hadoop源码分析之MapReduce(一)

      hadoop的源码已经粗看过一遍,但每次想要了解细节的时候,还得去翻代码. 看了又是忘记. 所以我决定这些天把其中的重要的细节记下来。

声明：

1. 本文假设读者已经掌握一些MapReduce的基本概念,曾经编写过MapReduce程序。

2. 此源代码分析是基于hadoop svn的trunk之上(目前0.20.0-dev),由于hadoop正在换新的MapReduce api(org.apache.hadoop.mapreduce包), 以后很多类会弃用,很多接口会改变,这儿只能尽量保持同步。

3. 关于hdfs源代码可以参考caibinbupt的hdfs源代码分析 ,这儿就不再详述。

4. 这篇文章是基于javen 的分析之上的，感谢javen的辛勤劳动。javen的源码分析是在早期的hadoop版本上,在这儿有一些内容会不一样。

一、基本概念

1.1 MapReduce逻辑过程
1.2 MapReduce物理分布

二、实现细节

2.1 总体结构

我们在编写MapReduce程序时通常是上是这样写的:

    Configuration conf = new Configuration(); // 读取hadoop配置
    Job job = new Job(conf, "作业名称"); // 实例化一道作业
    job.setMapperClass(Mapper类型);
    job.setCombinerClass(Combiner类型);
    job.setReducerClass(Reducer类型);
    job.setOutputKeyClass(输出Key的类型);
    job.setOutputValueClass(输出Value的类型);
    FileInputFormat.addInputPath(job, new Path(输入hdfs路径));
    FileOutputFormat.setOutputPath(job, new Path(输出hdfs路径));
    // 其它初始化配置
    JobClient.runJob(job);

一道MapRedcue作业是通过JobClient.rubJob(job)向master节点的JobTracker提交的, JobTracker接到JobClient的请求后把其加入作业队列中。在这之前master节点的NameNode, SecondedNameNode,JobTracker和slaves节点的DataNode, TaskTracker都已经启动。JobTracker一直在等待JobClient通过RPC提交作业,而TaskTracker一直通过RPC向 JobTracker发送心跳heartbeat询问有没有任务可做，如果有，让其派发任务给它执行。如果JobTracker的作业队列不为空, 则TaskTracker发送的心跳将会获得JobTracker给它派发的任务。这是一道pull过程: slave主动向master拉生意。slave节点的TaskTracker接到任务后在其本地发起Task,执行任务。以下是简略示意图：

2.1.1 Mapper和Reducer

运行于Hadoop的MapReduce应用程序最基本的组成部分包括一个Mapper和一个Reducer类，以及一个创建JobConf的执行程序，在一些应用中还可以包括一个Combiner类，它实际也是Reducer的实现。

2.1.2  JobTracker和TaskTracker

它们都是由一个master服务JobTracker和多个运行于多个节点的slaver服务TaskTracker两个类提供的服务调度的。master负责调度job的每一个子任务task运行于slave上，并监控它们，如果发现有失败的task就重新运行它，slave则负责直接执行每一个task。TaskTracker都需要运行在HDFS的DataNode上，而JobTracker则不需要，一般情况应该把JobTracker部署在单独的机器上。

2.1.3 JobClient

每一个job都会在用户端通过JobClient类将应用程序以及配置参数Configuration打包成jar文件存储在HDFS，并把路径提交到JobTracker的master服务，然后由master创建每一个Task（即MapTask和ReduceTask）将它们分发到各个TaskTracker服务中去执行。

2.1.4 JobInProgress

JobClient提交job后，JobTracker会创建一个JobInProgress来跟踪和调度这个job，并把它添加到job队列里。JobInProgress会根据提交的job jar中定义的输入数据集（已分解成FileSplit）创建对应的一批TaskInProgress用于监控和调度MapTask，同时在创建指定数目的TaskInProgress用于监控和调度ReduceTask，缺省为1个ReduceTask。

2.1.5 TaskInProgress

JobTracker启动任务时通过每一个TaskInProgress来launchTask，这时会把Task对象（即MapTask和ReduceTask）序列化写入相应的TaskTracker服务中，TaskTracker收到后会创建对应的TaskInProgress（此TaskInProgress实现非JobTracker中使用的TaskInProgress，作用类似）用于监控和调度该Task。启动具体的Task进程是通过TaskInProgress管理的TaskRunner对象来运行的。TaskRunner会自动装载job jar，并设置好环境变量后启动一个独立的java child进程来执行Task，即MapTask或者ReduceTask，但它们不一定运行在同一个TaskTracker中。

