MapReduce扩展：应用程序如何运行于Hadoop Yarn之上

1. 背景

 

“应用程序运行于Hadoop Yarn之上”的需求来源于微博运维数据平台中的调度系统，即调度系统中的任务需要运行于Hadoop Yarn之上。这里的应用程序可以简单理解为一个普通的进程（这里特指Java进程），调度系统中的任务执行实际也是一个进程的运行过程，这里我们不讨论为什么调度系统中的任务（进程）需要运行于Hadoop Yarn之上，仅仅讨论如何使得一个应用程序（进程）可以运行于Hadoop Yarn之上。

 

应用程序（进程）需要运行于Hadoop Yarn之上，有三种可选的实现方案：

 

（1）扩展实现Yarn Application的两个组件：Yarn Client、ApplicationMaster；

（2）重用已有的计算框架，如：MapReduce、Spark；

（3）借助于开源框架，如：Apache Twill；

 

我们的实现方案最终确定为重用已有的计算框架：MapReduce，主要是基于以下几个因素考虑的：

 

（1）Yarn Application的Yarn Client、ApplicationMaster的扩展实现过程异常复杂，需要对Hadoop Yarn有非常深入的了解，对于我们的目标而言这种方式过于“大材小用”，毕竟我们只是希望一个普通的Java进程可以运行于Hadoop Yarn之上即可；

（2）Apache Twill及类似的开源框架旨在简化Yarn Application（Yarn Client、ApplicationMaster）的实现过程，但目前均处于孵化器状态，不建议实际环境中使用；

（3）已有的计算框架中，MapReduce、Spark使用都比较广泛，而Spark使用Scala开发，不太适用于团队目前的工程背影及与现有系统整合，因此选取了使用Java开发的MapReduce；

 

实现方案确定之后，我们的目标不再是“应用程序如何运行于Hadoop Yarn之上”，变为“一个普通的Java进程如何运行于Hadoop Yarn之上”，而MapReduce仅仅包含两种类型的任务：Map Tasks、Reduce Tasks，进一步思考之后，我们得到最终目标：“一个普通的Java进程如何以一个MapReduce MapTask的形式运行于Hadoop Yarn之上”。

 

为什么是MapTask，而不是ReduceTask？

 

每一个MapTask、ReduceTask都是一个Java进程，宏观上看，ReduceTask需要运行于MapTask之后，即ReduceTask的运行必须依赖于所有的MapTask结束之后才可以运行。

 

如果是“一个普通的Java进程以一个MapReduce ReduceTask的形式运行于Hadoop Yarn之上”，则Hadoop Yarn之上至少需要两个进程：一个MapTask进程和一个ReduceTask进程，这与一个普通的Java进程的初衷是不符的，相当于之前只需要一个进程就可以完成的任务，现在至少需要两个进程。

 

MapReduce是可以不需要ReduceTask的，这可以通过设置Hadoop MapReduce属性“mapreduce.job.reduces”的值为0来实现。

 

2. 实现

 

2.1 YarnApplication

 

一个普通的Java进程现在相当于一个MapReduce MapTask进程，这个“普通的Java进程”的计算逻辑实际可以是多种多样的，这就要求我们需要把MapReduce MapTask进程看作是一个“容器”，运行于其中的应用可以有各种各样的计算逻辑，只有这样MapReduce MapTask的进程才可以等价于一个普通的Java进程，虽然它包含很多额外的执行过程（与应用计算逻辑无关的）。

 

根据以往的经验，“容器”中的应用通常需要实现特定的接口（Interface或Abstract class），为此我们特意设计了一个抽象类：YarnApplication，用于表示“容器”中的应用。

 

 

属性

 

context：MapReduce MapTask Context（org.apache.hadoop.mapreduce.Mapper.Context），即：MapReduce Mapper环境上下文，主要用于获取Hadoop MapReduce配置属性值；

 

方法

 

setContext：设置MapReduce Mapper Context（环境上下文）；

 

execute：应用的计算逻辑以方法的形式封装至方法execute，该方法可以接受任意个字符串形式的参数；

 

简而言之，一个普通的Java进程如果想运行于Yarn之上，现在仅仅需要实现自己特有的SpecificApplication，SpecificApplication需要继承自YarnApplication，并重写其中的execute方法，用于表示应用的计算逻辑，然后由“容器”（MapReduce MapTask）负责完成应用的执行过程，即：SpecificApplication execute的方法调用。

 

代码参考： https://github.com/Leaderman/scheduler-on-yarn/blob/master/src/main/java/com/weibo/dip/yarnscheduler/app/YarnApplication.java

 

2.2 AppMapper

 

