Hadoop API 使用介绍

Hadoop API 使用介绍

Hadoop API被分成（divide into）如下几种主要的包（package） org.apache.hadoop.conf     定义了系统参数的配置文件处理API。 org.apache.hadoop.fs          定义了抽象的文件系统API。 org.apache.hadoop.dfs       Hadoop分布式文件系统（HDFS）模块的实现。 org.apache.hadoop.io         定义了通用的I/O API，用于针对网络，数据库，文件等数据对象做读写操作。 org.apache.hadoop.ipc       用于网络服务端和客户端的工具，封装了网络异步I/O的基础模块。 org.apache.hadoop.mapred         Hadoop分布式计算系统（MapReduce）模块的实现，包括任务的分发调度等。 org.apache.hadoop.metrics        定义了用于性能统计信息的API，主要用于mapred和dfs模块。 org.apache.hadoop.record 定义了针对记录的I/O API类以及一个记录描述语言翻译器，用于简化将记录序列化成语言中性的格式（language-neutral manner）。 org.apache.hadoop.tools    定义了一些通用的工具。 org.apache.hadoop.util       定义了一些公用的API。 MapReduce框架结构      Map/Reduce是一个用于大规模数据处理的分布式计算模型，它最初是由Google工程师设计并实现的，Google已经将它完整的MapReduce论文公开发布了。其中对它的定义是，Map/Reduce是一个编程模型（programming model），是一个用于处理和生成大规模数据集（processing and generating large data sets）的相关的实现。用户定义一个map函数来处理一个key/value对以生成一批中间的key/value对，再定义一个reduce函数将所有这些中间的有着相同key的values合并起来。很多现实世界中的任务都可用这个模型来表达。 Hadoop的Map/Reduce框架也是基于这个原理实现的，下面简要介绍一下Map/Reduce框架主要组成及相互的关系。 2.1 总体结构 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launch Task，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。 下图描述了Map/Reduce框架中主要组成和它们之间的关系：   2.2     Job创建过程 2.2.1    JobClient.runJob() 开始运行job并分解输入数据集 一个MapReduce的Job会通过JobClient类根据用户在JobConf类中定义的InputFormat实现类来将输入的数据集分解成一批小的数据集，每一个小数据集会对应创建一个MapTask来处理。JobClient会使用缺省的FileInputFormat类调用FileInputFormat.getSplits()方法生成小数据集，如果判断数据文件是isSplitable()的话，会将大的文件分解成小的FileSplit，当然只是记录文件在HDFS里的路径及偏移量和Split大小。这些信息会统一打包到jobFile的jar中并存储在HDFS中，再将jobFile路径提交给JobTracker去调度和执行。 2.2.2    JobClient.submitJob() 提交job到JobTracker jobFile的提交过程是通过RPC模块（有单独一章来详细介绍）来实现的。大致过程是，JobClient类中通过RPC实现的Proxy接口调用JobTracker的submitJob()方法，而JobTracker必须实现JobSubmissionProtocol接口。JobTracker则根据获得的jobFile路径创建与job有关的一系列对象（即JobInProgress和TaskInProgress等）来调度并执行job。 JobTracker创建job成功后会给JobClient传回一个JobStatus对象用于记录job的状态信息，如执行时间、Map和Reduce任务完成的比例等。JobClient会根据这个JobStatus对象创建一个NetworkedJob的RunningJob对象，用于定时从JobTracker获得执行过程的统计数据来监控并打印到用户的控制台。 与创建Job过程相关的类和方法如下图所示   2.3     Job执行过程 上面已经提到，job是统一由JobTracker来调度的，具体的Task分发给各个TaskTracker节点来执行。下面通过源码来详细解析执行过程，首先先从JobTracker收到JobClient的提交请求开始。 2.3.1    JobTracker初始化Job和Task队列过程 2.3.1.1     JobTracker.submitJob() 收到请求 当JobTracker接收到新的job请求（即submitJob()函数被调用）后，会创建一个JobInProgress对象并通过它来管理和调度任务。JobInProgress在创建的时候会初始化一系列与任务有关的参数，如job jar的位置（会把它从HDFS复制本地的文件系统中的临时目录里），Map和Reduce的数据，job的优先级别，以及记录统计报告的对象等。 