hadoop中mapreduce作业执行过程分析--local模式

写完回头看看，发现好像有点儿乱，对不住各位看官啦，限于个人水平，有错误的地方请大家予以回复纠正。

 

环境：主机WIN7+Eclipse4.3，hadoop源码已导入eclipse，虚拟机中运行Ubuntu13.04，伪分布式模式运行hadoop。在eclipse中调试wordcount，为了防止出现Failed to set permissions of path的异常，将org.apache.hadoop.fs.FileUtil类中checkReturnValue方法中的源码注释掉！注意：在主机eclipse中调试，实际上是使用单机模式跑job，与分布式环境的作业运行流程不完全相同，故本篇所讲内容仅具有参考意义。

 

        入口是job.waitForCompletion方法，进入该方法后，会执行Job类中的submit方法，该方法主要有下面两行代码：

    connect();
    info = jobClient.submitJobInternal(conf);

        我们从这里分两条路，为了方便梳理，将代码按照执行顺序进行编号：

        1.先看connect()方法，该方法中会new一个JobClient对象，在JobClient的构造函数中会去调用JobClient中的init方法，该方法的内容如下所示：

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);
    }        
  }

因为我这里没有对mapred.job.tracker没有做特别的设置，所以得到的tracker应该是local，这种情况下会去创建一个LocalJobRunner对象。（注意：可以在conf中将mapred.job.tracker设置为hadoop中jobtracker的URL，这种情况会执行else语句块的内容，是会在hadoop中运行该job的，但是也会遇到一些错误，这里先不做介绍啦。）LocalJobRunner对象实现了JobSubmissionProtocol接口，我们知道hadoop中主要使用RPC进行通讯，此接口就是client与JobTracker对象通讯的协议，后面代码中的jobClient对象其实就是通过其内置的jobSubmitClient与JobTracker之间进行交互的。

        2.接下来我们再来看jobClient.submitJobInternal(conf)这段代码。该方法里面的代码相对来说比较复杂：

        2.1.首先会调用JobSubmissionFiles.getStagingDir()方法，该方法内部主要有两块儿代码，先看第一个：

Path stagingArea = client.getStagingAreaDir();

该方法内部最终调用的实际上是LocalJobRunner类中的getStagingAreaDir方法，代码如下：

Path stagingRootDir = 
      new Path(conf.get("mapreduce.jobtracker.staging.root.dir",
        "/tmp/hadoop/mapred/staging"));
    UserGroupInformation ugi = UserGroupInformation.getCurrentUser();
    String user;
    randid = rand.nextInt(Integer.MAX_VALUE);
    if (ugi != null) {
      user = ugi.getShortUserName() + randid;
    } else {
      user = "dummy" + randid;
    }
    return fs.makeQualified(new Path(stagingRootDir, user+"/.staging")).toString();

从这个方法里我们看以看到staging root dir的生成，该目录主要用来存放job的相关资源（比如我们写的代码），由于此处我所使用的是LocalJobRunner，所以此PATH是在我们本地文件系统中生成的（上面最后一行代码），并且我们可以看到，Staging的根目录路径为${mapreduce.jobtracker.staging.root.dir}/${username}随机数/.staging。

        我们再来看JobSubmissionFiles.getStagingDir()方法中的另一块代码，这里有一个在windows中跑job的时候常遇到的错误。由于上面代码中的user中含有一个随机数，所以理论上绝大多数情况下我们都需要在staging root dir下面新建一个由用户名和随机数构成的目录，所以，我们会执行

fs.mkdirs(stagingArea, new FsPermission(JOB_DIR_PERMISSION));

 最终我们实际上执行的是RowLocalFileSystem类中的mkdirs(Path f, FsPermission permission)方法，该方法中又会去调用setPermission(f, permission)方法，此方法进一步会调用org.apache.hadoop.fs.FileUtil类的setPermission方法，最终又调用了FileUtil类中的checkReturnValue方法，该方法会抛出一个异常：

//if (!rv) {
//      throw new IOException("Failed to set permissions of path: " + p + 
//                            " to " + String.format("%04o", permission.toShort()));
//}

我们前面没有提到rv，这个变量是代表staging目录的File试图去设置linux文件系统中的read权限的结果，但是在windows中这样的操作是失败的，于是rv接收到的值就是false，所以一旦进入checkReturnValue，就会抛出上面的异常。由于事先已将该段代码注释掉了，所以程序可以继续运行下去，可以顺利的退出JobSubmissionFiles.getStagingDir()方法。

        2.2 JobID jobId = jobSubmitClient.getNewJobId()，这行代码会执行LocalJobRunner类中的getNewJobId方法，该方法中会创建一个JobID对象并返回。接下来执行

copyAndConfigureFiles(jobCopy, submitJobDir);

此方法会将job的配置信息和需要的资源文件（比如files、archives,libjars）拷贝到submitJobDir（staging root dir目录下面一个以JOBID命名的），如果是运行在hadoop环境中，还会把这些文件加入到DistributedCache中。

        2.3 接下来会检查输出路径：

          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);
          }
          

        2.4 如果输出路径不存在，就会接着往下运行创建inputSplits 

 FileSystem fs = submitJobDir.getFileSystem(jobCopy);
 LOG.debug("Creating splits at " + fs.makeQualified(submitJobDir));
 int maps = writeSplits(context, submitJobDir);
 jobCopy.setNumMapTasks(maps);

