Mapreduce运行过程分析(基于Hadoop2.4)——(一)

1 概述

该瞅瞅MapReduce的内部执行原理了，曾经仅仅知道个皮毛，再不搞搞，不然怎么死的都不晓得。下文会以2.4版本号中的WordCount这个经典样例作为分析的切入点。一步步来看里面究竟是个什么情况。

2 为什么要使用MapReduce

Map/Reduce。是一种模式，适合解决并行计算的问题，比方TopN、贝叶斯分类等。

注意。是并行计算，而非迭代计算，像涉及到层次聚类的问题就不太适合了。

从名字能够看出，这样的模式有两个步骤，Map和Reduce。

Map即数据的映射，用于把一组键值对映射成还有一组新的键值对，而Reduce这个东东，以Map阶段的输出结果作为输入。对数据做化简、合并等操作。

而MapReduce是Hadoop生态系统中基于底层HDFS的一个计算框架，它的上层又能够是Hive、Pig等数据仓库框架。也能够是Mahout这种数据挖掘工具。

因为MapReduce依赖于HDFS。其运算过程中的数据等会保存到HDFS上，把对数据集的计算分发给各个节点，并将结果进行汇总，再加上各种状态汇报、心跳汇报等。其仅仅适合做离线计算。和实时计算框架Storm、Spark等相比，速度上没有优势。

旧的Hadoop生态差点儿是以MapReduce为核心的，可是慢慢的发展，其扩展性差、资源利用率低、可靠性等问题都越来越让人认为不爽，于是才产生了Yarn这个新的东东，而且二代版的Hadoop生态都是以Yarn为核心。

Storm、Spark等都能够基于Yarn使用。

3 怎么执行MapReduce

明确了哪些地方能够使用这个牛叉的MapReduce框架，那该怎么用呢？Hadoop的MapReduce源代码给我们提供了范例，在其hadoop-mapreduce-examples子project中包括了MapReduce的Java版样例。在写完类似的代码后。打包成jar。在HDFS的client执行：

bin/hadoop jar mapreduce_examples.jar mainClass args

就可以。当然。也能够在IDE(如Eclipse)中。进行远程执行、调试程序。

至于，HadoopStreaming方式。网上有非常多。我们这里仅仅讨论Java的实现。

4 怎样编写MapReduce程序

如前文所说。MapReduce中有Map和Reduce。在实现MapReduce的过程中，主要分为这两个阶段，分别以两类函数进行展现。一个是map函数。一个是reduce函数。map函数的參数是一个<key,value>键值对，其输出结果也是键值对，reduce函数以map的输出作为输入进行处理。

4.1 代码构成

实际的代码中。须要三个元素。各自是Map、Reduce、执行任务的代码。这里的Map类是继承了org.apache.hadoop.mapreduce.Mapper，并实现当中的map方法；而Reduce类是继承了org.apache.hadoop.mapreduce.Reducer，实现当中的reduce方法。

至于执行任务的代码，就是我们程序的入口。

以下是Hadoop提供的WordCount源代码。

/**
 * Licensed to the Apache Software Foundation (ASF) under one
 * or more contributor license agreements.  See the NOTICE file
 * distributed with this work for additional information
 * regarding copyright ownership.  The ASF licenses this file
 * to you under the Apache License, Version 2.0 (the
 * "License"); you may not use this file except in compliance
 * with the License.  You may obtain a copy of the License at
 *
 *     http://www.apache.org/licenses/LICENSE-2.0
 *
 * Unless required by applicable law or agreed to in writing, software
 * distributed under the License is distributed on an "AS IS" BASIS,
 * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
 * See the License for the specific language governing permissions and
 * limitations under the License.
 */
package org.apache.hadoop.examples;

import java.io.IOException;
import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

public class WordCount {

  public static class TokenizerMapper
       extends Mapper<Object, Text, Text, IntWritable>{

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

    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);
      }
    }
  }

  public static class IntSumReducer
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();

    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);
    }
  }

  public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length != 2) {
      System.err.println("Usage: wordcount <in> <out>");
      System.exit(2);
    }
    Job job = new Job(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}

