kv對，把他們spill到文件或者放到內(nèi)存，以做進(jìn)一步的處理，比如排 序，combine等。 2.4 OutputCollector OutputCollector的作用是收集每次調(diào)用map后得到的新的kv對，寧把他們spill到文件或者放到內(nèi)存，以做進(jìn)一步的處理，比如排序，combine等。 MapOutputCollector 有兩個(gè)子類：MapOutputBuffer和DirectMapOutputCollector。 DirectMapOutputCollector用在不需要Reduce階段的時(shí)候。如果Mapper后續(xù)有reduce任務(wù)，系統(tǒng)會使用 MapOutputBuffer做為輸出， MapOutputBuffer使用了一個(gè)緩沖區(qū)對map的處理結(jié)果進(jìn)行緩存，放在內(nèi)存中，又使用幾個(gè)數(shù)組對這個(gè)緩沖區(qū)進(jìn)行管理。
在適當(dāng)?shù)臅r(shí)機(jī)，緩沖區(qū)中的數(shù)據(jù)會被spill到硬盤中。
向硬盤中寫數(shù)據(jù)的時(shí)機(jī): （1）當(dāng)內(nèi)存緩沖區(qū)不能容下一個(gè)太大的kv對時(shí)。spillSingleRecord方法。 （2）內(nèi)存緩沖區(qū)已滿時(shí)。SpillThread線程。 （3）Mapper的結(jié)果都已經(jīng)collect了，需要對緩沖區(qū)做最后的清理。Flush方法。 2.5 spillThread線程：將緩沖區(qū)中的數(shù)據(jù)spill到硬盤中。 （1）需要spill時(shí)調(diào)用函數(shù)sortAndSpill，按照partition和key做排序。默認(rèn)使用的是快速排序QuickSort。 （2）如果沒有combiner，則直接輸出記錄，否則，調(diào)用CombinerRunner的combine，先做combin然后輸出。 3 子進(jìn)程執(zhí)行ReduceTaskReduceTask.run 方法開始和MapTask類似，包括initialize()初始化 ，runJobCleanupTask()，runJobSetupTask()，runTaskCleanupTask()。之后進(jìn)入正式的工作，主要 有這么三個(gè)步驟：Copy、Sort、Reduce。 3.1 Copy 就是從執(zhí)行各個(gè)Map任務(wù)的服務(wù)器那里，收羅到map的輸出文件?？截惖娜蝿?wù)，是由ReduceTask.ReduceCopier 類來負(fù)責(zé)。 3.1.1 類圖:
3.1.2 流程: 使用ReduceCopier.fetchOutputs開始 （1） 索取任務(wù)。使用GetMapEventsThread線程。該線程的run方法不停的調(diào)用getMapCompletionEvents方法，該方法又使 用RPC調(diào)用TaskUmbilicalProtocol協(xié)議的getMapCompletionEvents，方法使用所屬的jobID向其父 TaskTracker詢問此作業(yè)個(gè)Map任務(wù)的完成狀況（TaskTracker要向JobTracker詢問后再轉(zhuǎn)告給它...）。返回一個(gè)數(shù)組 TaskCompletionEvent events[]。TaskCompletionEvent包含taskid和ip地址之類的信息。 （2）當(dāng)獲取到相關(guān)Map任務(wù)執(zhí)行服務(wù)器的信息后，有一個(gè)線程MapOutputCopier開啟，做具體的拷貝工作。 它會在一個(gè)單獨(dú)的線程內(nèi)，負(fù)責(zé)某個(gè)Map任務(wù)服務(wù)器上文件的拷貝工作。MapOutputCopier的run循環(huán)調(diào)用 copyOutput，copyOutput又調(diào)用getMapOutput，使用HTTP遠(yuǎn)程拷貝。 （3）getMapOutput遠(yuǎn)程拷貝過來的內(nèi)容（當(dāng)然也可以是本地了...），作為MapOutput對象存在，它可以在內(nèi)存中也可以序列化在磁盤上，這個(gè)根據(jù)內(nèi)存使用狀況來自動調(diào)節(jié)。 （4） 同時(shí)，還有一個(gè)內(nèi)存Merger線程InMemFSMergeThread和一個(gè)文件Merger線程LocalFSMerger在同步工作，它們將下載 過來的文件（可能在內(nèi)存中，簡單的統(tǒng)稱為文件...），做著歸并排序，以此，節(jié)約時(shí)間，降低輸入文件的數(shù)量，為后續(xù)的排序工作減 負(fù)。InMemFSMergeThread的run循環(huán)調(diào)用doInMemMerge， 該方法使用工具類Merger實(shí)現(xiàn)歸并，如果需要combine，則combinerRunner.combine。 3.2 Sort 排序工作，就相當(dāng)于上述排序工作的一個(gè)延續(xù)。它會在所有的文件都拷貝完畢后進(jìn)行。使用工具類Merger歸并所有的文件。經(jīng)過這一個(gè)流程，一個(gè)合并了所有所需Map任務(wù)輸出文件的新文件產(chǎn)生了。而那些從其他各個(gè)服務(wù)器網(wǎng)羅過來的 Map任務(wù)輸出文件，全部刪除了。 3.3Reduce Reduce 任務(wù)的最后一個(gè)階段。他會準(zhǔn)備好 keyClass（"mapred.output.key.class"或"mapred.mapoutput.key.class"）, valueClass("mapred.mapoutput.value.class"或"mapred.output.value.class")和 Comparator（“mapred.output.value.groupfn.class”或 “mapred.output.key.comparator.class”）。最后調(diào)用runOldReducer方法。（也是兩套API，我們分析 runOldReducer） 3.3.1 runOldReducer （1）輸出方面。 它會準(zhǔn)備一個(gè) OutputCollector收集輸出，與MapTask不同，這個(gè)OutputCollector更為簡單，僅僅是打開一個(gè) RecordWriter，collect一次，write一次。最大的不同在于，這次傳入RecordWriter的文件系統(tǒng)，基本都是分布式文件系 統(tǒng)， 或者說是HDFS。 （2）輸入方面，ReduceTask會用準(zhǔn)備好的KeyClass、ValueClass、KeyComparator等等之類的自定義類，構(gòu)造出Reducer所需的鍵類型， 和值的迭代類型Iterator（一個(gè)鍵到了這里一般是對應(yīng)一組值）。 （3）有了輸入，有了輸出，不斷循環(huán)調(diào)用自定義的Reducer，最終，Reduce階段完成。 |
|
|
