Yarn源码分析之MRAppMaster上MapReduce作业处理总流程（二）
本文继《Yarn源码分析之MRAppMaster上MapReduce作业处理总流程（一）》，接着讲述MapReduce作业在MRAppMaster上处理总流程，继上篇讲到作业初始化之后的作业启动，关于作业初始化主体流程的详细介绍，请参见《Yarn源码分析之MRAppMaster上MapReduce作业初始化解析》一文。
（三）启动
作业的启动是通过MRAppMaster的startJobs()方法实现的，其代码如下：
/**
* This can be overridden to instantiate multiple jobs and create a
* workflow.
*
* TODO: Rework the design to actually support this. Currently much of the
* job stuff has been moved to init() above to support uberization (MR-1220).
* In a typical workflow, one presumably would want to uberize only a subset
* of the jobs (the "small" ones), which is awkward with the current design.
*/
@SuppressWarnings("unchecked")
protected void startJobs() {
/** create a job-start event to get this ball rolling */
// 构造作业启动事件JobStartEvent实例startJobEvent
JobEvent startJobEvent = new JobStartEvent(job.getID(),
recoveredJobStartTime);
/** send the job-start event. this triggers the job execution. */
// 将作业启动事件JobStartEvent实例startJobEvent交由事件分发器dispatcher的事件处理器处理
dispatcher.getEventHandler().handle(startJobEvent);
} 很简单，首先构造作业启动事件JobStartEvent实例startJobEvent，然后将作业启动事件JobStartEvent实例startJobEvent交由事件分发器dispatcher的事件处理器处理。我们首先看下事件分发器dispatcher是如何初始化的，其在MRAppMaster服务初始化的serviceInit()方法中，关键代码如下：
dispatcher = createDispatcher();再来看下createDispatcher()方法，如下：
protected Dispatcher createDispatcher() {
return new AsyncDispatcher();
} 就是创建一个AsyncDispatcher对象，其代表的是一个事件异步分发器AsyncDispatcher，我们曾经在 《Yarn源码分析之事件异步分发器AsyncDispatcher》一文中专门介绍过这个AsyncDispatcher。AsyncDispatcher其实是一个生产者-消费者模型的事件异步分发器。在其内部有一个待分发事件队列eventQueue，并有一个GenericEventHandler类型的事件处理器handlerInstance，由其handle()方法负责将外部事件event添加到待分发队列eventQueue中，等到AsyncDispatcher中的消费者eventHandlingThread不断的获取待分发队列eventQueue中的事件，分发并交由之前注册的事件类型对应的事件处理器处理。关于这部分的内容请阅读 《Yarn源码分析之事件异步分发器AsyncDispatcher》一文，此处不再做过多介绍。
那么dispatcher中是如何注册JobStartEvent事件的处理器的呢？注册的事件处理器又是谁呢？还是在服务初始化的方法中，如下：
//register the event dispatchers
dispatcher.register(JobEventType.class, jobEventDispatcher); 通过查看JobStartEvent的源码我们知道，JobStartEvent继承自JobEvent，它也是一种JobEvent，所以其处理会交给jobEventDispatcher来处理。细心的读者获取会发现，在此之前，
dispatcher已经注册过一个JobEventType对应的事件处理器，NoopEventHandler类型的eater了，代码如下：
NoopEventHandler eater = new NoopEventHandler();
//We do not have a JobEventDispatcher in this path
dispatcher.register(JobEventType.class, eater); 我们先看下NoopEventHandler的定义，如下：
/**
* Eats events that are not needed in some error cases.
