hadoop2提交到Yarn： Mapreduce执行过程reduce分析3

原文

问题导读：
1.Reduce类主要有哪三个步骤？
2.Reduce的Copy都包含什么过程？
3.Sort主要做了哪些工作？



4.4 Reduce类4.4.1 Reduce介绍

[align=left]整完了Map，接下来就是Reduce了。YarnChild.main()—>ReduceTask.run()。ReduceTask.run方法开始和MapTask类似，包括initialize()初始化，根据情况看是否调用runJobCleanupTask()，runTaskCleanupTask()等。之后进入正式的工作，主要有这么三个步骤：Copy、Sort、Reduce。[/align]
4.4.2 Copy
Copy就是从执行各个Map任务的节点获取map的输出文件。这是由ReduceTask.ReduceCopier 类来负责。ReduceCopier对象负责将Map函数的输出拷贝至Reduce所在机器。如果大小超过一定阈值就写到磁盘，否则放入内存，在远程拷贝数据的同时，Reduce
Task启动了两个后台线程对内存和磁盘上的文件进行合并，防止内存使用过多和磁盘文件过多。
[align=left]Step1:[/align]
[align=left]    首先在ReduceTask的run方法中，通过如下配置来mapreduce.job.reduce.shuffle.consumer.plugin.class装配shuffle的plugin。默认的实现是Shuffle类：[/align]

     Class<? extends ShuffleConsumerPlugin> clazz = job.getClass(MRConfig.SHUFFLE_CONSUMER_PLUGIN, Shuffle.class, ShuffleConsumerPlugin.class); 

     shuffleConsumerPlugin = ReflectionUtils.newInstance(clazz, job);

     LOG.info("Using ShuffleConsumerPlugin: " + shuffleConsumerPlugin);

复制代码

[align=left]Step2:[/align]
[align=left]    初始化上述的plugin后，执行其run方法，得到RawKeyValueIterator的实例。[/align]
[align=left]run方法的执行步骤如下：[/align]
[align=left]Step2.1：[/align]
[align=left]    量化Reduce的事件数目：[/align]

int eventsPerReducer = Math.max(MIN_EVENTS_TO_FETCH, MAX_RPC_OUTSTANDING_EVENTS / jobConf.getNumReduceTasks());

     int maxEventsToFetch = Math.min(MAX_EVENTS_TO_FETCH, eventsPerReducer);

复制代码

[align=left]Step2.2：[/align]
[align=left]生成map的完成状态获取线程，并启动此线程：[/align]

final EventFetcher<K,V> eventFetcher = new EventFetcher<K,V>(reduceId, umbilical, scheduler, this, maxEventsToFetch);

  eventFetcher.start();

复制代码

获取已经完成的Map信息，如Map的host、mapId等放入ShuffleSchedulerImpl中的Set<MapHost>中便于下面进行数据的拷贝传输。

  URI u = getBaseURI(reduceId, event.getTaskTrackerHttp()); 

       addKnownMapOutput(u.getHost() + ":" + u.getPort(), 

           u.toString(), 

           event.getTaskAttemptId()); 

       maxMapRuntime = Math.max(maxMapRuntime, event.getTaskRunTime());

复制代码

[align=left]Step2.3：[/align]
[align=left]    在Shuffle类中启动初始化Fetcher线程组，并启动：[/align]

boolean isLocal = localMapFiles != null;

    final int numFetchers = isLocal ? 1 :

      jobConf.getInt(MRJobConfig.SHUFFLE_PARALLEL_COPIES, 5);

    Fetcher<K,V>[] fetchers = new Fetcher[numFetchers];

    if (isLocal) {

      fetchers[0] = new LocalFetcher<K, V>(jobConf, reduceId, scheduler,

          merger, reporter, metrics, this, reduceTask.getShuffleSecret(),

          localMapFiles);

      fetchers[0].start();

    } else {

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

        fetchers[i] = new Fetcher<K,V>(jobConf, reduceId, scheduler, merger,

                                       reporter, metrics, this,

                                       reduceTask.getShuffleSecret());

        fetchers[i].start();

      }

    }

复制代码

线程的run方法就是进行数据的远程拷贝：

try { 

          // If merge is on, block 

          merger.waitForResource(); 

          // Get a host to shuffle from

          host = scheduler.getHost(); 

          metrics.threadBusy(); 

          // Shuffle 

          copyFromHost(host); 

        } finally { 

          if (host != null) { 

            scheduler.freeHost(host); 

            metrics.threadFree();  

          } 

        }

复制代码

[align=left]Step2.4：[/align]
[align=left]来看下这个copyFromHost方法。主要是就是使用HttpURLConnection，实现远程数据的传输。[/align]
[align=left]建立连接之后，从接收到的Stream流中读取数据。每次读取一个map文件。[/align]

TaskAttemptID[] failedTasks = null;

      while (!remaining.isEmpty() && failedTasks == null) {

        failedTasks = copyMapOutput(host, input, remaining);

