MapReduce源码分析之MapTask分析

前言
    MapReduce的源码分析是基于Hadoop1.2.1基础上进行的代码分析。
    该章节会分析在MapTask端的详细处理流程以及MapOutputCollector是如何处理map之后的collect输出的数据。
map端的主要处理流程
  
  

   
   

  
  
  
  

   
   
图1 MapTask处理流程
   
   

    
    
    图1所示为MapTask的主要代码执行流程，在MapTask启动后会进入入口run函数，根据是否使用新的api来决定选择运行新的mapper还是旧的mapper，最后完成执行向外汇报。
    
    
在这，我们选择分析旧的api，也就是runOldMapper。在runOldMapper内部主要分为MapperRunner.run执行用户端编写的map函数，在所有都执行完毕后，会调用MapOutputCollector的flush，讲最后一部分内存中的数据刷入到磁盘中。
    
    
    根据上述的流程我们对代码依次进行分析，先看入口代码：
    
    

    
    
 public void run(finalJobConf job, finalTaskUmbilicalProtocol umbilical) 
   throwsIOException, ClassNotFoundException, InterruptedException {
   this.umbilical = umbilical;
 
   // start thread that will handlecommunication with parent
   TaskReporter reporter = new TaskReporter(getProgress(), umbilical,
        jvmContext);
   reporter.startCommunicationThread();
   booleanuseNewApi = job.getUseNewMapper();
   initialize(job, getJobID(), reporter, useNewApi);
    ....
   if(useNewApi) {
     runNewMapper(job, splitMetaInfo, umbilical, reporter);
   } else{
     runOldMapper(job, splitMetaInfo, umbilical, reporter); //运行旧的mapper
   }
   done(umbilical, reporter);
  }
    
    
入口代码很简单，我们只需要关心是否使用新旧api来判断选择运行哪种mapper，在这里，分析runOldMapper，runOldMapper是封装了一个mapper是如何被执行，代码如下：
    
    

    
    
 private<INKEY,INVALUE,OUTKEY,OUTVALUE>
 void runOldMapper(finalJobConf job,
                    final TaskSplitIndex splitIndex,
                    final TaskUmbilicalProtocol umbilical,
                    TaskReporter reporter
                    ) throws IOException,InterruptedException,
                            ClassNotFoundException {
   InputSplit inputSplit = getSplitDetails(new Path(splitIndex.getSplitLocation()),
           splitIndex.getStartOffset()); //流程1
 
   updateJobWithSplit(job, inputSplit);
   reporter.setInputSplit(inputSplit);
 
   RecordReader<INKEY,INVALUE> in = isSkipping() ? 
        new SkippingRecordReader<INKEY,INVALUE>(inputSplit,umbilical, reporter) :
        newTrackedRecordReader<INKEY,INVALUE>(inputSplit, job, reporter);
   job.setBoolean("mapred.skip.on", isSkipping()); //流程2
 
 
   intnumReduceTasks = conf.getNumReduceTasks();
   LOG.info("numReduceTasks: "+ numReduceTasks);
   MapOutputCollector collector = null;
   if(numReduceTasks > 0) { //流程3
     collector = new MapOutputBuffer(umbilical, job, reporter); 
   } else{ 
     collector = new DirectMapOutputCollector(umbilical, job, reporter);
   }
   MapRunnable<INKEY,INVALUE,OUTKEY,OUTVALUE> runner =
     ReflectionUtils.newInstance(job.getMapRunnerClass(), job);
 
   try{
     runner.run(in, new OldOutputCollector(collector, conf), reporter); //流程4
     collector.flush(); //流程5
     
     in.close();
     in = null;
     collector.close();
     collector = null;
   } finally{
    ...
   }
  }
其中流程3，所说到的用户的job有reduce处理，那么就会调用MapOutputBuffer。这大多数场景下，都会有指定，因此需要详细看看在MapTask端数据输出是如何处理的。
   
   
   
   

    
    

   
   
   
   