2.1.6  MapTask和ReduceTask

一个完整的job会自动依次执行Mapper、Combiner（在JobConf指定了Combiner时执行）和Reducer，其中Mapper和Combiner是由MapTask调用执行，Reducer则由ReduceTask调用，Combiner实际也是Reducer接口类的实现。Mapper会根据job jar中定义的输入数据集按<key1,value1>对读入，处理完成生成临时的<key2,value2>对，如果定义了Combiner，MapTask会在Mapper完成调用该Combiner将相同key的值做合并处理，以减少输出结果集。MapTask的任务全完成即交给ReduceTask进程调用Reducer处理，生成最终结果<key3,value3>对。这个过程在下一部分再详细介绍。

 

2.2 JobTracker与作业处理

2.2.1 JobClient提交作业

JobClient.runJob(job)静态方法会实例化一个JobClient实例,然后用此实例的submitJob(job)方法向 master提交作业。此方法会返回一个RunningJob对象，它用来跟踪作业的状态。作业提交完毕后，JobClient会根据此对象开始轮询作业的进度，直到作业完成。
submitJob(job)内部是通过submitJobInternal(job)方法完成实质性的作业提交。  submitJobInternal(job)方法首先会向hadoop分布系统文件系统hdfs依次上传三个文件: job.jar, job.split和job.xml。
job.xml: 作业配置，例如Mapper, Combiner, Reducer的类型，输入输出格式的类型等。
job.jar: jar包,里面包含了执行此任务需要的各种类，比如 Mapper,Reducer等实现。
job.split: 文件分块的相关信息，比如有数据分多少个块，块的大小(默认64m)等。
这三个文件在hdfs上的路径由hadoop-default.xml文件中的mapreduce系统路径mapred.system.dir属性 + jobid决定。mapred.system.dir属性默认是/tmp/hadoop-user_name/mapred/system。写完这三个文件之后, 此方法会通过RPC调用master节点上的JobTracker.submitJob(job)方法，此时作业已经提交完成。关于RPC的细节,后续章节将会阐述。

2.2.2 JobTacker调度作业

JobTracker接到JobClient提交的作业后,即在JobTracker.submitJob(job)方法中，首先产生一个JobInProgress对象。此对象代表一道作业，它的作用是维护这道作业的所有信息，包括作业剖析JobProfile和最近作业状态JobStatus,并登记此作业所有Tasks进任务表中。随后JobTracker将此JobInProgress对象通过listener.jobAdded(job)方法加入到调度队列中，并用一个成员变量jobs来维护所有的作业。

下面将说明hadoop的作业调度

作业调度在hadoop-0.19.0版得到了很大的改进,原来的调度策略规定是先进先出(FIFO)的。随着hadoop的商业应用增多，各个公司对它的需求也增多。其中Facebook公司提交了一个公平调度器Fair Scheduler; Yahoo!公司提交了Capacity Scheduler。它们分别在hadoop源码树的src/contrib/fairscheduler和src/contrib/capacity- scheduler目录中。而hadoop默认的调度器是FIFO策略的JobQueueTaskScheduler,它有两个成员变量jobQueueJobInProgressListener与eagerTaskInitializationListener。

      其中eagerTaskInitializationListener负责任务Task的初始化。其具体实现是这样的: 这个listener在初始化时会开启一个JobInitThread线程，当作业通过jobAdded(job)加入到初始化队列jobInitQueue中,根据作业的优先级排序(resortInitQueue方法)后, 这个线程就会调用JobInProgress.initTasks()立即初始化作业的所有任务。

2.2.3 JobInProgress初始化任务

 

       任务Task分两种: MapTask 和reduceTask，它们的管理对象都是TaskInProgress 。
 JobInProgress.initTasks()方法首先从JobClient上传的job.split文件中读取所有数据块的列表，然后根据这个列表创建对应数目的Map执行管理对象TaskInProgress。创建这些TaskInProgress对象完毕后，initTasks()方法会通过createCache()方法为这些对象产生一个未执行任务的Map缓存nonRunningMapCache。slave端的TaskTracker向master发送心跳时，就可以直接从这个cache中取任务去执行。createCache()方法的作用是为以上TaskInProgress对象在网络拓扑结构上分配拥有此任务数据块的节点。从近到远一层一层地寻找，首先是同一节点，然后在寻找同一机柜上的节点，接着寻找相同关换机下的节点，直到找了maxLevel层结束。这样的话，在JobTracker给TaskTracker派发任务的时候，可以迅速找到最近的TaskTracker，让它执行任务。
 其次JobInProgress会创建Reduce的监控对象，这个比较简单，根据JobConf里指定的Reduce数目创建，缺省只创建1个Reduce任务。监控和调度Reduce任务的也是TaskInProgress类，不过构造方法有所不同，TaskInProgress会根据不同参数分别创建具体的MapTask或者ReduceTask。同样地，initTasks()也会通过createCache()方法对这些TaskInProgress对象寻找maxLevel层的可行TaskTracker，进而产生nonRunningReduceCache成员。
 JobInProgress创建完TaskInProgress后，最后构造JobStatus并记录job正在执行中，然后再调用JobHistory.JobInfo.logStarted()记录job的执行日志。到这里JobTracker里初始化job的过程全部结束，执行则是通过另一异步的方式处理的，下面接着介绍它。