*/
private static class NoopEventHandler implements EventHandler<Event> {
@Override
public void handle(Event event) {
//Empty
}
} 四个字，空空如也！那么，读者在这里可能就有疑问了，到底是由jobEventDispatcher还是eater来处理作业启动JobStartEvent事件内。这里要说的是，这两次注册实际上是形成了一个JobEventType事件类型的链式事件处理器，它会将事件挨个通过链式事件处理器中的每个处理器进行处理，这在 《Yarn源码分析之事件异步分发器AsyncDispatcher》一文中的register()方法介绍中也提到过了，读者可自行查看。而这里，既然eater为空，不对事件做任何处理，我们还是看看jobEventDispatcher吧。
那么，jobEventDispatcher是如何定义及初始化的呢？其实这个jobEventDispatcher在Yarn源码分析之MRAppMaster上MapReduce作业处理总流程（一）中的作业初始化事件JobEventType.JOB_INIT处理时已经讲到过了，它就是一个JobEventDispatcher对象，这里再回顾一下，其定义如下：
private class JobEventDispatcher implements EventHandler<JobEvent> {
@SuppressWarnings("unchecked")
@Override
public void handle(JobEvent event) {
// 从应用运行上下文信息context中根据jobId获取Job实例，即JobImpl对象，调用其handle()方法，处理对应事件
((EventHandler<JobEvent>)context.getJob(event.getJobId())).handle(event);
}
} 它实际上并不真正干活，而是从应用运行上下文信息context中根据jobId获取Job实例，即JobImpl对象，调用其handle()方法，处理对应事件。那么在处理作业初始化事件时我们也提到过了，它是根据作业状态机的doTransition()方法根据事件类型来处理的，关于作业状态机，我们这里还是不做介绍，你还是只要知道作业启动事件是通过JobImpl的静态内部类StartTransition的transition()方法来处理的就行，其代码如下：
public static class StartTransition
implements SingleArcTransition<JobImpl, JobEvent> {
/**
* This transition executes in the event-dispatcher thread, though it's
* triggered in MRAppMaster's startJobs() method.
*/
@Override
public void transition(JobImpl job, JobEvent event) {
JobStartEvent jse = (JobStartEvent) event;
// 设置作业的起始时间startTime
if (jse.getRecoveredJobStartTime() != 0) {
job.startTime = jse.getRecoveredJobStartTime();
} else {
job.startTime = job.clock.getTime();
}
// 创建作业已初始化事件JobInitedEvent实例jie
JobInitedEvent jie =
new JobInitedEvent(job.oldJobId,
job.startTime,
job.numMapTasks, job.numReduceTasks,
job.getState().toString(),
job.isUber());
// 将作业已初始化事件JobInitedEvent实例jie包装成作业历史事件JobHistoryEvent，并交给作业的事件处理器eventHandler处理
job.eventHandler.handle(new JobHistoryEvent(job.jobId, jie));
// 创建作业信息变更事件JobInfoChangeEvent实例jice
JobInfoChangeEvent jice = new JobInfoChangeEvent(job.oldJobId,
job.appSubmitTime, job.startTime);
// 将作业信息变更事件JobInfoChangeEvent实例jice包装成作业历史事件JobHistoryEvent，并交给作业的事件处理器eventHandler处理
job.eventHandler.handle(new JobHistoryEvent(job.jobId, jice));
// 调用作业度量指标metrics的runningJob()方法，标识作业已开始运行
job.metrics.runningJob(job);
// 构造提交作业Setup事件CommitterJobSetupEvent，并交由作业的事件处理器eventHandler处理
job.eventHandler.handle(new CommitterJobSetupEvent(
job.jobId, job.jobContext));
}
} 去掉关于作业历史信息等不是十分关键的细节，整体主体流程如下：
1、设置作业的起始时间startTime；
2、构造提交作业Setup事件CommitterJobSetupEvent，并交由作业的事件处理器eventHandler处理。
那么，作业的事件处理器eventHandler是什么呢？它又是如何处理提交作业Setup事件CommitterJobSetupEvent的呢？
我们先看下作业的事件处理器eventHandler，在MRAppMaster服务启动时创建作业JobImpl实例时，eventHandler是通过传入的dispatcher.getEventHandler()来初始化的，基于上面的陈述，这我们就不用讲了吧。
我们还是看下dispatcher是如何注册事件CommitterJobSetupEvent对应的事件处理器的吧，代码如下：
dispatcher.register(CommitterEventType.class, committerEventHandler);我们知道，CommitterJobSetupEvent继承自CommitterEvent，所以它实际上是通过committerEventHandler来处理的，那么什么是committerEventHandler呢？其初始化如下：
//service to handle the output committer
