《hadoop权威指南》学习笔记-MapReduce工作机制（上）

运行作业的方式通常有两种，一种是通过Job的submit()方法来提交任务，另一种是通过waitForCompletion()（如果作业没有提交就提交作业，然后一直等待作业执行完成）。

mapred.job.tracker决定了执行的方法：如果这个配置属性被设为local，那么就使用本地作业运行器，这个运行器使作业运行在单个jvm上，设计它的目的是在小数据集上运行、测试MapReduce项目；如果这个配置被设为host:port形式，这个属性值就被解释为jobTracker地址，运行器就把作业提交到这个地址的jobtracker。

在hadoop2.0有一个新的mapreduce框架被引入了，只要通过设置mapreduce.framework.name属性值，相应的框架就可以执行了，属性值有三种local(用于本地作业运行器)，classic（用于老的mapreduce框架），yarn（新框架）。

经典框架：

客户端：用于提交作业

jobtracker：协调作业的运行，jobtracker是一个java应用程序，主类是JobTracker

tasktracker：运行作业被划分后的任务，tasktracker是一个java应用程序，主类是TaskTracker

分布是文件系统（HDFS），用于在其他实体间共享作业文件。

作业提交：

看一下Job的summit()方法，我们就知道其过程了

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;
}

创建一个JobClient（第三版中是JobSummitter，但我用的是1.2.1版本，又改回到了JobClient）实例来调用submitJobInternal，这个方法才真正要开始做正事了，我们一会再具体讲这个函数。

waitForCompletion()则是轮询作业进度（每个一秒查询一次），如果和上次报告的进度不同就向控制台报告进度，作业成功完成，就显示作业计数器，否则就把引起作业失败的错误打印到控制台

1282      public boolean waitForCompletion(boolean verbose
1283                                       ) throws IOException, InterruptedException,
1284                                                ClassNotFoundException {
1285        if (state == JobState.DEFINE) {
1286          submit(); //这里提交任务
1287        }
1288        if (verbose) {
1289          monitorAndPrintJob();
1290        } else {
1291          // get the completion poll interval from the client.
1292          int completionPollIntervalMillis =
1293            Job.getCompletionPollInterval(cluster.getConf());
1294          while (!isComplete()) {//轮询是否完成
1295            try {
1296              Thread.sleep(completionPollIntervalMillis);
1297            } catch (InterruptedException ie) {
1298            }
1299          }
1300        }
1301        return isSuccessful();
1302      }

作业提交进程是由submitJobInternal完成的：

public
RunningJob submitJobInternal(final JobConf job
) throws FileNotFoundException,
ClassNotFoundException,
InterruptedException,
IOException {
/*
* configure the command line options correctly on the submitting dfs
*/
...
JobID jobId = jobSubmitClient.getNewJobId();
Path submitJobDir = new Path(jobStagingArea, jobId.toString());
jobCopy.set("mapreduce.job.dir", submitJobDir.toString());
...
// Check the output specification
if (reduces == 0 ? jobCopy.getUseNewMapper() :
jobCopy.getUseNewReducer()) {
org.apache.hadoop.mapreduce.OutputFormat<?,?> output =
ReflectionUtils.newInstance(context.getOutputFormatClass(),
jobCopy);
output.checkOutputSpecs(context);
} else {
jobCopy.getOutputFormat().checkOutputSpecs(fs, jobCopy);
}

jobCopy = (JobConf)context.getConfiguration();

// Create the splits for the job
FileSystem fs = submitJobDir.getFileSystem(jobCopy);
int maps = writeSplits(context, submitJobDir);
jobCopy.setNumMapTasks(maps);
...
// Write job file to JobTracker's fs
FSDataOutputStream out =
FileSystem.create(fs, submitJobFile,
new FsPermission(JobSubmissionFiles.JOB_FILE_PERMISSION));
...
// Now, actually submit the job (using the submit name)
//
printTokens(jobId, jobCopy.getCredentials());
status = jobSubmitClient.submitJob(
jobId, submitJobDir.toString(), jobCopy.getCredentials());
...
}

源码比想象中的长，那我们只看一下重点

JobID jobId = jobSubmitClient.getNewJobId();