评论

10 楼 flyoung2008 2012-04-21  

2.2.1 JobClient提交作业
JobClient.runJob(job)静态方法会实例化一个JobClient实例,然后用此实例的submitJob(job)方法向 master提交作业。此方法会返回一个RunningJob对象，它用来跟踪作业的状态。作业提交完毕后，JobClient会根据此对象开始轮询作业的进度，直到作业完成。
submitJob(job)内部是通过submitJobInternal(job)方法完成实质性的作业提交。  submitJobInternal(job)方法首先会向hadoop分布系统文件系统hdfs依次上传三个文件: job.jar, job.split和job.xml。
job.xml: 作业配置，例如Mapper, Combiner, Reducer的类型，输入输出格式的类型等。
job.jar: jar包,里面包含了执行此任务需要的各种类，比如 Mapper,Reducer等实现。
job.split: 文件分块的相关信息，比如有数据分多少个块，块的大小(默认64m)等。
这三个文件在hdfs上的路径由hadoop-default.xml文件中的mapreduce系统路径mapred.system.dir属性 + jobid决定。mapred.system.dir属性默认是/tmp/hadoop-user_name/mapred/system。写完这三个文件之后, 此方法会通过RPC调用master节点上的JobTracker.submitJob(job)方法，此时作业已经提交完成。关于RPC的细节,后续章节将会阐述。

其中我一点比较疑惑 copy job resources 到 hdfs中 这个hdfs是JobTracker的 还是其他节点的？

9 楼 superjava 2009-12-23  

有个地方很迷惑：
   1. Configuration conf = new Configuration(); // 读取hadoop配置 
   2. Job job = new Job(conf, "作业名称"); // 实例化一道作业 
   。。。。。。
  10. // 其它初始化配置 
  11. JobClient.runJob(job); 

第11行的输入参数是Job对象，可在实际的API中并没有JobClient.runJob(Job job)的方法定义；仅仅只有：
public static RunningJob runJob(JobConf job)
而在0.20.1中JobConf已经Deprecated了，那怎么提交job呢？

如果按照之前0.18 中的wordcound来写，则只能用JobConf，很迷茫。。。。

8 楼 shine_yue 2009-10-07  

riddle_chen 写道

有个问题想请教一下，如果有多于1个的reduce任务在运行，那么mapoutput中同属一个key的数据是不是只会分发给其中的1个reduce任务？

是的

7 楼 riddle_chen 2009-04-23  

有个问题想请教一下，如果有多于1个的reduce任务在运行，那么mapoutput中同属一个key的数据是不是只会分发给其中的1个reduce任务？

6 楼 coderplay 2009-04-01  

gonggaosheng 写道

请教一下hadoop中能否指定map和reduce任务运行的节点呢？谢谢

不改hadoop的源代码情况下,是不行的。

5 楼 gonggaosheng 2009-03-26  

请教一下hadoop中能否指定map和reduce任务运行的节点呢？谢谢

4 楼 duguguiyu 2008-12-25  

谢谢，期待后续文章：）

3 楼 coderplay 2008-12-25  

duguguiyu 写道

继续请教一些问题：）刚看了一下0.19版的这部分相关内容，在0.19版里，ReduceTask的分配并没有用cache，这应该是0.20修改的，对吧。。。然后就是关于分配的，我个人看完感觉就是这样的，一个TaskTracker发来心跳消息，如果这时候TaskTracker还有能力和必要处理MapTask，JobTracker会按照任务优先级，挑选一个Task分配给他。那么这样的话，会不会导致先到先得，全局优化性很差呢？？

会的, 可以考虑FairScheduler和CapacityTaskScheduler

duguguiyu 写道

我对于MapReduce没有什么实际经验，想请教一下，Task分配这部分对于MapReduce整个框架来说会不会是一个性能的关键点？谢谢。。。

是,这很影响整个系统的并行性。

2 楼 duguguiyu 2008-12-23  

继续请教一些问题：）
刚看了一下0.19版的这部分相关内容，在0.19版里，ReduceTask的分配并没有用cache，这应该是0.20修改的，对吧。。。

然后就是关于分配的，我个人看完感觉就是这样的，一个TaskTracker发来心跳消息，如果这时候TaskTracker还有能力和必要处理MapTask，JobTracker会按照任务优先级，挑选一个Task分配给他。那么这样的话，会不会导致先到先得，全局优化性很差呢？？

我对于MapReduce没有什么实际经验，想请教一下，Task分配这部分对于MapReduce整个框架来说会不会是一个性能的关键点？谢谢。。。

1 楼 duguguiyu 2008-12-23  

原来是拉取不是推送，我说怎么看不到推送的流程呢，感谢LZ。。。