AppMapper是MapReduce Mapper的一个具体实现，它的功能就是2.1中提及的“容器”，用于完成多种多样的YarnApplication的执行过程。

 

 

属性

 

appClass：既然“容器”可以支持多种多样的YarnApplication的执行，那么某一个具体的“容器实例”（即：AppMapper Task）启动时，需要知道具体执行哪一个YarnApplication实例；appClass用于保存YarnApplication实例的完全限定类名，它的具体值可以在Hadoop MapRedcue启动时通过参数“app.class”进行指定；

 

args：用于表示YarnApplication execute方法执行时需要传递的参数，它的具体值可以在Hadoop MapReduce启动时通过参数“app.args”进行指定；

 

方法

 

setup：AppMapper实例的初始化过程中获取appClass与args的具体值；

 

 

map：AppMapper实例的具体执行过程，负责完成YarnApplication execute的调用过程；

 

 

具体的执行过程分为三步：

 

（1）通过反射加载具体的YarnApplication实现类，并创建相应的实例app；

（2）实例app设置相应的Mapper环境上下文context；

（3）实例app执行execute方法；

 

cleanup：暂时没有使用；

 

这里有一点需要额外注意：AppMapper map没有处理任何的数据输入输出。

 

代码参考： https://github.com/Leaderman/scheduler-on-yarn/blob/master/src/main/java/com/weibo/dip/yarnscheduler/mapreduce/AppMapper.java

 

2.3 AppInputFormat

 

AppMapper仅仅需要一个Map Task，因此InputSplit的数目为1；AppMapper map仅仅执行一次，意味着InputSplit的记录数目为1；这样的需求如果使用TextInputFormat，则要求我们必须在HDFS上存储一个文本文件，这个文本文件仅仅包含有一行文本，对于我们的场景而言，太过烦琐，因此我们设计实现了专用的InputFormat：AppInputFormat。

 

InputFormat需要有两个核心组件组成：InputSplit和RecordReader，AppInputFormat也不例外，如下：

 

 

如上所述，AppMapper map没有处理任何的数据输入，因此，AppInputFormat需要的InputSplit可以是“虚拟”的，InputSplit中的记录也可以是“虚拟”的。

 

2.3.1 AppInputSplit

 

AppInputSplit就是一个“虚拟”的InputSplit，它没有引用或关联任何实际的数据。

 

 

方法

 

getLength：AppInputSplit是“虚拟”的，没有引用或关联任何实际的数据，因此数据长度为0；

 

getLocations：AppInputSplit是“虚拟”的，没有引用或关联任何实际的数据，不需要考虑数据本地性的问题，因此仅返回一个“localhost”即可；

 

write、readFields：AppInputSplit不包括任何实例属性，因为序列化方法（write）和反序列化方法（readFields）为空即可；

 

2.3.2 AppRecordReader

 

虽然AppInputSplit是“虚拟”的，但它依然需要一个对应的RecordReader，且这个RecordReader需要能够从AppInputSplit中“读取”到一条记录，否则AppMapper map方法无法得到执行。

 

 

属性

 

progress：表示AppInputSplit的处理进度，因为AppInputSplit仅仅包含一条“虚拟”记录，因此progress只有两个值：0.0和1.0，初始值为0.0；

key：表示AppInputSplit中的那条“虚拟”记录的KEY；

value：表示AppInputSplit中的那条“虚拟”记录的VALUE;

 

方法

 

initialize：初始化AppRecordReader实例，为空即可；

 

nextKeyValue：用于表示AppInputSplit中是否仍有记录可以读取，如果实例变量key和value均为null，表示有一条记录可以读取；否则表示读取完成，progress置为1.0；

 

getCurrentKey：如果nextKeyValue()方法返回值为true，表示有一条记录可以读取，getCurrentKey()返回这条记录的KEY，因为只有一条记录，我们这里将KEY设置为-1，并保存至实例变量key；

 

getCurrentValue：如果nextKeyValue()方法返回值为false，表示有一条记录可以读取，getCurrentValue()返回这条记录的VALUE，因为只有一条记录，我们这里将VALUE设置为“APP Record”，并保存至实例变量value；

 

getProgress：直接返回实例变量progress的值即可；

 

close：没有使用，为空即可；

 

这里有一点需要注意，AppRecordReader中并没有使用到AppInputSplit，这是因为AppInputSplit及其中的记录都可以理解为是“虚拟”的，AppRecordReader只需要能够“读取”到一条记录即可，至于这条记录是不是实际包含在AppInputSplit中是无关紧要的。

 

2.3.3 AppInputFormat

 

 

方法

 

getSplits：AppMapper仅仅需要一个MapTask，因此只需要以数组的形式返回一个AppInputSplit实例即可；

 

createRecordReader：返回一个AppRecordReader实例即可；

 