进去第一件事就是获取jobId，用到了jobSubmitClient对象，jobSubmitClient对应的类是JobSubmissionProtocol的实现之一（目前有两个实现，JobTracker和LocalJobRunner），由此可判断出jobSubmitClient对应的类要么是JobTracker，要么是LocalJobRunner。那作业是提交到JobTracker去，还是在本地执行？可能就是看这个jobSunmitClient初始化时得到的是哪个类的实例了，我们可以稍稍的先往后看看，你会发现submitJobInternal最后用了

status = jobSubmitClient.submitJob(
jobId, submitJobDir.toString(), jobCopy.getCredentials())

来提交作业，再稍稍看看JobTracker和LocalJobRunner的submitJob实现，看来确实是这么回事。好，那我们就先跳回去看看这个jobSubmitClient是如何初始化的。在JobClient的init中我们可以发现jobSubmitClient的初始化语句：

public void init(JobConf conf) throws IOException {
String tracker = conf.get("mapred.job.tracker", "local");
tasklogtimeout = conf.getInt(
TASKLOG_PULL_TIMEOUT_KEY, DEFAULT_TASKLOG_TIMEOUT);
this.ugi = UserGroupInformation.getCurrentUser();
if ("local".equals(tracker)) {
conf.setNumMapTasks(1);
this.jobSubmitClient = new LocalJobRunner(conf);
} else {
this.rpcJobSubmitClient =
createRPCProxy(JobTracker.getAddress(conf), conf);
this.jobSubmitClient = createProxy(this.rpcJobSubmitClient, conf);
}
}

原来是跟conf中的mapred.job.tracker属性有关，如果你没设置，那默认得到的值就是local，jobSubmitClient也就会被赋予LocalJobRunner的实例。平时，我们开发时一般都只是引用lib里面的库，不引用conf文件夹里的配置文件，这里就能解释为什么我们直接Run as Java Application时，作业被提交到Local去运行了，而不是Hadoop Cluster中。

由于现在的水平有限，作业提交的内容暂时只深入到这里，可以看一下这篇博文，介绍的很详细，但不同的版本实现的api不会完全相同。

2、检查作业的输出说明。例如：没有指定输出目录或者输出目录已经存在就不提交，把错误抛回给mapreduce程序。

3、计算作业的输入分片

4、将运行作业所需的资源（包括作业jar文件，配置文件和计算所得的输出分片）复制到jobtracker的文件系统中，这个文件系统是在一个以作业id命名的目录下变，也就是我们先前代码

Path submitJobDir = new Path(jobStagingArea, jobId.toString());

创建的目录路径

这段代码就很好的展现了这一过程：

// Write job file to JobTracker's fs
FSDataOutputStream out =
FileSystem.create(fs, submitJobFile,
new FsPermission(JobSubmissionFiles.JOB_FILE_PERMISSION));

5、最后就是通过调用Jobtracker的submitJob()方法来告知jobtracker作业准备执行。

// Now, actually submit the job (using the submit name)
//
printTokens(jobId, jobCopy.getCredentials());
status = jobSubmitClient.submitJob(
jobId, submitJobDir.toString(), jobCopy.getCredentials());

作业初始化（译）：

Jobtracker接收到一个对submitJob()的响应后，它会把作业放入一个内部队列，作业调度器会对它进行调度并初始化。初始化包括创建一个对象来表示正在运行的作业，这个对象会封装任务、记录信息，从而跟踪任务的状态和进度。

想要创建运行的任务列表，作业调度器首先要从共享文件系统检索由客户端计算的输入分片，然后为每个分片创建一个map任务。要创建的reduce任务的数量由mapred.reduce.tasks属性值决定，并通过setNumReduceTasks方法来设定（该方法是通过属性值设定的），调度器创建相应个数的reduce任务运行，任务此时被赋予一个id。

除了map和reduce任务，还有两个任务被创建了：一个作业建立任务，一个作业清理任务。这两个任务由tasktracker运行，并且
在map任务运行前建立作业，在reduce任务执行完后清理作业。我们还为作业配置了一个OutputCommitter来决定要运行的代码，默认情况下是 FileOutputCommitter。对于作业建立任务，它将会为作业创建一个输出目录,并给任务输出创建一个临时工作空间，对于作业清理任务，它会把临时工作空间删除掉。