4.2 入口类

4.2.1 參数获取

首先定义配置文件类Configuration。此类是Hadoop各个模块的公共使用类，用于载入类路径下的各种配置文件。读写当中的配置选项。

第二步中，用到了GenericOptionsParser类，其目的是将命令行中參数自己主动设置到变量conf中。

GenericOptionsParser的构造方法进去之后。会进行到parseGeneralOptions，对传入的參数进行解析：

 1 private void parseGeneralOptions(Options opts, Configuration conf,
 2
 3       String[] args) throws IOException {
 4
 5     opts = buildGeneralOptions(opts);
 6
 7     CommandLineParser parser = new GnuParser();
 8
 9     try {
10
11       commandLine = parser.parse(opts, preProcessForWindows(args), true);
12
13       processGeneralOptions(conf, commandLine);
14
15     } catch(ParseException e) {
16
17       LOG.warn("options parsing failed: "+e.getMessage());
18
19
20
21       HelpFormatter formatter = new HelpFormatter();
22
23       formatter.printHelp("general options are: ", opts);
24
25     }
26
27   }

而getRemainingArgs方法会获得传入的參数，接着在main方法中会进行推断參数的个数，因为此处是WordCount计算。仅仅须要传入文件的输入路径和输出路径就可以，因此參数的个数为2。否则将退出：

1 if (otherArgs.length != 2) {
2
3       System.err.println("Usage: wordcount <in> <out>");
4
5       System.exit(2);
6
7 }

假设在代码执行的时候传入其它的參数，比方指定reduce的个数。能够依据GenericOptionsParser的命令行格式这么写：

bin/hadoop jar MyJob.jar com.xxx.MyJobDriver -Dmapred.reduce.tasks=5

其规则是-D加MapReduce的配置选项，当然还支持-fs等其它參数传入。

当然。默认情况下Reduce的数目为1。Map的数目也为1。

4.2.2 Job定义

定义Job对象，其构造方法为：

1 public Job(Configuration conf, String jobName) throws IOException {
2
3     this(conf);
4
5     setJobName(jobName);
6
7   }

可见，传入的"word count"就是Job的名字。而conf被传递给了JobConf进行环境变量的获取：

 1 public JobConf(Configuration conf) {
 2
 3     super(conf);
 6
 7     if (conf instanceof JobConf) {
 8
 9       JobConf that = (JobConf)conf;
10
11       credentials = that.credentials;
12
13     }
14      checkAndWarnDeprecation();
19   }

Job已经实例化了，以下就得给这个Job加点佐料才干让它依照我们的要求执行。于是依次给Job加入启动Jar包、设置Mapper类、设置合并类、设置Reducer类、设置输出键类型、设置输出值的类型。

这里有必要说下设置Jar包的这种方法setJarByClass：

1 public void setJarByClass(Class<?> cls) {
2
3     ensureState(JobState.DEFINE);
4
5     conf.setJarByClass(cls);
6
7   }

它会首先推断当前Job的状态是否是执行中，接着通过class找到其所属的jar文件，将jar路径赋值给mapreduce.job.jar属性。至于寻找jar文件的方法，则是通过classloader获取类路径下的资源文件。进行循环遍历。

详细实现见ClassUtil类中的findContainingJar方法。

搞完了上面的东西。紧接着就会给mapreduce.input.fileinputformat.inputdir參数赋值，这是Job的输入路径，还有mapreduce.input.fileinputformat.inputdir，这是Job的输出路径。

详细的位置。就是我们前面main中传入的Args。

4.2.3 Job提交

万事俱备。那就执行吧。

这里调用的方法例如以下：

 1 public boolean waitForCompletion(boolean verbose
 2
 3                                    ) throws IOException, InterruptedException,
 4
 5                                             ClassNotFoundException {
 6
 7     if (state == JobState.DEFINE) {
 8
 9       submit();
10
11     }
12
13     if (verbose) {
14
15       monitorAndPrintJob();
16
17     } else {
18
19       // get the completion poll interval from the client.
20
21       int completionPollIntervalMillis =
22
23         Job.getCompletionPollInterval(cluster.getConf());
24
25       while (!isComplete()) {
26
27         try {
28
29           Thread.sleep(completionPollIntervalMillis);
30
31         } catch (InterruptedException ie) {
32
33         }
34
35       }
36
37     }
38
39     return isSuccessful();
40
41   }

