mapreduce的中间排序及jobtracker源码分析.docx
《mapreduce的中间排序及jobtracker源码分析.docx》由会员分享,可在线阅读,更多相关《mapreduce的中间排序及jobtracker源码分析.docx(11页珍藏版)》请在冰豆网上搜索。
mapreduce的中间排序及jobtracker源码分析
Map完成之后的中间过程:
如果对hadoop的shuffle机制有所了解的人都知道,map所产生的中间数据在送给reduce进行处理之前是要经过排序的。
具体的过程实际上是快速排序,堆排序和归并排序的完美结合。
首先,当map函数处理完输入数据之后,会将中间数据存在本机的一个或者几个文件当中,并且针对这些文件内部的记录进行一次快速排序,这里的排序是升序排序。
这段代码是在MapTask的内部类MapOutputBuffer中实现的。
当map阶段完成后,系统会启动reduce过程。
reduce过程会把这些由map输出的中间文件拷贝到本地,然后生成一个或者几个Segment类的实例,以下我们称这些实例为segment。
Segment类封装了这些中间数据,并且提供了一些针对这些中间数据的操作,比如读取记录等。
在reduce端,这些中间数据可以存在内存中,也可以存在硬盘中。
同时,系统还会启动两个merge(归并)线程,一个是针对内存中的segment进行归并,一个是针对硬盘中的segment进行归并。
merge过程实际上就是调用了Merge类的merge方法。
Merge类的merge方法生成了一个MergeQueue类的实例,并且调用了该类的merge方法。
MergeQueue类是PriorityQueue类的一个子类,同时实现了RawKeyValueIterator接口。
PriorityQueue类实际上是一个小根堆,而MergeQueue的merge方法实际上就是将segment对象存储进父类的数据结构中,并且建立一个小根堆的过程。
因此,hadoop的归并和排序不是两个分开的过程,而是一个过程。
在将segment归并的同时进行了排序。
Mapreduce的过程代码分析:
mapreduce中几个主要的概念
mapreduce整体上可以分为这么几条执行的线索,jobclient,JobTracker与TaskTracker。
JobClient
每一个job都会在客户端通过JobClient类将应用程序以及配置参数打包成jar文件存储在HDFS,然后向JobTracker提交作业,JobTracker创建Task(即MapTask和ReduceTask)并将它们分发到各个TaskTracker服务中去执行。
JobTracker
JobTracker是一个master服务,hadoop服务端启动之后JobTracker接收job,负责调度job的每一个子任务task运行于TaskTracker上,并监控它们,如果发现有失败的task就重新运行它。
一般情况应该把JobTracker部署在单独的机器上。
TaskTracker
TaskTracker是运行于多个节点上的slaver服务。
TaskTracker主动与JobTracker通信,接收作业,并负责直接执行每一个任务。
下图简单的描述了三者之间的关系:
(上传不了图片,抱歉!
)
数据结构
2.1JobInProgress
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jobjar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。
2.2TaskInProgress
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jobjar,并设置好环境变量后启动一个独立的javachild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。
2.3MapTask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jobjar中定义的输入数据集按对读入,处理完成生成临时的对,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,生成最终结果对。
2.3MapTask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jobjar中定义的输入数据集按对读入,处理完成生成临时的对,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,生成最终结果对。
整体流程
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。
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:
Jobclient
在编写MapReduce程序时通常是上是这样写的:
Configurationconf=newConfiguration();//读取hadoop配置
Jobjob=newJob(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,newPath(输入hdfs路径));
FileOutputFormat.setOutputPath(job,newPath(输出hdfs路径));
//其它初始化配置
JobClient.runJob(job);
4.1配置Job
JobConf是用户描述一个job的接口。
下面的信息是MapReduce过程中一些较关键的定制信息:
//4.2JobClient.runJob():
运行Job并分解输入数据集
4.2JobClient.runJob():
运行Job并分解输入数据集
runJob()提交作业,如何等待返回的状态,根据状态返回不同的结构给客户端。
其中runJob()使用submitJob(job)方法向master提交作业。
submitJob(Job)方法的流程
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。
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。
(这些信息如何得到?
?
?
