[Hadoop源码解读]（三）MapReduce篇之Job类

下面，我们只涉及MapReduce 1，而不涉及YARN。



当我们在写MapReduce程序的时候，通常，在main函数里，我们会像下面这样做。建立一个Job对象，设置它的JobName，然后配置输入输出路径，设置我们的Mapper类和Reducer类，设置InputFormat和正确的输出类型等等。然后我们会使用job.waitForCompletion()提交到JobTracker，等待job运行并返回，这就是一般的Job设置过程。JobTracker会初始化这个Job，获取输入分片，然后将一个一个的task任务分配给TaskTrackers执行。TaskTracker获取task是通过心跳的返回值得到的，然后TaskTracker就会为收到的task启动一个JVM来运行。

[html] view plaincopyprint?

Configuration conf = getConf();

Job job = new Job(conf, "SelectGradeDriver");

job.setJarByClass(SelectGradeDriver.class);

Path in = new Path(args[0]);

Path out = new Path(args[1]);

FileInputFormat.setInputPaths(job, in);

FileOutputFormat.setOutputPath(job, out);

job.setMapperClass(SelectGradeMapper.class);

job.setReducerClass(SelectGradeReducer.class);

job.setInputFormatClass(TextInputFormat.class);

job.setOutputFormatClass(TextOutputFormat.class);

job.setMapOutputKeyClass(InstituteAndGradeWritable.class);

job.setMapOutputValueClass(Text.class);

job.setOutputKeyClass(InstituteAndGradeWritable.class);

job.setOutputValueClass(Text.class);

System.exit(job.waitForCompletion(true)? 0 : 1);

Job其实就是提供配置作业、获取作业配置、以及提交作业的功能，以及跟踪作业进度和控制作业。Job类继承于JobContext类。JobContext提供了获取作业配置的功能，如作业ID，作业的Mapper类，Reducer类，输入格式，输出格式等等，它们除了作业ID之外，都是只读的。 Job类在JobContext的基础上，提供了设置作业配置信息的功能、跟踪进度，以及提交作业的接口和控制作业的方法。

[html] view plaincopyprint?

public class Job extends JobContext {

public static enum JobState {DEFINE, RUNNING};

private JobState state = JobState.DEFINE;

private JobClient jobClient;

private RunningJob info;

public float setupProgress() throws IOException {

ensureState(JobState.RUNNING);

return info.setupProgress();

}

public float mapProgress() throws IOException {

ensureState(JobState.RUNNING);

return info.mapProgress();

}

public float reduceProgress() throws IOException {

ensureState(JobState.RUNNING);

return info.reduceProgress();

}

public boolean isComplete() throws IOException {

ensureState(JobState.RUNNING);

return info.isComplete();

}

public boolean isSuccessful() throws IOException {

ensureState(JobState.RUNNING);

return info.isSuccessful();

}

public void killJob() throws IOException {

ensureState(JobState.RUNNING);

info.killJob();

}

public TaskCompletionEvent[] getTaskCompletionEvents(int startFrom

) throws IOException {

ensureState(JobState.RUNNING);

return info.getTaskCompletionEvents(startFrom);

}

public void killTask(TaskAttemptID taskId) throws IOException {

ensureState(JobState.RUNNING);

info.killTask(org.apache.hadoop.mapred.TaskAttemptID.downgrade(taskId),

false);

}

public void failTask(TaskAttemptID taskId) throws IOException {

ensureState(JobState.RUNNING);

info.killTask(org.apache.hadoop.mapred.TaskAttemptID.downgrade(taskId),

true);

}

public Counters getCounters() throws IOException {

ensureState(JobState.RUNNING);

return new Counters(info.getCounters());

}

public void submit() throws IOException, InterruptedException,

ClassNotFoundException {

ensureState(JobState.DEFINE);

setUseNewAPI();

// Connect to the JobTracker and submit the job

connect();

info = jobClient.submitJobInternal(conf);

super.setJobID(info.getID());

state = JobState.RUNNING;

}

private void connect() throws IOException, InterruptedException {

ugi.doAs(new PrivilegedExceptionAction<Object>() {

public Object run() throws IOException {

jobClient = new JobClient((JobConf) getConfiguration());

return null;

}

});

}

public boolean waitForCompletion(boolean verbose

) throws IOException, InterruptedException,

ClassNotFoundException {

if (state == JobState.DEFINE) {

submit();

}

if (verbose) {

jobClient.monitorAndPrintJob(conf, info);

} else {

info.waitForCompletion();

}

return isSuccessful();

}

//lots of setters and others

}

一个Job对象有两种状态，DEFINE和RUNNING，Job对象被创建时的状态时DEFINE，当且仅当Job对象处于DEFINE状态，才可以用来设置作业的一些配置，如Reduce task的数量、InputFormat类、工作的Mapper类，Partitioner类等等，这些设置是通过设置配置信息conf来实现的；当作业通过submit()被提交，就会将这个Job对象的状态设置为RUNNING，这时候作业以及提交了，就不能再设置上面那些参数了，作业处于调度运行阶段。处于RUNNING状态的作业我们可以获取作业、map
task和reduce task的进度，通过代码中的*Progress()获得，这些函数是通过info来获取的，info是RunningJob对象，它是实际在运行的作业的一组获取作业情况的接口，如Progress。
在waitForCompletion()中，首先用submit()提交作业，然后等待info.waitForCompletion()返回作业执行完毕。verbose参数用来决定是否将运行进度等信息输出给用户。submit()首先会检查是否正确使用了new API，这通过setUseNewAPI()检查旧版本的属性是否被设置来实现的，接着就connect()连接JobTracker并提交。实际提交作业的是一个JobClient对象，提交作业后返回一个RunningJob对象，这个对象可以跟踪作业的进度以及含有由JobTracker设置的作业ID。
getCounter()函数是用来返回这个作业的计数器列表的，计数器被用来收集作业的统计信息，比如失败的map task数量，reduce输出的记录数等等。它包括内置计数器和用户定义的计数器，用户自定义的计数器可以用来收集用户需要的特定信息。计数器首先被每个task定期传输到TaskTracker，最后TaskTracker再传到JobTracker收集起来。这就意味着，计数器是全局的。
关于Counter相关的类，为了保持篇幅简短，放在下一篇讲。