任务分配（译）：

Tasktrackers会运行一个简单的循环来周期性地给jobtracker发送一个“heartbeat”方法响应。“heartbeat”告诉tasktracker现在还在运行（还活着），而且“heartbeat”同时还是tasktracker和jobtracker的信息通道。作为“heartbeat”的一部分，tasktracker将会指明它是否已经准备运行新任务，如果是，jobtracker会分配一个任务给tasktracker，jobrtacker通过“heartbeat”的返回值与tasktracker通信。

在jobtracker为tasktracker选择任务前，jobtracker必须选择一个作业，从而从这个作业中选择任务。调度算法很复杂，默认方法是简单地维护一个作业优先级列表。选择好一个作业后，就可以选择作业了。

Tasktracker有固定数量的任务槽以供map和reduce任务使用，这些任务槽是独立设置的。例如：一个tasktracker也许会被配置成同时运行两个map任务和两个reduce任务（精确的数字依赖于tasktracker的核的数目和内存大小）。在一个给定的任务范围内，默认的调度器会在填满reduce任务槽之前先填满map任务槽。所以如果tasktracker拥有空map任务槽，那么jobtracker将会先选择一个map任务；否则才会选择一个reduce任务。

要选择一个reduce任务，jobtracker仅需要从待运行的reduce任务列表中选择下一个就好，因为不需要考虑本地化数据。对于一个map任务，jobtracker会考虑tasktracker的网络位置，并选取一个离tasktracker尽可能近的任务。最佳情况就是，该任务是本地化数据的，也就是说对应分片正好也在这个节点上。或者，任务可能是本地机架上的：对应分片在同一个机架上，而不是同个节点上。还有一些任务即使不是本地化数据的也不是本地机架的，那么只能从不同的机架上检索他们的数据了。

执行任务（译）：

现在tasktracker已经被分配了一个任务了，下一步就是运行这个任务。首先，tasktracker会从共享文件系统中复制作业包到本tasktracker文件系统。它还会从分布式缓存中复制应用需要的文件到本地硬盘。然后，它会为该任务建立一个工作目录，减压jar包的内容到该目录。最后，它会建立一个TaskRunner实例来运行该任务。

TaskRunner会建立一个新的JVM来运行每个任务，从而使用户定义的map和reduce方法产生的bug不会影响tasktracker（例如，导致tasktracker崩溃或挂起）。但是，可以在任务之间重利用JVM。

子进程会通过umbilical接口与父进程进行通信。这样可以通知父进程任务的进度（每隔1秒，直到任务完成）。

每个任务都有建立和清除行为，这些行为会运行在和任务同样的JVM上，而且这些行为由作业的OutputCommitter决定。清理行为用来提交任务，在基于文件的作业的情况下，意味着其输出将会被写入到与任务对应的位置。这个提交协议确保了在推测执行的时候，重复任务（推测执行的概念）只有一个会被提交，其余的都中止。



进度与状态更新（译）

当一个任务正在运行，它可以跟踪其进度，也就是任务的完成比例。对于map任务，这是已处理输入数据的比例。对于reduce任务，它是一个更复杂一点，但系统仍然可以估算reduce输入被处理的比例。为此，它把总进度分为三部分，对应到shuffle的三个阶段。例如，如果任务已经执行了reducer一半的输入，那么任务进度就是5/6.因为已经完成了复制与排序阶段（各占1/3），并且已近完成了reduce阶段的一半（1/6）。



Streaming和Pipes（译）

Streaming和Pipes都是运行特殊的map和reduce任务来运行用户提供的可执行程序，并与其进行通信。

Streaming任务会利用标准输入输出流与进程通信。另一方面，Pipes任务监听socket并发送该环境的一个端口号给c++进程，这样在开始时，c++进程就建立了一个与父java Pipes任务的持久化socket链接。

两种情况下，java进程都会在任务执行时把输入键值对发送给外部进程，由外部进程运行用户定义的map和reduce方法，然后把输出键值对传回给java进程。从tasktracker来看，这好像是在子进程中运行了map和reduce代码。