    
    
MapOutputBuffer
    
    

     
     

    
    
    
    
什么是MapOutputBuffer
   
   
   
   

    
        
   
   
   
   

    
        我们都知道在map处理方法中，对输入的kv键值对K1,V1进行处理转换后，会使用collector.collect(K2,V2)输出处理后的kv键值对。
    
    很多人不知道collect之后具体做了什么，如何做的，带着这个问题，分析下代码。
   
   
   
   

    
        map方法内调用collector.collect，首先调用的是OutputCollector.collect，OldOutputCollector实现了OutputCollector接口，因此就是调用了OldOutputCollector.collect，代码如下：
    
    
    public void collect(K key, V value) throws IOException {
      try {
        collector.collect(key, value,
                          partitioner.getPartition(key, value, numPartitions));
      } catch (InterruptedException ie) {
        Thread.currentThread().interrupt();
        throw new IOException("interrupt exception", ie);
      }
    }
    方法内对key计算得分区号后，调用了collector.collect，这个collector就是前面所说的MapOutputBuffer，MapOutputBuffer实现了MapOutputCollector接口。    
   
   
   
   

    
        MapOutputBuffer是一个用来暂时存储map输出的缓冲区，它的缓冲区大小是有限的，当写入的数据超过缓冲区的设定的阀值时，需要将缓冲区的数据溢出写入到磁盘，这个过程称之为spill，spill的动作会通过Condition通知给SpillThread，由SpillThread完成具体的处理过程。如果缓冲区使用过的是简单的单向缓冲区，在一次写满后，flush到磁盘，那么在flush的过程中，将会严重影响到map向缓冲区写入的性能，因为在flush的时候，缓冲区是需要被锁定的。因此，MR采用了循环缓冲区，做到数据在spill的同时，仍然可以向剩余空间继续写入数据。
   
   
  
  
缓冲区分析
    MapOutputBuffer定义了三个缓冲区，分别是:
    int [] kvoffsets, int[] kvindices, byte[] kvbuffer
    kvoffsets是索引缓冲区，它的作用是用来记录kv键值对在kvindices中的偏移位置信息。
    kvindices也是一个索引缓冲区，索引区的每个单元包含了分区号，k,v在kvbuffer中的偏移位置信息。
    kvbuffer是数据缓冲区，保存了实际的k,v。
    
      图1索引区关系
    缓冲区之间的关系，从图1即可一目了然， kvoffsets作为一级索引，一个用途是用来表示每个k,v在kvindices中的位置，另一个是用来统计当前索引的缓存的占用比，当超过设定的阀值，就会触发spill动作，将已写入的数据区间spill出去，新写入的时候持续向后写入，当写到尾部后，回过头继续写入。
    kvindices为什么要如此用这样结构表示是为了在指定了多个reducetask的时候，maptask的输出需要进行分区，比如有2个reducetask，那么需要将maptask的输出数据均衡的分布到2个reducetask上，因此在索引里引入了分区信息，另外一个是为了每个分区的key有序，避免直接在比较后直接拷贝key，而只要相互交换一下整形变量即可。
    kvbuffer存储了实际的k,v，为了保证k,v的键值成对的出现，引入了mark标记上一个完成的k,v的位置。同时类似kvoffset一样也加入了表示缓冲区是否满足溢出的一些标志。还有一点就是，k,v的大小不向索引区一样明确的是一对占一个int，可能会出现尾部的一个key被拆分两部分，一步存在尾部，一部分存在头部，但是key为保证有序会交给RawComparator进行比较，而comparator对传入的key是需要有连续的，那么由此可以引出key在尾部剩余空间存不下时，如何处理。处理方法是，当尾部存不下，先存尾部，剩余的存头部，同时在copy key存到接下来的位置，但是当头部开始，存不下一个完整的key，会付出溢出flush到磁盘。当碰到整个buffer都存储不下key，那么会抛出异常MapBufferTooSmallException表示buffer太小容纳不小.
核心成员变量
    先看看MapOutputBuffer的主要的一些成员变量
 