代码参考： https://github.com/Leaderman/scheduler-on-yarn/blob/master/src/main/java/com/weibo/dip/yarnscheduler/mapreduce/AppInputFormat.java

 

2.4 AppOutputFormat

 

整个Hadoop MapReduce的运行过程中仅仅只有一个AppMapper Task，而这个唯一的AppMapper Task没有任何输出，因此我们需要一个“空”的OutputFormat：AppOutputFormat。

 

OutputFormat需要有两个核心组件组成：RecordWriter和OutputCommitter，AppOutputFormat也不例外，如下：

 

 

2.4.1 AppRecordWriter

 

 

如上所述，因为没有任何数据输出，所以AppRecordWriter中的所有方法为空即可。

 

2.4.2 AppOutputCommitter

 

 

OutputFormat使用OutputCommitter用于“提交”Task的输出，因为没有任何数据输出，所以AppOutputCommitter中的所有方法为空即可。

 

2.4.3 AppOutputFormat

 

 

方法

 

getRecordWriter：返回一个AppRecordWriter实例即可；

 

checkOutputSpecs：没有任何数据输出，为空即可；

 

getOutputCommitter：返回一个AppOutputCommitter实例即可；

 

代码参考： https://github.com/Leaderman/scheduler-on-yarn/blob/master/src/main/java/com/weibo/dip/yarnscheduler/mapreduce/AppOutputFormat.java

 

2.5 AppMapReduce

 

 

AppMapReduce继承类Configured，并实现接口Tool，相当于MapReduce的一个驱动，可以使用以下的方式来运行：

 

 

注：ToolRunner、Configured、Tool是Hadoop MapReduce提供的工具类，方便我们运行Hadoop MapReduce。

 

代码参考： https://github.com/Leaderman/scheduler-on-yarn/blob/master/src/main/java/com/weibo/dip/yarnscheduler/mapreduce/AppMapReduce.java

 

综上所述，YarnApplication、AppMapper、AppInputFormat（AppInputSplit、AppRecordReader）、AppOutputFormat（AppRecordWriter、AppOutputCommitter）、AppMapReduce之间的类关系如下图：

 

 

3. 示例

 

假设我们一个“HelloWorld”的应用，以一个普通的Java进程的实现方式如下：

 

 

如果想让这个“HelloWorld”的应用运行于Hadoop Yarn之上，我们需要实现一个HelloWorldApplication，它继承自YarnApplication，并重写其中的execute方法：

 

 

HelloWorldApplication的运行需要一个“驱动程序”：

 

 

这个“驱动程序”的运行方式如下：

 

java -cp conf/:target/scheduler-on-yarn-0.0.1-SNAPSHOT.jar:target/scheduler-on-yarn-0.0.1-SNAPSHOT-lib/* com.weibo.dip.yarnscheduler.example.HelloWorldApplicationExecutor -conf /etc/hadoop-offline/conf/core-site.xml -conf /etc/hadoop-offline/conf/hdfs-site.xml -conf /etc/hadoop-offline/conf/mapred-site.xml -conf /etc/hadoop-offline/conf/yarn-site.xml -D mapreduce.job.queuename=hive -D app.class=com.weibo.dip.yarnscheduler.app.HelloWorldApplication -D app.args=abc,def,ghi

 

参数说明：

 

-conf /etc/hadoop-offline/conf/core-site.xml

-conf /etc/hadoop-offline/conf/hdfs-site.xml

-conf /etc/hadoop-offline/conf/mapred-site.xml

-conf /etc/hadoop-offline/conf/yarn-site.xml

 

这几个参数用于指定Hadoop集群的配置文件；

 

-D mapreduce.job.queuename=hive

 

用于指定Hadoop MapReduce运行于Hadoop Yarn中的哪个队列；

 

-D app.class=com.weibo.dip.yarnscheduler.app.HelloWorldApplication

 

用于指定YarnApplication的具体实现类，此处为HelloWorldApplication；

 

-D app.args=abc,def,ghi

 

用于指定HelloWorldApplication运行时所需要的参数，多个参数以“,”进行分隔。

 

代码参考：

 

https://github.com/Leaderman/scheduler-on-yarn/blob/master/src/main/java/com/weibo/dip/yarnscheduler/example/HelloWorldMain.java

https://github.com/Leaderman/scheduler-on-yarn/blob/master/src/main/java/com/weibo/dip/yarnscheduler/app/HelloWorldApplication.java

https://github.com/Leaderman/scheduler-on-yarn/blob/master/src/main/java/com/weibo/dip/yarnscheduler/example/HelloWorldApplicationExecutor.java