至于方法的參数verbose，假设想在控制台打印当前的进度，则设置为true。

至于submit方法，假设当前在HDFS的配置文件里配置了mapreduce.framework.name属性为“yarn”的话，会创建一个YARNRunner对象来进行任务的提交。其构造方法例如以下：

 1 public YARNRunner(Configuration conf, ResourceMgrDelegate resMgrDelegate,
 2
 3       ClientCache clientCache) {
 4
 5     this.conf = conf;
 6
 7     try {
 8
 9       this.resMgrDelegate = resMgrDelegate;
10
11       this.clientCache = clientCache;
12
13       this.defaultFileContext = FileContext.getFileContext(this.conf);
14
15     } catch (UnsupportedFileSystemException ufe) {
16
17       throw new RuntimeException("Error in instantiating YarnClient", ufe);
18
19     }
20
21   }

当中。ResourceMgrDelegate实际上ResourceManager的代理类。事实上现了YarnClient接口，通过ApplicationClientProtocol代理直接向RM提交Job，杀死Job，查看Job执行状态等操作。

同一时候，在ResourceMgrDelegate类中会通过YarnConfiguration来读取yarn-site.xml、core-site.xml等配置文件里的配置属性。

以下就到了client最关键的时刻了，提交Job到集群执行。详细实现类是JobSubmitter类中的submitJobInternal方法。

这个牛气哄哄的方法写了100多行。还不算其几十行的凝视。我们看它干了点啥。

Step1:

检查job的输出路径是否存在，假设存在则抛出异常。

Step2:

初始化用于存放Job相关资源的路径。注意此路径的构造方式为：

1 conf.get(MRJobConfig.MR_AM_STAGING_DIR,
2
3         MRJobConfig.DEFAULT_MR_AM_STAGING_DIR)
4
5         + Path.SEPARATOR + user
6
7 + Path.SEPARATOR + STAGING_CONSTANT

当中。MRJobConfig.DEFAULT_MR_AM_STAGING_DIR为“/tmp/hadoop-yarn/staging”。STAGING_CONSTANT为".staging"。

Step3:

设置client的host属性：mapreduce.job.submithostname和mapreduce.job.submithostaddress。

Step4:

通过RPC，向Yarn的ResourceManager申请JobID对象。

Step5:

从HDFS的NameNode获取验证用的Token，并将其放入缓存。

Step6:

将作业文件上传到HDFS。这里假设我们前面没有对Job命名的话，默认的名称就会在这里设置成jar的名字。而且，作业默认的副本数是10，假设属性mapreduce.client.submit.file.replication没有被设置的话。

Step7:

文件上传到HDFS之后，还要被DistributedCache进行缓存起来。这是由于计算节点收到该作业的第一个任务后，就会有DistributedCache自己主动将作业文件Cache到节点本地文件夹下。而且会对压缩文件进行解压，如：.zip。.jar。.tar等等。然后開始任务。

最后，对于同一个计算节点接下来收到的任务。DistributedCache不会反复去下载作业文件，而是直接执行任务。

假设一个作业的任务数非常多，这样的设计避免了在同一个节点上对用一个job的文件会下载多次。大大提高了任务执行的效率。

Step8:

对每一个输入文件进行split划分。

注意这仅仅是个逻辑的划分，不是物理的。由于此处是输入文件，因此运行的是FileInputFormat类中的getSplits方法。仅仅有非压缩的文件和几种特定压缩方式压缩后的文件才分片。分片的大小由例如以下几个參数决定：mapreduce.input.fileinputformat.split.maxsize、mapreduce.input.fileinputformat.split.minsize、文件的块大小。

详细计算方式为：

Math.max(minSize, Math.min(maxSize, blockSize))

分片的大小有可能比默认块大小64M要大。当然也有可能小于它。默认情况下分片大小为当前HDFS的块大小，64M。

接下来就该正儿八经的获取分片详情了。

代码例如以下：

 1           long bytesRemaining = length; 2
 3           while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
 4
 5             int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
 6
 7             splits.add(makeSplit(path, length-bytesRemaining, splitSize,
 9                                      blkLocations[blkIndex].getHosts()));
10
11             bytesRemaining -= splitSize;
13           }
15
16           if (bytesRemaining != 0) {
18             int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
19
20             splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,
22                        blkLocations[blkIndex].getHosts()));
23
24           }