 

 
 

 
 

 
 
kvoffset相关的成员变量如下：
    private volatile int kvstart = 0;  // marks beginning of spill
    private volatile int kvend = 0;    // marks beginning of collectable
    private int kvindex = 0;           // marks end of collected
    private final int[] kvoffsets;     // indices into kvindices
    在默认情况下kvstart,kvend是相等等，kvindex是表示在kvoffsets中下一个可以写入的位置，当缓冲区达到阀值的时候，kvend=kvindex。在完成溢出写入过程之后，kvend=kvstart。
注意，这里所的阀值是索引区满足一定使用量，在采用默认配置的时候是达到缓冲区的80%, 也就是kvoffsets.length * 0.8

    kvindices相关的成员变量如下：
    private final int[] kvindices;     // partition, k/v offsets into kvbuffer
    private static final int PARTITION = 0; // partition offset in acct
    private static final int KEYSTART = 1;  // key offset in acct
    private static final int VALSTART = 2;  // val offset in acct
    //RECSIZE表示一条索引记录占用16字节，即keoffsets中占用1个int,kvindices中占用3个int
    private static final int ACCTSIZE = 3;  // total #fields in acct
    private static final int RECSIZE =
                       (ACCTSIZE + 1) * 4;  // acct bytes per record

    在前面我们说过kvindices中的是按三个int作为一个单元(partition,keyoffset,valoffset)来表示k,v在keybuffer中的位置信息以及属于哪个分区。因此每次操作的时候都是
        //ind是kvoffsets中存储的值
	kvindices[ind + PARTITION] = partition;
        kvindices[ind + KEYSTART] = keystart;
        kvindices[ind + VALSTART] = valstart;
   kvbuffer相关的成员变量如下：
    private volatile int bufstart = 0; // marks beginning of spill
    private volatile int bufend = 0;   // marks beginning of collectable
    private volatile int bufvoid = 0;  // marks the point where we should stop
                                       // reading at the end of the buffer
    private int bufindex = 0;          // marks end of collected
    private int bufmark = 0;           // marks end of record
    private byte[] kvbuffer;           // main output buffer
    bufstart,bufend,bufindex的作用和kvoffsets中的kvstart,kvend，kvindex一样。
bufmark用来记录一个完整的k,v记录结束的位置，bufvoid用来表示kvbuffer中有效内存结束位置。kvbuffer也有一个阀值，在采用默认配置的时候是达到缓冲区的80%，是kvbuffer.length * 0.8。
    还有一部分是和处理spill相关的成员变量
   // spill accounting
   privatevolatileintnumSpills= 0;//记录当前spill的次数，还会用于组成spill输出的临时文件名
   //key,value的序列化类
   privatefinalSerializer<K> keySerializer;
   privatefinalSerializer<V> valSerializer;
    //BlockingBuffer是DataOutputStream类型，k,v的写入会通过流的形式写入到bb中，最后满足溢出条件才从kvbuffer写入到磁盘
    privatefinalBlockingBuffer bb= newBlockingBuffer();
    //满足溢出条件，干脏活累活的线程
   privatefinalSpillThread spillThread= newSpillThread();
初始化分析
     final float spillper = job.getFloat("io.sort.spill.percent",(float)0.8);
     final float recper = job.getFloat("io.sort.record.percent",(float)0.05);
     final int sortmb = job.getInt("io.sort.mb", 100);
     intmaxMemUsage = sortmb << 20;
     intrecordCapacity = (int)(maxMemUsage * recper);
     recordCapacity -= recordCapacity % RECSIZE;
     kvbuffer= newbyte[maxMemUsage- recordCapacity];
     bufvoid= kvbuffer.length;
     recordCapacity /= RECSIZE;
     kvoffsets= newint[recordCapacity];
     kvindices= newint[recordCapacity* ACCTSIZE];
