Mapreduce执行过程分析(基于Hadoop2.4)——(三)

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 }