2.3.1.2     JobTracker.resortPriority() 加入队列并按优先级排序 JobInProgress创建后，首先将它加入到jobs队列里，分别用一个map成员变量jobs用来管理所有jobs对象，一个list成员变量jobsByPriority用来维护jobs的执行优先级别。之后JobTracker会调用resortPriority()函数，将jobs先按优先级别排序，再按提交时间排序，这样保证最高优先并且先提交的job会先执行。 2.3.1.3     JobTracker.JobInitThread 通知初始化线程 然后JobTracker会把此job加入到一个管理需要初始化的队列里，即一个list成员变量jobInitQueue里。通过此成员变量调用notifyAll()函数，会唤起一个用于初始化job的线程JobInitThread来处理（JobTracker会有几个内部的线程来维护jobs队列，它们的实现都在JobTracker代码里，稍候再详细介绍）。JobInitThread收到信号后即取出最靠前的job，即优先级别最高的job，调用JobInProgress的initTasks()函数执行真正的初始化工作。 2.3.1.4     JobInProgress.initTasks() 初始化TaskInProgress Task的初始化过程稍复杂些，首先步骤JobInProgress会创建Map的监控对象。在initTasks()函数里通过调用JobClient的readSplitFile()获得已分解的输入数据的RawSplit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。在这个过程中，还会记录该RawSplit块对应的所有在HDFS里的blocks所在的DataNode节点的host，这个会在RawSplit创建时通过FileSplit的getLocations()函数获取，该函数会调用DistributedFileSystem的getFileCacheHints()获得（这个细节会在HDFS模块中讲解）。当然如果是存储在本地文件系统中，即使用LocalFileSystem时当然只有一个location即“localhost”了。 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。 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。 与初始化Job过程相关的类和方法如下图所示   2.3.2TaskTracker执行Task的过程 Task的执行实际是由TaskTracker发起的，TaskTracker会定期（缺省为10秒钟，参见MRConstants类中定义的HEARTBEAT_INTERVAL变量）与JobTracker进行一次通信，报告自己Task的执行状态，接收JobTracker的指令等。如果发现有自己需要执行的新任务也会在这时启动，即是在TaskTracker调用JobTracker的heartbeat()方法时进行，此调用底层是通过IPC层调用Proxy接口（在IPC章节详细介绍）实现。这个过程实际比较复杂，下面一一简单介绍下每个步骤。 2.3.2.1     TaskTracker.run() 连接JobTracker TaskTracker的启动过程会初始化一系列参数和服务（另有单独的一节介绍），然后尝试连接JobTracker服务（即必须实现InterTrackerProtocol接口），如果连接断开，则会循环尝试连接JobTracker，并重新初始化所有成员和参数，此过程参见run()方法。 2.3.2.2     TaskTracker.offerService() 主循环 如果连接JobTracker服务成功，TaskTracker就会调用offerService()函数进入主执行循环中。这个循环会每隔10秒与JobTracker通讯一次，调用transmitHeartBeat()获得HeartbeatResponse信息。然后调用HeartbeatResponse的getActions()函数获得JobTracker传过来的所有指令即一个TaskTrackerAction数组。再遍历这个数组，如果是一个新任务指令即LaunchTaskAction则调用startNewTask()函数执行新任务，否则加入到tasksToCleanup队列，交给一个taskCleanupThread线程来处理，如执行KillJobAction或者KillTaskAction等。 2.3.2.3     TaskTracker.transmitHeartBeat() 获取JobTracker指令 在transmitHeartBeat()函数处理中，TaskTracker会创建一个新的TaskTrackerStatus对象记录目前任务的执行状况，然后通过IPC接口调用JobTracker的heartbeat()方法发送过去，并接受新的指令，即返回值TaskTrackerAction数组。在这个调用之前，TaskTracker会先检查目前执行的Task数目以及本地磁盘的空间使用情况等，如果可以接收新的Task则设置heartbeat()的askForNewTask参数为true。操作成功后再更新相关的统计信息等。 2.3.2.4     TaskTracker.startNewTask() 启动新任务 此函数的主要任务就是创建TaskTracker$TaskInProgress对象来调度和监控任务，并把它加入到runningTasks队列中。