简单之美 | MapReduce V1：MapTask执行流程分析

我们基于Hadoop 1.2.1源码分析MapReduce V1的处理流程。
在文章《MapReduce V1：TaskTracker设计要点概要分析》中我们已经了解了org.apache.hadoop.mapred.Child启动的基本流程，在Child VM启动的过程中会运行MapTask，实际是运行用户编写的MapReduce程序中的map方法中的处理逻辑，我们首先看一下，在Child类中，Child基于TaskUmbilicalProtocol协议与TaskTracker通信，获取到该Child VM需要加载的Task相关数据，包括Task本身，代码如下所示：

    final TaskUmbilicalProtocol umbilical =
      taskOwner.doAs(new PrivilegedExceptionAction<TaskUmbilicalProtocol>() {
        @Override
        public TaskUmbilicalProtocol run() throws Exception { // 建立Child到TaskTracker的RPC连接
          return (TaskUmbilicalProtocol)RPC.getProxy(TaskUmbilicalProtocol.class,
              TaskUmbilicalProtocol.versionID,
              address,
              defaultConf);
        }
    });
... ...
    JvmContext context = new JvmContext(jvmId, pid); // 根据启动Child VM命令行传递的参数构造一个JvmContext对象
... ...
        JvmTask myTask = umbilical.getTask(context); // 基于umbilical获取到一个JvmTask
... ...
        task = myTask.getTask(); // 通过JvmTask获取到MapTask或ReduceTask

上面代码中，JvmTask中就包含了一个Task，也就是task，它可能是MapTask或ReduceTask。
看一下在org.apache.hadoop.mapred.Child中运行Task的基本代码，如下所示：

        // Create a final reference to the task for the doAs block
        final Task taskFinal = task;
        childUGI.doAs(new PrivilegedExceptionAction<Object>() {
          @Override
          public Object run() throws Exception {
            try {
              // use job-specified working directory
              FileSystem.get(job).setWorkingDirectory(job.getWorkingDirectory());
              taskFinal.run(job, umbilical);        // 这行是核心代码，运行实际的MapTask或ReduceTask
            } finally {
              TaskLog.syncLogs
                (logLocation, taskid, isCleanup, logIsSegmented(job));
              TaskLogsTruncater trunc = new TaskLogsTruncater(defaultConf);
              trunc.truncateLogs(new JVMInfo(
                  TaskLog.getAttemptDir(taskFinal.getTaskID(),
                    taskFinal.isTaskCleanupTask()), Arrays.asList(taskFinal)));
            }

            return null;
          }
        });

我们关注执行MapTask，上面，通过调用MapTask的run方法，来实际启动MapTask的运行。

MapTask整体执行流程

MapTask运行的整体流程，如下图所示：

上面流程比较直观，我们结合MapTask的run方法的代码，来进行分析，代码如下所示：

  @Override
  public void run(final JobConf job, final TaskUmbilicalProtocol umbilical)
    throws IOException, ClassNotFoundException, InterruptedException {
    this.umbilical = umbilical;

    // start thread that will handle communication with parent
    TaskReporter reporter = new TaskReporter(getProgress(), umbilical, jvmContext); // 创建TaskReporter对象
    reporter.startCommunicationThread();
    boolean useNewApi = job.getUseNewMapper();
    initialize(job, getJobID(), reporter, useNewApi); // 初始化MapTask

    // check if it is a cleanupJobTask
    if (jobCleanup) {
      runJobCleanupTask(umbilical, reporter); // 运行JobCleanupTask
      return;
    }
    if (jobSetup) {
      runJobSetupTask(umbilical, reporter); // 运行JobSetupTask
      return;
    }
    if (taskCleanup) {
      runTaskCleanupTask(umbilical, reporter); // 运行TaskCleanupTask
      return;
    }

    if (useNewApi) {
      runNewMapper(job, splitMetaInfo, umbilical, reporter); // 运行MapTask
    } else {
      runOldMapper(job, splitMetaInfo, umbilical, reporter);
    }
    done(umbilical, reporter); // Task运行完成
  }