Step8.1：

将bytesRemaining(剩余未分片字节数)设置为整个文件的长度。

Step8.2：

假设bytesRemaining超过分片大小splitSize一定量才会将文件分成多个InputSplit，SPLIT_SLOP(默认1.1)。接着就会运行例如以下方法获取block的索引。当中第二个參数是这个block在整个文件里的偏移量，在循环中会从0越来越大：

 1 protected int getBlockIndex(BlockLocation[] blkLocations, long offset) {
 4     for (int i = 0 ; i < blkLocations.length; i++) {
 5       // is the offset inside this block?
 6       if ((blkLocations[i].getOffset() <= offset) &&
 7           (offset < blkLocations[i].getOffset() + blkLocations[i].getLength())){
 8         return i;
 9       }
10     }
11
12     BlockLocation last = blkLocations[blkLocations.length -1];
13     long fileLength = last.getOffset() + last.getLength() -1;
14     throw new IllegalArgumentException("Offset " + offset + " is outside of file (0.." + fileLength + ")");
17   }

将符合条件的块的索引相应的block信息的主机节点以及文件的路径名、開始的偏移量、分片大小splitSize封装到一个InputSplit中增加List<InputSplit> splits。

Step8.3：

bytesRemaining -= splitSize改动剩余字节大小。剩余假设bytesRemaining还不为0，表示还有未分配的数据，将剩余的数据及最后一个block增加splits。

Step8.4

假设不同意切割isSplitable==false，则将第一个block、文件文件夹、開始位置为0，长度为整个文件的长度封装到一个InputSplit，增加splits中；假设文件的长度==0，则splits.add(new FileSplit(path, 0, length, new String[0]))没有block。而且初始和长度都为0。

Step8.5

将输入文件夹下文件的个数赋值给 "mapreduce.input.num.files"，方便以后校对，返回分片信息splits。

　　这就是getSplits获取分片的过程。

当使用基于FileInputFormat实现InputFormat时。为了提高MapTask的数据本地性，应尽量使InputSplit大小与block大小同样。

　假设分片大小超过bolck大小，可是InputSplit中的封装了单个block的所在主机信息啊，这样能读取多个bolck数据吗？

比方当前文件非常大，1G。我们设置的最小分片是100M，最大是200M，当前块大小为64M。经过计算后的实际分片大小是100M，这个时候第二个分片中存放的也仅仅是一个block的host信息。

须要注意的是split是逻辑分片。不是物理分片，当Map任务须要的数据本地性发挥作用时，会从本机的block開始读取。超过这个block的部分可能不在本机，这就须要从别的DataNode拉数据过来，由于实际获取数据是一个输入流，这个输入流面向的是整个文件，不受split的影响，split的大小越大可能须要从别的节点拉的数据越多。从从而效率也会越慢，拉数据的多少是由getSplits方法中的splitSize决定的。所以为了更有效率，分片的大小尽量保持在一个block大小吧。

Step9:

将split信息和SplitMetaInfo都写入HDFS中。用法：

1 JobSplitWriter.createSplitFiles(jobSubmitDir, conf, jobSubmitDir.getFileSystem(conf), array);

Step10:

对Map数目设置，上面获得到的split的个数就是实际的Map任务的数目。

Step11:

相关配置写入到job.xml中：

1 jobCopy.writeXml(out);

Step12:

通过例如以下代码正式提交Job到Yarn：

1 status = submitClient.submitJob(jobId, submitJobDir.toString(), job.getCredentials());

这里就涉及到YarnClient和RresourceManager的RPC通信了。

包含获取applicationId、进行状态检查、网络通信等。

Step13:

上面通过RPC的调用。最后会返回一个JobStatus对象，它的toString方法能够在JobClient端打印执行的相关日志信息。

4.2.4 还有一种执行方式

提交MapReduce任务的方式除了上述源代码中给出的之外。还能够使用ToolRunner方式。详细方式为：

1 ToolRunner.run(new Configuration(),new WordCount(), args); 

至此。我们的MapReduce的启动类要做的事情已经分析完了。