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

 

2.3.2            TaskTracker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J

2.4.1            JobTracker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。

 

2.4.2            TaskTracker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。

 

转载于:https://www.cnblogs.com/daniel-deng/archive/2012/03/09/2388443.html