上面代码中，run方法的参数TaskUmbilicalProtocol umbilical表示一个RPC代理对象，通过该对象可以与TaskTracker进行通信，从而在Task运行过程中，能够将Task的运行进度、状态信息汇报给TaskTracker。
通过上面看出，启动一个MapTask，可能运行的是JobCleanupTask、JobSetupTask、TaskCleanupTask、Mapper四种Task之中的一种，运行每种Task都会向TaskTracker进行汇报。关于一个MapTask如何被划分的，可以参考JobTracker端在JobInProgress中initTasks()方法。
下面，我们根据MapTask中run方法中的处理流程，分为如下几个子流程，进行详细分析：

初始化Task分析

这里，主要分析在MapTask的run方法中，调用initialize方法的初始化逻辑。先看在调用initialize方法之前，首先创建了一个TaskReporter线程对象，该对象又是基于TaskUmbilicalProtocol umbilical来实现将Task运行状态汇报给TaskTracker。在initialize方法中的初始化流程如下所示：

根据JobConf job与JobID id，以及TaskReporter，创建一个JobContext对象
创建一个TaskAttemptContext对象
如果Task状态为TaskStatus.State.UNASSIGNED，修改为TaskStatus.State.RUNNING
根据JobConf创建OutputFormat，以及OutputCommitter
为该Task创建Job的输出目录等内容
初始化ResourceCalculatorPlugin，用来计算Task运行过程中对节点资源的使用情况

运行JobCleanupTask

执行JobCleanupTask，主要是清理Job运行过程中产生的数据，因为该Task可能上次运行过一次，但是失败，为了下一次重新运行，需要将之前失败Task的数据清理掉。即使Job运行成功，也需要清理MapTask执行后输出的中间结果数据，具体流程，如下图所示：

上面的序列图比较详细，将Task运行过程中与TaskTracker之间进行通信都描述出来，我们总结如下几个要点：

运行JobCleanupTask首先将当前Task运行阶段设置为CLEANUP，并向TaskTracker汇报状态变更
如果Job的状态是JobStatus.State.FAILED，则删除在该节点上运行Task所产生的临时数据
如果Job的状态是JobStatus.State.KILLED，同样删除临时数据，并在该Job对应的目录下创建_SUCCESS文件，标识Job成功
最后，向TaskTracker汇报状态，更新相关TIP数据结构状态，并释放锁占用的资源，以供其他Task运行所使用

运行JobSetupTask

运行JobSetupTask，主要是初始化Job对应的临时目录，为后续运行Task做准备，具体处理流程，如下图所示：

在创建运行Job的基本临时目录以后，也需要与TaskTracker通信，汇报该Task的运行状态。

运行TaskCleanupTask

TaskCleanupTask与JobCleanupTask类似，主要是清理Task运行过程中产生的一些临时目录和文件，具体流程如下图所示：

运行MapTask

MapTask执行的核心逻辑在runNewMapper方法中，该方法中对应的处理流程，如下图所示：

方法runNewMapper的声明，如下所示：

  private <INKEY,INVALUE,OUTKEY,OUTVALUE> void runNewMapper(final JobConf job,
                    final TaskSplitIndex splitIndex,
                    final TaskUmbilicalProtocol umbilical,
                    TaskReporter reporter ) throws IOException, ClassNotFoundException, InterruptedException

其中，JobConf job包含了该Job的配置信息，TaskSplitIndex splitIndex包含了该MapTask所处理的InputSplit的信息（包括splitLocation和startOffset），TaskUmbilicalProtocol umbilical是与TaskTracker通信的代理对象，TaskReporter reporter是一个与TaskTracker通信的线程。
上面的序列图，所描述的具体处理流程，如下所示：

创建TaskAttemptContext对象
通过反射，创建Mapper<INKEY,INVALUE,OUTKEY,OUTVALUE>对象
通过反射，创建InputFormat<INKEY,INVALUE>对象
根据TaskSplitIndex splitIndex ，创建InputSplit对象
创建RecordReader<INKEY,INVALUE>对象，用来读取输入的InputSplit对应的文件
创建RecordWriter<K, V>对象，用来将处理后的数据写入文件系统
创建Mapper.Context对象，可以在编写MapReduce程序中，实现Mapper时使用
初始化RecordReader<INKEY,INVALUE>对象
执行Mapper的run方法，调用用户编写的MapReduce程序的Mapper中的处理逻辑，内部循环调用map方法
回收资源，关闭相关的流对象