作业完成（译）：

Jobtracker收到最后一个任务（这是一个特殊的作业清理任务）的完成通知后，辨别作业状态改为“成功”。然后当作业查询状态的时候，就会知道作业已完成，然后打印信息通知用户，返回waitForCompletion()。作业统计与计数值会打印到控制台。

Jobtracker还会发送一个http作业通知（如果配置了的话）。可以通过job.end.notifucation.url属性来配置。

最后，jobtracker清理掉他的工作状态，叫tasktracker也做一样的工作（如清空中间输出）。

YARN框架：

YARN框架主要是将jobtracker的工作分为单独的实体，从而弥补经典框架的扩展性短板。jobtracker主要负责作业调度和任务进度监视。

YARN将这两个责任分配给两个独立的守护进程：一个是资源管理器（resource manager），用于管理进群上资源的使用，另一个是应用管理器（application master），用于管理集群上应用的生命周期。设计思想就是，application master与resource manager协商集群资源的分配（资源是由一组container来描述的，每一个container都有一定的内存），然后在这些container上运行特定的应用进程，这些container被node
manager监视，以确保该应用不会使用额外的资源。 NodeManager 是每一台机器框架的代理，是执行应用程序的容器，监控应用程序的资源使用情况 (CPU，内存，硬盘，网络 ) 并且向调度器汇报。

和jobtracker相比，应用的每一个实例都有一个分配的application master，它运行在应用程序的持续时间内。application master用来调节map和reduce任务的运行。

事实上，mapreduce仅仅是YARN应用的一种类型，这里还有其他YARN应用，如分布式shell，它可以在在集群的一组node上运行一个脚本。YARN设计的亮点在于不同的YARN应用共存于同样的集群上。

此外，用户甚至可以在相同的YARN集群上运行不同版本的MapReduce，这样可以让更新的MapReduce更便于管理。

YARN上的实例：

客户端：提交MapReduce作业

YARN资源管理器（resource manager），调度进群上的计算资源的分配。

YARN节点管理器（node manager），启动并监视进群上机器的计算容器（container）。

MapReduce应用管理器（application master），调度MapReduce作业上运行的任务，application master和MapReduce任务都运行在容器中（由resource manager计划

，并由node manager管理）。

分布式文件系统。



作业提交（译）：

在YARN中，作业提交和MapRduce1中所用的api相同。YARN中有个ClientProtocol接口，这个接口在mapreduce.framework.name设置为yarn的时候被激活。提交过程和经典的实现方案很像。新的jobID是由resource manager检索出来的，而不是jobtracker，只是以YARN的命名方式，它是一个应用ID。客户端检查作业的输出规范，计算输入分片（虽然还可以在集群上计算分片，yarn.app.mapreduce.am.compute-splits-in-cluster设置），复制作业资源（包括作业包，配置和分片信息）到HDFS。最后，作业通过调用submitApplication被提交到resource manager。

作业初始化（译）：

当resource manager接收到作业的submitApplication()的呼叫，它就会把这个请求传给调度器。调度器分配一个container和resource manager，然后在node manager的管理下启动application master进程。

MapReduce作业的application master是一个java应用程序，它的主类是MRAppMaster。他会通过创建很多记录对象（bookkeeping object）跟踪作业进度的方式来初始化作业，同时它会接收作业的进度和完成情况报告。接下来，application master会从共享文件系统检索由客户端上计算的输入分片。然后Application master会为每个分片创建一个map任务对象，和一些reduce任务对象（数量由mapreduce.job.reduces属性决定）。

Application master接下来做的事情是决定如何运行任务（任务构成MapReduce作业）。如果作业很小，那么application master会选择在同一个JVM（application master所在JVM）上运行这个任务。与在单个节点上顺序运行这些任务相比，如果application master判断分配的开销，以及在新container上运行任务的开销超过了并行所能带来的好处，那么才会在同一个JVM上运行这些任务（与MapReduce1不同，MapReduce1中多个小作业是不会在单个tasktracker上运行的）。这种作业被称做，以uber任务运行的作业。