        2.4.1 这段代码中主要来看一下writeSplits方法，该方法内部会去判断是否使用的是新的Mapper，如果是，就进一度调用JobClient中的writeNewSplits方法，否则就调用writeOldSplits。我使用的是新的API，所以就进入了writeNewSplits方法，该方法的代码如下：

    Configuration conf = job.getConfiguration();
    InputFormat<?, ?> input =
      ReflectionUtils.newInstance(job.getInputFormatClass(), conf);

    List<InputSplit> splits = input.getSplits(job);
    T[] array = (T[]) splits.toArray(new InputSplit[splits.size()]);

    // sort the splits into order based on size, so that the biggest
    // go first
    Arrays.sort(array, new SplitComparator());
    JobSplitWriter.createSplitFiles(jobSubmitDir, conf,
        jobSubmitDir.getFileSystem(conf), array);
    return array.length;

首先，通过反射得到InputFormat对象，调用其getSplits方法得到输入分片的集合，然后对分片进行排序，SlitComparator是按照分片的大小降序排列的。 之后调用JobSplitWriter.createSplitFiles方法去创建输入分片（位于前面的submitJobDir目录下job.split和job.splitmetainfo以及对应的crc校验文件）。

        2.5 这个操作结束后，我们就可以退回到Jobclient类的submitJobInternal 方法中啦。接下来的一行代码

jobCopy.setNumMapTasks(maps);

会把返回的分片的数目设为map task的数目。

        2.6 之后会创建一个FSDataOutputStream对象，向jobSubmitFile中写入当前job的所有配置信息。

        2.7 接下来就是真正的提交job的操作，具体代码如下

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

由于我们是在本地运行的job，所以会调用LocalJobRunner类中的submitJob，如果是在hadoop集群中运行，则会调用JobTracker的submitJob方法。相对于JobTracker，LocalJobRunner类中的submitJob方法非常简单

    Job job = new Job(jobid, jobSubmitDir);
    job.job.setCredentials(credentials);
    return job.status;

        2.7.1 进入Job的构造函数 ，大部分代码都是比较简单的，先来看下面这几行代码

      this.trackerDistributedCacheManager =
        new TrackerDistributedCacheManager(conf, taskController);
      this.taskDistributedCacheManager =
        trackerDistributedCacheManager.newTaskDistributedCacheManager(
            jobid, conf);
      taskDistributedCacheManager.setupCache(conf, "archive", "archive");

这里先创建了一个TrackerDistributedCacheManager对象，然后该对象又创建了一个TaskDistributedCacheManager对象，DistributedCache的具体工作流程可以参考 这篇bog。之后，会更新（重新写入配置信息）job的xml配置文件。

        2.7.2 之后就是启动一个新线程执行Job。也就是会去执行Job类中的run方法，下面我们来分析一下run方法的执行过程。

        2.7.2.1 run方法中的代码比较多，挑几个重要地方来看吧。首先看下

Map<TaskAttemptID, MapOutputFile> mapOutputFiles =
            Collections.synchronizedMap(new HashMap<TaskAttemptID, MapOutputFile>());
List<MapTaskRunnable> taskRunnables = getMapTaskRunnables(taskSplitMetaInfos,
            jobId, mapOutputFiles);

这段代码会创建一个map task线程的集合，然后放入线程池中执行，map的输出结果文件放在mapOutputFiles中。

        2.7.2.2 接下来再来看这行代码

        TaskAttemptID reduceId = 
          new TaskAttemptID(new TaskID(jobId, false, 0), 0);

从这行代码开始，下面的就是Reduce的执行部分。TaskAttemptID是什么东东呢，先来看TaskAttempt吧， TaskAttempt可以理解为一个task，map task或reduce task， 这里对应的是一个reduce的id。

        2.7.2.3 然后，创建一个reducetask，并对其进行设置

ReduceTask reduce =
                new ReduceTask(systemJobFile.toString(), reduceId, 0, mapIds.size(),
                    1);
reduce.setUser(UserGroupInformation.getCurrentUser().getShortUserName());
JobConf localConf = new JobConf(job);
localConf.set("mapreduce.jobtracker.address", "local"); 

然后会将map的输出文件交给reduce，

          for (int i = 0; i < mapIds.size(); i++) {
              if (!this.isInterrupted()) {
                TaskAttemptID mapId = mapIds.get(i);
                Path mapOut = mapOutputFiles.get(mapId).getOutputFile();
                MapOutputFile localOutputFile = new MapOutputFile();
                localOutputFile.setConf(localConf);
                Path reduceIn =
                  localOutputFile.getInputFileForWrite(mapId.getTaskID(),
                        localFs.getFileStatus(mapOut).getLen());
                if (!localFs.mkdirs(reduceIn.getParent())) {
                  throw new IOException("Mkdirs failed to create "
                      + reduceIn.getParent().toString());
                }
                if (!localFs.rename(mapOut, reduceIn))
                  throw new IOException("Couldn't rename " + mapOut);
              } else {
                throw new InterruptedException();
              }
            }

之后会调用该reduce的run方法运行reducer

 reduce.run(localConf, this);

由于在local模式下，reduce的数量只可以是0或1，所以reduce的运行还是比较简单的、具体可以看run方法内部的代码。