下面，我们详细看一下，Mapper处理过程中相关的要点：

Mapper.Context结构

Mapper.Context是Mapper类的一个内部类，它包含了运行一个MapTask过程中所需要的所有上下文信息，该类的继承层次结构，如下图所示：

可以看出，一个Mapper对应的执行上下文信息，继承了该Mapper对应TaskAttempt的上下文信息，再向上继承了Job的上下文信息，一个Job包含的配置信息都可以被一个Mapper读取到。
MapperContext中包含如下信息：

  private RecordReader<KEYIN,VALUEIN> reader;
  private InputSplit split;

通过使用一个RecordReader，能够读取InputSplit对应的HDFS上的Block文件数据。
TaskInputOutputContext中包含如下信息：

  private RecordWriter<KEYOUT,VALUEOUT> output;
  private StatusReporter reporter;
  private OutputCommitter committer;

可见，在该层能够实现将Task运行的统计，通过StatusReporter以Counter的形式收集，并提供进度（Progress）获取接口。同时，使用RecordWriter将Mapper的输出写入到文件系统。
OutputCommitter是一个比较重要的对象，该抽象类代码，如下所示：

public abstract class OutputCommitter {

  public abstract void setupJob(JobContext jobContext) throws IOException;

  public void commitJob(JobContext jobContext) throws IOException {
    cleanupJob(jobContext);
  }

  @Deprecated
  public void cleanupJob(JobContext context) throws IOException { }

  public void abortJob(JobContext jobContext, JobStatus.State state) throws IOException {
    cleanupJob(jobContext);
  }

  public abstract void setupTask(TaskAttemptContext taskContext) throws IOException;

  public abstract boolean needsTaskCommit(TaskAttemptContext taskContext) throws IOException;

  public abstract void commitTask(TaskAttemptContext taskContext) throws IOException;

  public abstract void abortTask(TaskAttemptContext taskContext) throws IOException;
}

可以参考实现类FileOutputCommitter，它主要负责，在Job运行过程中，管理Task执行过程中对应的文件或目录的信息，如开始运行之前创建目录，运行完成后将临时有用的文件移动到供Job共享的目录下，也会执行无用临时文件的清理。
TaskAttemptContext中主要是有关一个TaskAttempt的相关信息，包括TaskAttemptID及其状态信息。
JobContext主要包括一个Job的相关配置信息，如MapReduce Job的输入输出规格（输入输出KV格式）、Mapper类信息、输入文件格式信息，还有JobID信息。

Mapper处理流程

通过调用mapper.run(mapperContext);进入Mapper的执行流程，我们首先看一下，Mapper提供的接口的声明，代码如下所示：

public class Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT> {

  public class Context extends MapContext<KEYIN,VALUEIN,KEYOUT,VALUEOUT> { // Mapper.Context是Mapper运行时上下文对象，包含了运行MapTask所需要的基本信息
    public Context(Configuration conf, TaskAttemptID taskid,
                   RecordReader<KEYIN,VALUEIN> reader,
                   RecordWriter<KEYOUT,VALUEOUT> writer,
                   OutputCommitter committer,
                   StatusReporter reporter,
                   InputSplit split) throws IOException, InterruptedException {
      super(conf, taskid, reader, writer, committer, reporter, split);
    }
  }

  /**
   * Called once at the beginning of the task.
   */
  protected void setup(Context context) throws IOException, InterruptedException { // 执行map方法之前，进行初始化工作
    // NOTHING
  }

  /**
   * Called once for each key/value pair in the input split. Most applications
   * should override this, but the default is the identity function.
   */
  @SuppressWarnings("unchecked")
  protected void map(KEYIN key, VALUEIN value, Context context) throws IOException, InterruptedException { // 用户实际实现的map处理逻辑
    context.write((KEYOUT) key, (VALUEOUT) value);
  }

  /**
   * Called once at the end of the task.
   */
  protected void cleanup(Context context ) throws IOException, InterruptedException { // 执行map完成之后，进行清理
    // NOTHING
  }