     softBufferLimit = (int)(kvbuffer.length* spillper);
     softRecordLimit= (int)(kvoffsets.length * spillper);
    在MR的配置选项里有两个参数比较常见到的，一个是io.sort.spill.percent，另一个是io.sort.mb。前者表示在缓冲区使用到多少的时候开始触发spill，后者表示一个MapTask能使用多少的内存大小，将其用作输出的缓存。
    从上面我们能够看到kvbuffer，kvoffsets,kvindices的在整个sortmb大小的内存中占用的比例，按默认值算分别是kvbuffer占95M,kvoffsets占1.25M，kvindices占3.75M。
    另外，还有kvbuffer，kvoffsets使用到多少会触发spill的一个上限值，这里默认是其长度的80%。
     // k/v serialization
     comparator= job.getOutputKeyComparator();
     keyClass= (Class<K>)job.getMapOutputKeyClass();
     valClass= (Class<V>)job.getMapOutputValueClass();
     serializationFactory = newSerializationFactory(job);
     keySerializer= serializationFactory.getSerializer(keyClass);
     keySerializer.open(bb);
     valSerializer= serializationFactory.getSerializer(valClass);
     valSerializer.open(bb);
    comparator是key之间用于比较的类，在没有设置的情况下，默认是key所属类里面的一个子类，这个子类继承自WritableComparator。以Text作为key为例，就是class Comparator extends WritableComparator。
    keyClass和valClass一般情况下用户都没有去设置的，也可以不用去设置，这种情况是指map的key,value的输出和reduce的key,value输出是一样的类型。因为在没有设置map阶段的key,value的输出类型的时候，会调用getOutputKeyClass/getOutputValueClass进行获取。
    keySerializer和valSerializer这两个序列化对象，通过序列化工厂类中获取到的，实际上就是WritableSerialization类内的静态类：static class WritableSerializer implements Serializer<Writable>的一个实例。
    关于WritableSerialization需要简单的说明下，这个类有包含了两个静态类，分别是WritableDeserializer和WritableSerializer，序列化和反序列化的操作基本类似，都是打开一个流，将输出写入流中或者从流中读取数据。对于序列化是对输入类型调用write接口得到序列化后的内容输出到流中：
    public void serialize(Writable w) throws IOException {
      w.write(dataOut);
    }
    对于反序列化从流中读取输出，这个要读取解析的对象可以是构造时传入的，也可以是调用deserialize接口传入的类型。
    public Writable deserialize(Writable w) throws IOException {
     Writable writable;
     if(w == null){
        writable 
          = (Writable) ReflectionUtils.newInstance(writableClass, getConf());
     } else{
        writable = w;
     }
     writable.readFields(dataIn);
     returnwritable;
    }
最终调用的都是大家熟悉的hadoop在common包中org.apache.hadoop.io这个包内的各种writable类型的write/readFields接口。
    keySerializer.open(bb)和valSerializer.open(bb)打开的是流，但不是文件流，而是BlockingBuffer，也就是说后续调用serialize输出key/value的时候，都是先写入到Buffer中，这个后续还会在提到。
collect分析
    这里分析的collect是MapOutputBuffer中的collect方法，在用户层的map方法内调用collector.collect最终会一层层调用到MapOutputBuffer.collect，这个在前面的"什么是MapOutputBuffer"这一小节中有提到。
    collect的代码我们分为两部分来看，一部分是根据索引区来检查是否需要触发spill，
另外一部分是操作buffer并更新索引区的记录。
    第一部分代码如下：
public synchronized void collect(K key,V value, int partition
                                     ) throws IOException {
     ... //无关紧要的代码
     finalintkvnext = (kvindex+ 1) % kvoffsets.length; //获取下一个的索引位置
     spillLock.lock();
     try{
        boolean kvfull;
        do {
          if (sortSpillException != null){
            throw (IOException)new IOException("Spill failed"
                ).initCause(sortSpillException);
          }
         //步骤1，判断是否需要触发
          // sufficient acct space
          kvfull = kvnext == kvstart; //判断是否索引区满了
          final boolean kvsoftlimit = ((kvnext > kvend) //判断索引区使用达到上限