      }

复制代码

[align=left]上面的copyMapOutput方法中，每次读取一个mapid,根据MergeManagerImpl中的reserve函数，检查map的输出是否超过了mapreduce.reduce.memory.totalbytes配置的大小，此配置的默认值[/align]
[align=left]是当前Runtime的maxMemory*mapreduce.reduce.shuffle.input.buffer.percent配置的值，Buffer.percent的默认值为0.90。[/align]
[align=left]如果mapoutput超过了此配置的大小时,生成一个OnDiskMapOutput实例。在接下来的操作中，map的输出写入到local临时文件中。[/align]
[align=left]如果没有超过此大小，生成一个InMemoryMapOutput实例。在接下来操作中，直接把map输出写入到内存。[/align]
[align=left]最后，执行ShuffleScheduler.copySucceeded完成文件的copy,调用mapout.commit函数，更新状态或者触发merge操作。[/align]
[align=left]Step2.5：[/align]
[align=left]    等待上面所有的拷贝完成之后，关闭相关的线程。[/align]

eventFetcher.shutDown();   

    // Stop the map-output fetcher threads

    for (Fetcher<K,V> fetcher : fetchers) {

      fetcher.shutDown();

    }   

    // stop the scheduler

    scheduler.close(); 

    copyPhase.complete(); // copy is already complete

    taskStatus.setPhase(TaskStatus.Phase.SORT);

    reduceTask.statusUpdate(umbilical);

复制代码

[align=left]Step2.6：[/align]
[align=left]执行最终的merge操作，由Shuffle中的MergeManager完成：[/align]

public RawKeyValueIterator close() throws Throwable {

    // Wait for on-going merges to complete

    if (memToMemMerger != null) {

      memToMemMerger.close();

    }

    inMemoryMerger.close();

    onDiskMerger.close();

   

    List<InMemoryMapOutput<K, V>> memory =

      new ArrayList<InMemoryMapOutput<K, V>>(inMemoryMergedMapOutputs);

    inMemoryMergedMapOutputs.clear();

    memory.addAll(inMemoryMapOutputs);

    inMemoryMapOutputs.clear();

    List<CompressAwarePath> disk = new ArrayList<CompressAwarePath>(onDiskMapOutputs);

    onDiskMapOutputs.clear();

    return finalMerge(jobConf, rfs, memory, disk);

  }

复制代码

[align=left]Step3:[/align]
[align=left]释放资源。[/align]

mapOutputFilesOnDisk.clear();

复制代码

[align=left]  Copy完毕。[/align]
4.4.3 Sort
[align=left]    Sort(其实相当于合并)就相当于排序工作的一个延续，它会在所有的文件都拷贝完毕后进行。使用工具类Merger归并所有的文件。经过此过程后，会产生一个合并了所有(所有并不准确)Map任务输出文件的新文件,而那些从其他各个服务器搞过来的 Map任务输出文件会删除。根据hadoop是否分布式来决定调用哪种排序方式。[/align]
[align=left]    在上面的4.3.2节中的Step2.4结束之后就会触发此操作。[/align]
4.4.4 Reduce
[align=left]    经过上面的步骤之后，回到ReduceTask中的run方法继续往下执行，调用runNewReducer。创建reducer：[/align]

org.apache.hadoop.mapreduce.Reducer<INKEY,INVALUE,OUTKEY,OUTVALUE> reducer =

     (org.apache.hadoop.mapreduce.Reducer<INKEY,INVALUE,OUTKEY,OUTVALUE>)

        ReflectionUtils.newInstance(taskContext.getReducerClass(), job);

复制代码

并执行其run方法，此run方法就是我们的org.apache.hadoop.mapreduce.Reducer中的run方法。

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

    setup(context);

    try {

      while (context.nextKey()) {

        reduce(context.getCurrentKey(), context.getValues(), context);

        // If a back up store is used, reset it

        Iterator<VALUEIN> iter = context.getValues().iterator();

        if(iter instanceof ReduceContext.ValueIterator) {

          ((ReduceContext.ValueIterator<VALUEIN>)iter).resetBackupStore();       

        }

      }

    } finally {

      cleanup(context);

    }

  }

}

复制代码

while的循环条件是ReduceContext.nextKey()为真，这个方法就在ReduceContext中实现的，这个方法的目的就是处理下一个唯一的key，因为reduce方法的输入数据是分组的，所以每次都会处理一个key及这个key对应的所有value，又因为已经将所有的Map
Task的输出拷贝过来而且做了排序，所以key相同的KV对都是挨着的。
[align=left]    nextKey方法中，又会调用nextKeyValue方法来尝试去获取下一个key值，并且如果没数据了就会返回false，如果还有数据就返回true。防止获取重复的数据就在这里做的处理。[/align]
[align=left]接下来就是调用用户自定义的reduce方法了。[/align]

public void reduce(Text key, Iterable<IntWritable> values,

                       Context context

                       ) throws IOException, InterruptedException {

      int sum = 0;

      for (IntWritable val : values) {

        sum += val.get();

      }

      result.set(sum);

      context.write(key, result);

    }

复制代码