码迷,mamicode.com
首页 > 其他好文 > 详细

Mapreduce执行过程分析(基于Hadoop2.4)——(三)

时间:2014-07-12 22:50:33      阅读:185      评论:0      收藏:0      [点我收藏+]

标签:hadoop   yarn   mapreduce   workcount   源码分析   

4.4 Reduce类

4.4.1 Reduce介绍

整完了Map,接下来就是Reduce了。YarnChild.main()—>ReduceTask.run()。ReduceTask.run方法开始和MapTask类似,包括initialize()初始化,根据情况看是否调用runJobCleanupTask(),runTaskCleanupTask()等。之后进入正式的工作,主要有这么三个步骤:Copy、Sort、Reduce。

4.4.2 Copy

Copy就是从执行各个Map任务的节点获取map的输出文件。这是由ReduceTask.ReduceCopier 类来负责。ReduceCopier对象负责将Map函数的输出拷贝至Reduce所在机器。如果大小超过一定阈值就写到磁盘,否则放入内存,在远程拷贝数据的同时,Reduce Task启动了两个后台线程对内存和磁盘上的文件进行合并,防止内存使用过多和磁盘文件过多。

Step1:

    首先在ReduceTask的run方法中,通过如下配置来mapreduce.job.reduce.shuffle.consumer.plugin.class装配shuffle的plugin。默认的实现是Shuffle类:

1     Class<? extends ShuffleConsumerPlugin> clazz = job.getClass(MRConfig.SHUFFLE_CONSUMER_PLUGIN, Shuffle.class, ShuffleConsumerPlugin.class); 
7     shuffleConsumerPlugin = ReflectionUtils.newInstance(clazz, job);
9     LOG.info("Using ShuffleConsumerPlugin: " + shuffleConsumerPlugin);

 

Step2:

    初始化上述的plugin后,执行其run方法,得到RawKeyValueIterator的实例。

run方法的执行步骤如下:

Step2.1:

    量化Reduce的事件数目:

1     int eventsPerReducer = Math.max(MIN_EVENTS_TO_FETCH, MAX_RPC_OUTSTANDING_EVENTS / jobConf.getNumReduceTasks());
3     int maxEventsToFetch = Math.min(MAX_EVENTS_TO_FETCH, eventsPerReducer);

 

Step2.2:

生成map的完成状态获取线程,并启动此线程:

 final EventFetcher<K,V> eventFetcher = new EventFetcher<K,V>(reduceId, umbilical, scheduler, this, maxEventsToFetch);

  eventFetcher.start(); 

 

获取已经完成的Map信息,如Map的host、mapId等放入ShuffleSchedulerImpl中的Set<MapHost>中便于下面进行数据的拷贝传输。

1       URI u = getBaseURI(reduceId, event.getTaskTrackerHttp()); 
3       addKnownMapOutput(u.getHost() + ":" + u.getPort(), 
5           u.toString(), 
7           event.getTaskAttemptId()); 
9       maxMapRuntime = Math.max(maxMapRuntime, event.getTaskRunTime());

 

Step2.3:

    在Shuffle类中启动初始化Fetcher线程组,并启动:

 1     boolean isLocal = localMapFiles != null;
 2 
 3     final int numFetchers = isLocal ? 1 :
 4 
 5       jobConf.getInt(MRJobConfig.SHUFFLE_PARALLEL_COPIES, 5);
 6 
 7     Fetcher<K,V>[] fetchers = new Fetcher[numFetchers];
 8 
 9     if (isLocal) {
10 
11       fetchers[0] = new LocalFetcher<K, V>(jobConf, reduceId, scheduler,
12 
13           merger, reporter, metrics, this, reduceTask.getShuffleSecret(),
14 
15           localMapFiles);
16 
17       fetchers[0].start();
18 
19     } else {
20 
21       for (int i=0; i < numFetchers; ++i) {
22 
23         fetchers[i] = new Fetcher<K,V>(jobConf, reduceId, scheduler, merger,
24 
25                                        reporter, metrics, this,
26 
27                                        reduceTask.getShuffleSecret());
28 
29         fetchers[i].start();
30 
31       }
32 
33     }

 

线程的run方法就是进行数据的远程拷贝:

 1     try { 
 3           // If merge is on, block 
 5           merger.waitForResource(); 
 8 
 9           // Get a host to shuffle from
11           host = scheduler.getHost(); 
13           metrics.threadBusy(); 
17           // Shuffle 
19           copyFromHost(host); 
21         } finally { 
23           if (host != null) { 
25             scheduler.freeHost(host); 
27             metrics.threadFree();  
29           } 
31         }

 

Step2.4:

来看下这个copyFromHost方法。主要是就是使用HttpURLConnection,实现远程数据的传输。

建立连接之后,从接收到的Stream流中读取数据。每次读取一个map文件。

1     TaskAttemptID[] failedTasks = null;
2 
3       while (!remaining.isEmpty() && failedTasks == null) {
4 
5         failedTasks = copyMapOutput(host, input, remaining);
6 
7       }

 

上面的copyMapOutput方法中,每次读取一个mapid,根据MergeManagerImpl中的reserve函数,检查map的输出是否超过了mapreduce.reduce.memory.totalbytes配置的大小,此配置的默认值