  /**
   * Expert users can override this method for more complete control over the
   * execution of the Mapper.
   * @param context
   * @throws IOException
   */
  public void run(Context context) throws IOException, InterruptedException { // 该方法是程序的驱动入库，循环调用map方法处理每一个键值对数据
    setup(context);
    try {
      while (context.nextKeyValue()) {
        map(context.getCurrentKey(), context.getCurrentValue(), context);
      }
    } finally {
      cleanup(context);
    }
  }
}

上面run方法中，输入的InputSplit对应的每一个记录，循环调用map方法，map方法中是用户实现的MapReduce的Mapper中的代码。

Mapper输出流程分析

在runNewMapper方法中可以看到，如果Job有0个ReduceTask，则Mapper将结果直接写入到HDFS文件；而如果Job有大于0个ReduceTask，则Mapper将结果输出到本地，是中间结果。代码如下所示：

      if (job.getNumReduceTasks() == 0) {
         output =
           new NewDirectOutputCollector(taskContext, job, umbilical, reporter);
      } else {
        output = new NewOutputCollector(taskContext, job, umbilical, reporter);
      }

上面，NewDirectOutputCollector实际上将Mapper的输出直接写入到HDFS文件；而NewOutputCollector将Mapper输出写入到本地文件，我们看一下NewOutputCollector是如何实现Mapper输出落地的，它的构造方法，代码如下所示：

    NewOutputCollector(org.apache.hadoop.mapreduce.JobContext jobContext,
                       JobConf job,
                       TaskUmbilicalProtocol umbilical,
                       TaskReporter reporter) throws IOException, ClassNotFoundException {
      collector = new MapOutputBuffer<K,V>(umbilical, job, reporter); // 
      partitions = jobContext.getNumReduceTasks(); // 根据ReduceTask个数计算Mapper输出分区个数
      if (partitions > 0) { // 分区个数大于0，创建一个Partitioner对象
        partitioner = (org.apache.hadoop.mapreduce.Partitioner<K,V>) ReflectionUtils.newInstance(jobContext.getPartitionerClass(), job);
      } else {
        partitioner = new org.apache.hadoop.mapreduce.Partitioner<K,V>() {
          @Override
          public int getPartition(K key, V value, int numPartitions) {
            return -1;
          }
        };
      }
    }

可以看出，上面的collector里面的逻辑非常核心，它是MapOutputBuffer类实例，该类实现也是相对复杂的。接着，我们从如下几个方面详细分析：

使用Buffer存储键值对数据

Mapper输出后，会首先将键值对数据写入到一个Buffer中，通过其它的几个Buffer来跟踪键值对的在Buffer中偏移位置信息，以及键值对所属的分区（Partition）。我们看一下NewOutputCollector调用write方法输出键值对数据的逻辑：

    @Override
    public void write(K key, V value) throws IOException, InterruptedException {
      collector.collect(key, value, partitioner.getPartition(key, value, partitions));
    }

通过partitioner计算一个输出键值对所属的分区，然后调用MapOutputBuffer的collect方法实现Mapper中间结果数据输出。下面，我们看MapOutputBuffer涉及到的一些存储结构，其中包含3个buffer，如下代码所示：

    private final int[] kvoffsets;     // indices into kvindices
    private final int[] kvindices;     // partition, k/v offsets into kvbuffer
    private byte[] kvbuffer;

上面的数组结构，kvbuffer用来存储Map输出的键值对数据，kvoffsets用来存储Map输出的键值对数据在kvbuffer中的偏移位置，kvindices用来记录一个键值对对应的分区、键开始、值开始位置的数据结构，具体我们会在后面详细说明。
首先，看一下用来定义和限制这些buffer的一些基本默认配置参数：

io.sort.mb             = 100MB
io.sort.record.percent = 0.05
io.sort.spill.percent  = 0.8

sortmb   = 100MB
rEcper   = 0.05
spillper = 0.8

RECSIZE  = 16
ACCTSIZE = 3

基于这些配置的参数，计算得到一些buffer的大小及其限制配置，为了直观我们通过使用MB来表示大小，如下所示：

maxMemUsage = sortmb <<20 = 104857600 = 100MB
recordCapacity = maxMemUsage * recper = 104857600 * 0.05 = 5242880 = 5MB
recordCapacity -= recordCapacity % RECSIZE = 5242880 - 5242880 % 16 = 5242880 = 5MB
maxMemUsage – recordCapacity = 104857600 - 5242880 = 99614720 = 95MB

softBufferLimit = ((maxMemUsage – recordCapacity) * spillper) = 99614720 * 0.8 = 79691776 = 76MB
softRecordLimit = (recordCapacity * spillper) = 5242880 * 0.8 = 4194304 = 4MB