)
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,等待返回状态,此时作业已经提交完成。
接下来转到JobTracker上执行。
4.3提交Job
jobFile的提交过程是通过RPC(远程进程调用)模块来实现的。
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
JobTracker
5.1JobTracker启动(bin/start-all.sh后就启动了jobtaracker和下列进程)
JobTracker类中有一个main()函数,在软件启动的时候执行此main()函数启动JobTracker进程,main()中生成一个JobTracker的对象,然后通过tracker.offerService()语句启动服务,即启动一些线程,下面是几个主要的线程:
taskScheduler:
一个抽象类,被JobTracker用于安排执行在TaskTrackers上的task任务,它使用一个或多个JobInProgressListeners接收jobs的通知。
另外一个任务是调用JobInProgress.initTask()为job初始化tasks。
启动,提交作业,设置配置参数,终止等方法。
completedJobsStoreThread对应completedJobStatusStore;CompletedJobStatusStore类:
把JobInProgress中的job信息存储到DFS中;提供一些读取状态信息的方法;是一个守护进程,用于删除DFS中的保存时间超过规定时间的jobstatus删除,
interTrackerServer,抽象类Server类型的实例。
一个IPC(Inter-ProcessCommunication,进程间通信)服务器,IPC调用一个以一个参数的形式调用Writable,然后返回一个Writable作为返回值,在某个端口上运行。
提供了call,listener,responder,connection,handle类。
包括start(),stop(),join(),getListenerAddress(),call()等方法。
这些线程启动之后,便可开始工作了。
job是统一由JobTracker来调度的,把具体的Task分发给各个TaskTracker节点来执行。
下面来详细解析执行过程,首先先从JobTracker收到JobClient的提交请求开始。
5.2.1JobTracker.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,调用到FileSystem,把在JobClient端上传的所有任务文件下载到本地的文件系统中的临时目录里。
这其中包括上传的*.jar文件包、记录配置信息的xml、记录分割信息的文件。
5.2JobTracker.JobInitThread通知初始化线程
JobTracker中的监听器类EagerTaskInitializationListener负责任务Task的初始化。
JobTracker使用jobAdded(job)加入job到EagerTaskInitializationListener中一个专门管理需要初始化的队列里,即一个list成员变量jobInitQueue里。
resortInitQueue方法根据作业的优先级排序。
然后调用notifyAll()函数,会唤起一个用于初始化job的线程JobInitThread来处理?
?
?
。
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TaskTrackerManager的initJob最终调用JobInProgress.initTasks()执行真正的初始化工作。
5.3JobInProgress.initTasks()初始化TaskInProgress
任务Task分两种:
MapTask和reduceTask,它们的管理对象都是TaskInProgress。
首先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。
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。
创建这些TaskInProgress对象完毕后,initTasks()方法会通过createCache()方法为这些TaskInProgress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。
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()方法产生nonRunningReduces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。
5.3.2JobTracker调度Job
hadoop默认的调度器是FIFO策略的JobQueueTaskScheduler,它有两个成员变量jobQueueJobInProgressListener与上面说的eagerTaskInitializationListener。
JobQueueJobInProgressListener是JobTracker的另一个监听器类,它包含了一个映射,用来管理和调度所有的JobInProgress。
jobAdded(job)同时会加入job到JobQueueJobInProgressListener中的映射。
JobQueueTaskScheduler最重要的方法是assignTasks,他实现了工作调度。
具体实现:
JobTracker接到TaskTracker的heartbeat()调用后,首先会检查上一个心跳响应是否完成,是没要求启动或重启任务,如果一切正常,则会处理心跳。
首先它会检查TaskTracker端还可以做多少个map和reduce任务,将要派发的任务数是否超出这个数,是否超出集群的任务平均剩余可负载数。
如果都没超出,则为此TaskTracker分配一个MapTask或ReduceTask。
产生Map任务使用JobInProgress的obtainNewMapTask()方法,实质上最后调用了JobInProgress的findNewMapTask()访问nonRunningMapCache。
上面讲解任务初始化时说过,createCache()方法会在网络拓扑结构上挂上需要执行的TaskInProgress。
findNewMapTask()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,接着寻找相同数据中心下的节点,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。
最终生成一个Task类对象,该对象被封装在一个LanuchTaskAction中,发回给TaskTracker,让它去执行任务。
产生Reduce任务过程类似,使用JobInProgress.obtainNewReduceTask()方法,实质上最后调用了JobInProgress的findNewReduceTask()访问nonRunningReduces。
6.TaskTracker
6.1TaskTracker的启动
与JobTracker一样,里面包含一个main()方法,在hadoop启动的时候启动此进程。
Main()方法最主要的一句话
TaskTracker(conf).run();
TaskTracker(conf)获取本机的一些配置信息,初始化服务器并启动服务器(StatusHttpServer);然后调用initialize(),这个方法才是真正构造TaskTracker的地方,把它作为一个单独的方法便可以再次调用并可以在close()之后回收对象,就是初始化一些变量对象,最后启动线程:
taskMemoryManager为TaskMemoryManagerThread类的对象。
管理本机上task运行时内存的使用,杀死任何溢出和超出内存限制的task-trees。
mapLauncher与reduceLauncher都是TaskLauncher类的对象,其作用是启动maptask和reducetask任务线程。
根据tasksToLaunch判断是否需要新建任务,其中的调用的关系为:
run()→startNewTask()→localizeJob()→launchTaskFor→JoblaunchTask()→localizeTask。
run()方法中启动TaskTracker服务器然后一直循环。
循环会尝试连接到的JobTracker。
主要调用了两个方法startCleanupThreads(),offerService()。
startCleanupThreads()启动为守护进程,可以用来删除一个独立线程的路径。
offerService()类似于JobTracker中的offerService()方法,即服务器执行的主循环。
规定的时间内给JobTracker发送心跳信息,并处理返回的命令。
下面具体介绍流程中的每一步。
6.2TaskTracker加载Task到子进程
Task的执行实际是由TaskTracker发起的,TaskTracker会定期与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接口实现。
6.2.1TaskTracker.run()连接JobTracker
TaskTracker的启动过程会初始化一系列参数和服务,然后尝试连接JobTracker(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。
6.2.2TaskTracker.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则调用调用addToTaskQueue加入到待执行
队列,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。
6.2.3TaskTracker.transmitHeartBeat()获取JobTracker指令
在transmitHeartBeat()函数处理中,TaskTr