是当前Runtime的maxMemory*mapreduce.reduce.shuffle.input.buffer.percent配置的值,Buffer.percent的默认值为0.90。 

如果mapoutput超过了此配置的大小时,生成一个OnDiskMapOutput实例。在接下来的操作中,map的输出写入到local临时文件中。

如果没有超过此大小,生成一个InMemoryMapOutput实例。在接下来操作中,直接把map输出写入到内存。

最后,执行ShuffleScheduler.copySucceeded完成文件的copy,调用mapout.commit函数,更新状态或者触发merge操作。

Step2.5:

    等待上面所有的拷贝完成之后,关闭相关的线程。

 1    eventFetcher.shutDown();   
 2 
 3     // Stop the map-output fetcher threads
 4     for (Fetcher<K,V> fetcher : fetchers) {
 5       fetcher.shutDown();
 6     }   
 7 
 8     // stop the scheduler
 9     scheduler.close(); 
10 
11     copyPhase.complete(); // copy is already complete
12     taskStatus.setPhase(TaskStatus.Phase.SORT);
13     reduceTask.statusUpdate(umbilical);

 

Step2.6:

执行最终的merge操作,由Shuffle中的MergeManager完成:

 1 public RawKeyValueIterator close() throws Throwable {
 2 
 3     // Wait for on-going merges to complete
 4 
 5     if (memToMemMerger != null) {
 6 
 7       memToMemMerger.close();
 8 
 9     }
10 
11     inMemoryMerger.close();
12 
13     onDiskMerger.close();
14 
15    
16 
17     List<InMemoryMapOutput<K, V>> memory =
18 
19       new ArrayList<InMemoryMapOutput<K, V>>(inMemoryMergedMapOutputs);
20 
21     inMemoryMergedMapOutputs.clear();
22 
23     memory.addAll(inMemoryMapOutputs);
24 
25     inMemoryMapOutputs.clear();
26 
27     List<CompressAwarePath> disk = new ArrayList<CompressAwarePath>(onDiskMapOutputs);
28 
29     onDiskMapOutputs.clear();
30 
31     return finalMerge(jobConf, rfs, memory, disk);
32 
33   }

 

Step3:

释放资源。

mapOutputFilesOnDisk.clear();

 

    Copy完毕。

4.4.3 Sort

    Sort(其实相当于合并)就相当于排序工作的一个延续,它会在所有的文件都拷贝完毕后进行。使用工具类Merger归并所有的文件。经过此过程后,会产生一个合并了所有(所有并不准确)Map任务输出文件的新文件,而那些从其他各个服务器搞过来的 Map任务输出文件会删除。根据hadoop是否分布式来决定调用哪种排序方式。

    在上面的4.3.2节中的Step2.4结束之后就会触发此操作。

4.4.4 Reduce

    经过上面的步骤之后,回到ReduceTask中的run方法继续往下执行,调用runNewReducer。创建reducer:

1 org.apache.hadoop.mapreduce.Reducer<INKEY,INVALUE,OUTKEY,OUTVALUE> reducer =
2 
3       (org.apache.hadoop.mapreduce.Reducer<INKEY,INVALUE,OUTKEY,OUTVALUE>)
4 
5         ReflectionUtils.newInstance(taskContext.getReducerClass(), job);

 

并执行其run方法,此run方法就是我们的org.apache.hadoop.mapreduce.Reducer中的run方法。

 1 public void run(Context context) throws IOException, InterruptedException {
 2 
 3     setup(context);
 4 
 5     try {
 6 
 7       while (context.nextKey()) {
 8 
 9         reduce(context.getCurrentKey(), context.getValues(), context);
10 
11         // If a back up store is used, reset it
12 
13         Iterator<VALUEIN> iter = context.getValues().iterator();
14 
15         if(iter instanceof ReduceContext.ValueIterator) {
16 
17           ((ReduceContext.ValueIterator<VALUEIN>)iter).resetBackupStore();       
18 
19         }
20 
21       }
22 
23     } finally {
24 
25       cleanup(context);
26 
27     }
28 
29   }
30 
31 }

 

    while的循环条件是ReduceContext.nextKey()为真,这个方法就在ReduceContext中实现的,这个方法的目的就是处理下一个唯一的key,因为reduce方法的输入数据是分组的,所以每次都会处理一个key及这个key对应的所有value,又因为已经将所有的Map Task的输出拷贝过来而且做了排序,所以key相同的KV对都是挨着的。

    nextKey方法中,又会调用nextKeyValue方法来尝试去获取下一个key值,并且如果没数据了就会返回false,如果还有数据就返回true。防止获取重复的数据就在这里做的处理。

接下来就是调用用户自定义的reduce方法了。

 1 public void reduce(Text key, Iterable<IntWritable> values,
 2 
 3                        Context context
 4 
 5                        ) throws IOException, InterruptedException {
 6 
 7       int sum = 0;
 8 
 9       for (IntWritable val : values) {
10 
11         sum += val.get();
12 
13       }
14 
15       result.set(sum);
16 
17       context.write(key, result);
18 
19     }

 

Mapreduce执行过程分析(基于Hadoop2.4)——(三),布布扣,bubuko.com

Mapreduce执行过程分析(基于Hadoop2.4)——(三)

标签:hadoop   yarn   mapreduce   workcount   源码分析   

原文地址:http://blog.csdn.net/can007/article/details/37671891

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!