什么才算是小作业呢？默认情况下，小作业就是只有一个reducer，最多10个mapper，输入量小于一个HDFS块的大小的作业。（这些值是可以通过设定mapreduce.job.ubertask.maxmaps、mapreduce.job.ubertask.maxreduces、mapreduce.job.ubertask.maxbytes的值来改变。）还可以没有uber作业（把mapreduce.job.ubertask.enable设定为false）。在任何任务运行前，作业创建方法就被调用创建了作业输出目录。MapReduce1中这个方法是在一个特定的任务（由tasktracker运行的）中调用的，而在YARN中，这个方法是直接由application master调用的。

任务分配（译）：

如果作业不能以uber任务运行，那么application master就会从resource manager请求足够数量的container（能满足作业上所有map和reduce任务）。所有的请求都会搭载在“heartbeat”，这些信息包括每个map任务的数据位置，尤其是主机号和输入分片所在的机架。调度器利用这些信息来做调度（类似于jobtracker的调度器）。调度器会尽量把任务放在相应数据所在结点，但是如果不行，调度器就会把任务放在同一机架（和数据不在同一节点）上。

这些请求还会指定任务的内存需求。默认情况下，map和reduce任务会被分配1024MB的内存，但这可以通过mapreduce.map.memory.mb 和 mapreduce.reduce.memory.mb来设定。

这种内存分配不同于MapReduce1，在MapReduce1上，tasktracker有固定数量的任务槽（在集群配置时设定），每个任务都会运行在单独的任务槽里。任务槽有允许的最大内存，对于集群来说，它还是固定的，这样会导致在任务只使用少量内存时（因为等待其他任务不能使用空闲内存）内存的浪费，还会导致作业不能完成而失败的问题，因为没有足够的内存去正确的运行因此无法完成。

YARN中，资源更加细粒度了，所以这两个问题就可以避免了。特别是，应用可以请求最大分配量和最小分配量之间的任意大小的内存，但这必须是最小分配量的整数倍。默认的内存分配是特定调度器完成的，对于容量调度器，默认最小分配量为1024MB（由yarn.scheduler.capacity.maximum-allocation-mb设定）。因此，作业能请求从1到10G任意大小的内存（必须是整数GB，调度器会计算出最接近的整数值），可以通过适当的设定mapreduce.map.memory.mb和mapreduce.reduce.memory.mb来改变最小分配量。

任务执行（译）：

一旦任务通过resource manager调度器分配到了一个container，这个application master就会与node manager联系来启动这个container。任务由一个java应用执行，这个应用的主类是YarnChild。在application master运行任务前，它会把任务需要的数据本地化，这些数据包括作业配置和jar文件，还有分布式缓存的相关文件。最后application master会运行map和reduce任务。

在MapReduce1中tasktracker会为任务酝酿新的JVM，出于这个原因，YarnChild运行在一个专用的JVM上来将用户代码与长期运行的系统守护进程隔离开。和MapReduce不同的是，YARN不支持JVM重用，所以每个任务运行在新的JVM上。

Streaming 和 Pipes工作方式和MapReduce1相同。

进度与状态更新（译）：

在YARN下运行时，任务会向application master来报告它的进度和状态，application master会有一个对作业的整体了解。与MapReduce1相比，进度更新流从子进程通过tasktracker到达jobtracker聚集。客户端每秒轮询application master（可以通过mapreduce.client.progressmonitor.pollinterval来改变轮询的间隔时间）来接收进度更新，然后显示给用户。



作业完成（译）：

每隔5秒客户端会通过waiForCompletion()检查作业是否完成，这个轮间隔可以通过mapreduce.client.completion.pollinterval属性设置。

作业完成通知还支持http回调的方式（像MapReduce1），在MapReduce2中，application master启动回调函数。

作业完成后，application master和任务container会清理掉工作状态，OutputCommitter的作业调用清理方法。作业信息由作业历史服务器打包以供用户查看。

这篇博客我只在MapReduce1的作业提交深入源码讲了一下，至于YARN，由于本人用的是1.2.1版本，所以没有相关代码，其他翻译的内容，如果有问题还请网友指出来。