[Hadoop源码解读]（二）MapReduce篇之Mapper类

前面在讲InputFormat的时候，讲到了Mapper类是如何利用RecordReader来读取InputSplit中的K-V对的。
这一篇里，开始对Mapper.class的子类进行解读。



先回忆一下。Mapper有setup()，map()，cleanup()和run()四个方法。其中setup()一般是用来进行一些map()前的准备工作，map()则一般承担主要的处理工作，cleanup()则是收尾工作如关闭文件或者执行map()后的K-V分发等。run()方法提供了setup->map->cleanup()的执行模板。
在MapReduce中，Mapper从一个输入分片中读取数据，然后经过Shuffle and Sort阶段，分发数据给Reducer，在Map端和Reduce端我们可能使用设置的Combiner进行合并，这在Reduce前进行。Partitioner控制每个K-V对应该被分发到哪个reducer[我们的Job可能有多个reducer]，Hadoop默认使用HashPartitioner，HashPartitioner使用key的hashCode对reducer的数量取模得来。
我们先来看看三个Mapper的子类，它们位于src\mapred\org\apache\hadoop\mapreduce\lib\map中。
1、TokenCounterMapper

[html] view plaincopyprint?

public class TokenCounterMapper extends Mapper<Object, Text, Text, IntWritable>{

private final static IntWritable one = new IntWritable(1);

private Text word = new Text();

@Override

public void map(Object key, Text value, Context context

) throws IOException, InterruptedException {

StringTokenizer itr = new StringTokenizer(value.toString());

while (itr.hasMoreTokens()) {

word.set(itr.nextToken());

context.write(word, one);

}

}

}

我们看到，对于一个输入的K-V对，它使用StringTokenizer来获取value中的tokens，然后对每一个token，分发出一个<token,one>对，这将在reduce端被收集，同一个token对应的K-V对都会被收集到同一个reducer上，这样我们就可以计算出所有mapper分发出来的以某个token为key的<token,one>的数量，然后只要在reduce函数中加起来，就得到了token的计数。这就是为什么这个类叫做TokenCounterMapper的原因。

在MapReduce的“Hello world”：WordCount例子中，我们完全可以直接使用这个TokenCounterMapper作为MapperClass，仅需用job.setMapperClass(TokenCounterMapper.class)进行设置即可。

2、InverseMapper

[html] view plaincopyprint?

public class InverseMapper<K, V> extends Mapper<K,V,V,K> {

/** The inverse function. Input keys and values are swapped.*/

@Override

public void map(K key, V value, Context context

) throws IOException, InterruptedException {

context.write(value, key);

}

这个类更加简单，它紧紧是调换Key和Value，然后直接分发出去。举个例子：数据格式是<某商家,某商品>，我们既可能需要计算一个商家对应的所有商品种类，也可能需要计算某个商品的销售商家数量，后者的情形，就可以使用InverseMapper来达到目的，使得相同商品被分发到相同reducer。

3、MultithreadedMapper
这个类稍微有点复杂，它是使用多线程来执行一个Mapper。我们可以从类图中看到，它有一个mapClass属性，这个属性指定另一个Mapper类[暂称workMapper，由mapred.map.multithreadedrunner.class设置]，实际干活的其实是这个Mapper类而不是MultithreadedMapper。runnsers是运行的线程的列表。
下面是MultithreadedMapper的run()方法，它重写了Mapper中的run()。

[html] view plaincopyprint?

public void run(Context context) throws IOException, InterruptedException {

outer = context;

int numberOfThreads = getNumberOfThreads(context);

mapClass = getMapperClass(context);

if (LOG.isDebugEnabled()) {

LOG.debug("Configuring multithread runner to use " + numberOfThreads +

" threads");

}

runners = new ArrayList<MapRunner>(numberOfThreads);

for(int i=0; i < numberOfThreads; ++i) {

MapRunner thread = new MapRunner(context);

thread.start();

runners.add(i, thread);

}

for(int i=0; i < numberOfThreads; ++i) {

MapRunner thread = runners.get(i);

thread.join();

Throwable th = thread.throwable;

if (th != null) {

if (th instanceof IOException) {

throw (IOException) th;

} else if (th instanceof InterruptedException) {

throw (InterruptedException) th;

} else {

throw new RuntimeException(th);

}

}

}

}

从上面的代码我们可以看到，首先它设置运行上下文context和workMapper，然后启动多个MapRunner子线程[由mapred.map.multithreadedrunner.threads设置]，然后使用join()等待子线程都执行完毕。

MapRunner继承了Thread，它包含了一个独享的Context：subcontext，以及用mapper指定了workMapper，然后throwable是在MultithreadMapper的run()中进行综合的异常处理的。

[html] view plaincopyprint?

private class MapRunner extends Thread {

private Mapper<K1,V1,K2,V2> mapper;

private Context subcontext;

private Throwable throwable;

MapRunner(Context context) throws IOException, InterruptedException {

mapper = ReflectionUtils.newInstance(mapClass,

context.getConfiguration());

subcontext = new Context(outer.getConfiguration(),

outer.getTaskAttemptID(),

new SubMapRecordReader(),

new SubMapRecordWriter(),

context.getOutputCommitter(),

new SubMapStatusReporter(),

outer.getInputSplit());

}

public Throwable getThrowable() {

return throwable;

}

@Override

public void run() {

try {

mapper.run(subcontext);

} catch (Throwable ie) {

throwable = ie;

}

}

}

在MapRunner的Constructor中我们看见，MapRunner所包含的subcontext中使用了独立的RecordReader、RecordWriter和StatusReporter，它们分别是SubMapRecordReader、SubMapRecordWriter和SubMapStatusReporter，我们就不分析了。值得注意的是，SubMapRecordReader在读K-V对和SubMapRecordWriter在写K-V对的时候都要同步。这是通过互斥访问MultithreadedMapper的上下文outer来实现的。

MultithreadedMapper适用于CPU密集型的任务，采用多个线程处理后，一个线程可以在另外的线程在执行时读取数据并执行，这样就使用了更多的CPU周期来执行任务，从而提高吞吐率。注意读写操作都是线程安全的，因此不难想象对于IO密集型的作业，采用MultithreadedMapper会适得其反，因为会有多个线程等待IO，IO成为限制吞吐率的关键。对于IO密集型的任务，我们应该采用增多task数量的方法来解决，因为这样在IO上就是并行的。
除非map()的确是CPU密集型的，否则不推荐使用MultithreadedMapper，而建议采用更多的map task。