committerEventHandler = createCommitterEventHandler(context, committer); 通过调用createCommitterEventHandler()方法，构造了一个CommitterEventHandler实例，如下：
protected EventHandler<CommitterEvent> createCommitterEventHandler(
AppContext context, OutputCommitter committer) {
return new CommitterEventHandler(context, committer,
getRMHeartbeatHandler(), jobClassLoader);
} 关于CommitterEventHandler的介绍，我们后续会写相关文章进行详细的介绍，这里，你只要知道，它类似AsyncDispatcher，也是一个生产者-消费者模式的事件分发器，而最终是通过其内部EventProcessor类型的事件处理线程eventHandlingThread来处理的，在EventProcessor中，有针对JOB_SETUP事件处理的逻辑，关键代码如下：
switch (event.getType()) {
case JOB_SETUP:
handleJobSetup((CommitterJobSetupEvent) event);
break; 继续追踪handleJobSetup()方法，如下：
@SuppressWarnings("unchecked")
protected void handleJobSetup(CommitterJobSetupEvent event) {
try {
committer.setupJob(event.getJobContext());
context.getEventHandler().handle(
new JobSetupCompletedEvent(event.getJobID()));
} catch (Exception e) {
LOG.warn("Job setup failed", e);
context.getEventHandler().handle(new JobSetupFailedEvent(
event.getJobID(), StringUtils.stringifyException(e)));
}
} 它做了两件事情，如下：
1、调用committer的setupJob()方法处理该CommitterJobSetupEvent事件；
2、又构造了一个JobSetupCompletedEvent事件，交由应用运行上下文context的事件处理器进行处理。
而首先要说的是，committer、context均是由MRAppMaster在创建CommitterEventHandler时传入的，其对应的对象类型分别是：
1、committer：
1.1、新版API是通过OutputFormat组件的getOutputCommitter()方法获取的；
1.2、旧版API是通过参数mapred.output.committer.class获取的，参数未配置默认为FileOutputCommitter。
2、context：RunningAppContext。
对于committer，我们这里以较为通用的FileOutputCommitter为例，看下其setupJob()方法，如下：
/**
* Create the temporary directory that is the root of all of the task
* work directories.
* @param context the job's context
*/
public void setupJob(JobContext context) throws IOException {
if (hasOutputPath()) {
Path jobAttemptPath = getJobAttemptPath(context);
FileSystem fs = jobAttemptPath.getFileSystem(
context.getConfiguration());
if (!fs.mkdirs(jobAttemptPath)) {
LOG.error("Mkdirs failed to create " + jobAttemptPath);
}
} else {
LOG.warn("Output Path is null in setupJob()");
}
} 实际上就做了一件事情，创建作业中所有任务工作的临时根目录。
再来看下context是如何处理JobSetupCompletedEvent的，还记得之前我们讲述的，RunningAppContext实际上什么都不干，而是交给了JobImpl对应的作业状态机了吗？我们就看下JobImpl中是如何处理JobSetupCompletedEvent事件的，其对应的处理在其静态内部类SetupCompletedTransition的transition()中，代码如下：
private static class SetupCompletedTransition
implements SingleArcTransition<JobImpl, JobEvent> {
@Override
public void transition(JobImpl job, JobEvent event) {
// 通过设置作业的setupProgress为1，标记作业setup已完成
job.setupProgress = 1.0f;
// 调度作业的Map Task
job.scheduleTasks(job.mapTasks, job.numReduceTasks == 0);
// 调度作业的Reduce Task
job.scheduleTasks(job.reduceTasks, true);
// If we have no tasks, just transition to job completed
// 如果没有task了，则生成JOB_COMPLETED事件并交由作业的事件处理器eventHandler进行处理
if (job.numReduceTasks == 0 && job.numMapTasks == 0) {
job.eventHandler.handle(new JobEvent(job.jobId,
JobEventType.JOB_COMPLETED));
}
}
} 是不是很简单，而且也很理所当然？处理流程如下：
1、通过设置作业的setupProgress为1，标记作业setup已完成；
2、调度作业的Map Task；
3、调度作业的Reduce Task；
4、如果没有task了，则生成JOB_COMPLETED事件并交由作业的事件处理器eventHandler进行处理。
未完待续，后续作业启动部分内容详细描述、作业停止等内容，请关注《Yarn源码分析之MRAppMaster上MapReduce作业处理总流程（三）》。