完成后则调用localizeJob()真正初始化Task并开始执行。 2.3.2.5     TaskTracker.localizeJob() 初始化job目录等 此函数主要任务是初始化工作目录workDir，再将job jar包从HDFS复制到本地文件系统中，调用RunJar.unJar()将包解压到工作目录。然后创建一个RunningJob并调用addTaskToJob()函数将它添加到runningJobs监控队列中。完成后即调用launchTaskForJob()开始执行Task。 2.3.2.6     TaskTracker.launchTaskForJob() 执行任务 启动Task的工作实际是调用TaskTracker$TaskInProgress的launchTask()函数来执行的。 2.3.2.7     TaskTracker$TaskInProgress.launchTask() 执行任务 执行任务前先调用localizeTask()更新一下jobConf文件并写入到本地目录中。然后通过调用Task的createRunner()方法创建TaskRunner对象并调用其start()方法最后启动Task独立的java执行子进程。 2.3.2.8     Task.createRunner() 创建启动Runner对象 Task有两个实现版本，即MapTask和ReduceTask，它们分别用于创建Map和Reduce任务。MapTask会创建MapTaskRunner来启动Task子进程，而ReduceTask则创建ReduceTaskRunner来启动。 2.3.2.9     TaskRunner.start() 启动子进程真正执行Task 这里是真正启动子进程并执行Task的地方。它会调用run()函数来处理。执行的过程比较复杂，主要的工作就是初始化启动java子进程的一系列环境变量，包括设定工作目录workDir，设置CLASSPATH环境变量等（需要将TaskTracker的环境变量以及job jar的路径合并起来）。然后装载job jar包，调用runChild()方法启动子进程，即通过ProcessBuilder来创建，同时子进程的stdout/stdin/syslog的输出定向到该Task指定的输出日志目录中，具体的输出通过TaskLog类来实现。这里有个小问题，Task子进程只能输出INFO级别日志，而且该级别是在run()函数中直接指定，不过改进也不复杂。 与Job执行过程相关的类和方法如下图所示   2.4 JobTracker和TaskTracker 如上面所述，JobTracker和TaskTracker是MapReduce框架最基本的两个服务，其他所有处理均由它们调度执行，下面简单介绍它们内部提供的服务及创建的线程，详细过程下回分解 2.4.1JobTracker的服务和线程 JobTracker是MapReduce框架中最主要的类之一，所有job的执行都由它来调度，而且Hadoop系统中只配置一个JobTracker应用。启动JobTracker后它会初始化若干个服务以及若干个内部线程用来维护job的执行过程和结果。下面简单介绍一下它们。 首先，JobTracker会启动一个interTrackerServer，端口配置在Configuration中的“mapred.job.tracker”参数，缺省是绑定8012端口。它有两个用途，一是用于接收和处理TaskTracker的heartbeat等请求，即必须实现InterTrackerProtocol接口及协议。二是用于接收和处理JobClient的请求，如submitJob，killJob等，即必须实现JobSubmissionProtocol接口及协议。 其次，它会启动一个infoServer，运行StatusHttpServer，缺省监听50030端口。是一个web服务，用于给用户提供web界面查询job执行状况的服务。 JobTracker还会启动多个线程，ExpireLaunchingTasks线程用于停止那些未在超时时间内报告进度的Tasks。ExpireTrackers线程用于停止那些可能已经当掉的TaskTracker，即长时间未报告的TaskTracker将不会再分配新的Task。RetireJobs线程用于清除那些已经完成很长时间还存在队列里的jobs。JobInitThread线程用于初始化job，这在前面章节已经介绍。TaskCommitQueue线程用于调度Task的那些所有与FileSystem操作相关的处理，并记录Task的状态等信息。 2.4.2TaskTracker的服务和线程 TaskTracker也是MapReduce框架中最主要的类之一，它运行于每一台DataNode节点上，用于调度Task的实际运行工作。它内部也会启动一些服务和线程。 TaskTracker也会启动一个StatusHttpServer服务来提供web界面的查询Task执行状态的工具。 其次，它还会启动一个taskReportServer服务，这个用于提供给它的子进程即TaskRunner启动的MapTask或者ReduceTask向它报告状况，子进程的启动命令实现在TaskTracker$Child类中，由TaskRunner.run()通过命令行参数传入该服务地址和端口，即调用TaskTracker的getTaskTrackerReportAddress()，这个地址会在taskReportServer服务创建时获得。 TaskTracker也会启动一个MapEventsFetcherThread线程用于获取Map任务的输出数据信息。 2.5 Job状态监控