现在，我们看一下这些buffer的结构即相关配置参数，如下图所示：
map-output-buffers
Mapper分别读取输入Split的每一行数据，然后输出键值对数据，这些键值对数据在上面讲述到的Buffer中的存储细节，如下图所示：
map-output-buffer-storage-detail
上图中，输出了2个键值对数据，首先kvbuffer中会顺序存储每一个键值对数据，同时，kvoffsets会记录每一个键值对的顺序编号，或者说，在kvbuffer中的偏移位置，在kvindices中包含了每一个键值对的三个属性信息：所属分区（kvi partition）、键起始偏移量（ki start）、值起始偏移量（vi start）。

将Buffer中键值对数据写入本地磁盘文件

当内存中的键值对数据的存储量在上述Buffer中达到一定限制（通过配置io.sort.spill.percent决定，默认是大约95MB的Buffer存储容量达到80%，即大约76MB时会触发将Buffer中数据写入磁盘文件）时，就会通过SpillThread线程，将Buffer中的数据写入本地磁盘文件中，可以在SpillThread类中的sortAndSpill方法中看到具体实现。在将Buffer中的键值对数据写入磁盘之前，先进行一次内存排序，排序的规则是：MapOutputBuffer内部有3个Buffer，排序是对键值对偏移位置的Buffer kvoffsets进行排序，保证每一个键值对所属的分区（Partition）按照升序排序，然后再保证每个分区（Partition）中的键值对按照键进行排序，这样最后得到的kvoffsets中的键值对数据就是按照分区进行分组，并且每个分组中是按照键排过序的。
如果用户编写的MapReduce程序，指定了Combiner，则再排序之后，写入磁盘文件之前，调用Combiner对数据进行合并，具体可以参考CombinerRunner实现类。
经过几次填充Buffer，达到配置写入容量值会写入文件，最终得到多个分区的、按照键（Key）排序的文件，在所有数据都输出结束后，会对上述生成的多个文件进行合并，合并成一个大文件，该大文件也是经过分区的、排序的文件。在最后的合并阶段，也会检查用户是否配置了Combiner，如果是则会对每个分区的数据做一个局部化简合并，输出到最终的一个文件中，并将多个小的分区文件删除。

本文基于署名-非商业性使用-相同方式共享 4.0许可协议发布，欢迎转载、使用、重新发布，但务必保留文章署名时延军（包含链接：http://shiyanjun.cn），不得用于商业目的，基于本文修改后的作品务必以相同的许可发布。如有任何疑问，请与我联系。

评论(2)： “MapReduce V1：MapTask执行流程分析”

赵文龙

2016-04-12 11:18:03

您好博主我想问一下图片是使用什么工具画的呢

回复
- Yanjun
  
  2016-04-22 23:42:00
  
  序列图使用Astah画的，后面的图使用Visio画的。
  
  回复

发表评论取消回复

gsgsgsl: 赞一个，前几年搞过kafka2.x版本的鉴权，几年有这方面需求，发现很多api变了，2.x版本的鉴权配置在3.x版...
dack: GPT-2中的相对位置编码请问有出处吗，在GPT-2的论文& #8221;Language Models are...
zhang: 你好，这一行“前面计算已经得到 QKT 矩阵，n=6，dk=8，则 A 的大小也是 6 x 6。”请问在下面的代码中为什么dk =...
derek: 何时才能出现伴侣Ai
丘比特: 请问博主，如果在窗口中用到广播状态，现在您有什么实现方案吗？
z: 寫的真好
方俊: 大佬好有耐心，从14年回复到19年哈哈
Yanjun: 图是用 Astah 和 OminiGraffle 画的
JacobZheng: 问个题外话，图是用什么工具画的啊
Derek Dekker: 感觉还挺难的
luosijie: 博主你好，请问您知道K距离方法出自哪篇文献吗，我该如何引用？
lee: 你好，点赞

评论(2)： “MapReduce V1：MapTask执行流程分析”

发表评论 取消回复

发表评论取消回复