              ? kvnext - kvend > softRecordLimit
              : kvend - kvnext <= kvoffsets.length - softRecordLimit);
          if (kvstart == kvend&& kvsoftlimit) { //判断是否触发spill
            LOG.info("Spilling map output: record full = "+ kvsoftlimit);
            startSpill(); //发起通知，通知SpillThread开始做溢出动作
          }
        //步骤2,缓冲区满的时候，是否需要等待
          if (kvfull) {
            try {
            //spill动作还未完成，持续等待
              while (kvstart != kvend){ 
                reporter.progress();
                spillDone.await();
              }
            } catch (InterruptedException e) {
              throw (IOException)new IOException(
                  "Collector interrupted while waiting for the writer"
                  ).initCause(e);
            }
          }
        } while (kvfull);
     } finally{
        spillLock.unlock();
     }
步骤1解析：
1.判断缓冲区是否满了(指kvoffsets)，缓冲区满的判断标准是kvnext==kvstart，因为是循环缓存区，因此kvnext追上了kvstart所指示的起始位置，就是缓冲区满了
2. 在kvstart==kvend，并且kvoffsets的使用是否达到了上限，触发激活SpillThread开始执行spill动作。为什么会有kvstart==kvend这个判断呢，这是因为在缓冲区没有满足spill时，kvend都是指向kvstart，当触发spill时，kvend会指向kvindex位置，也就是说kvstart到kvindex这段区间会被标识出来，是需要spill这段区间，在spill动作完成之后，会将kvstart指向kvend。因此为了避免已经触发过的了动作再次触发，需要加入kvstart==kvend这个条件。
3.startSpill的动作,会执行这3条语句：
kvend= kvindex;//将kvend指向kvindex,表示spill的区域
bufend= bufmark;//将bufend指向bufmark，bufmark表示最后一个完整的kv记录结束的位置
spillReady.signal();//发起信号，唤醒SpillThread
步骤2解析：
1.如果缓冲区已经满了，说明SpillThread还在执行spill动作的过程中，那么需要等待到spill动作的完成，在完成之后，SpillThread会将kvstart指向kvend，并且发送spillDone信号。
第二部分代码如下：
 try {
        //步骤1：序列化key，判断是否需要对buffer进行调整
        // serialize key bytes into buffer
        int keystart = bufindex;
        keySerializer.serialize(key);
        if (bufindex < keystart) {
          // wrapped the key; reset required
          bb.reset();
          keystart = 0;
        }
		//步骤2：序列化value,并标记一个完整k,v的结束的位置
        // serialize value bytes into buffer
        final int valstart = bufindex;
        valSerializer.serialize(value);
        int valend = bb.markRecord();

        if (partition < 0 || partition >= partitions) {
          throw new IOException("Illegal partition for " + key + " (" +
              partition + ")");
        }

        mapOutputRecordCounter.increment(1);
        mapOutputByteCounter.increment(valend >= keystart
            ? valend - keystart
            : (bufvoid - keystart) + valend);
		//步骤3:更新一级索引，二级索引。
        // update accounting info
        int ind = kvindex * ACCTSIZE;
        kvoffsets[kvindex] = ind;
        kvindices[ind + PARTITION] = partition;
        kvindices[ind + KEYSTART] = keystart;
        kvindices[ind + VALSTART] = valstart;
        kvindex = kvnext;
      } catch (MapBufferTooSmallException e) {
        LOG.info("Record too large for in-memory buffer: " + e.getMessage());
        spillSingleRecord(key, value, partition);
        mapOutputRecordCounter.increment(1);
        return;
      }
    }
步骤1解析：
1.根据key的序列化类，序列化输出key到kvbuffer。
    1)key是如何输出到kvbuffer的呢，带着这个问题，我们一步步分析。根据前面说过，keySerializer.serialize(key);将会调用的是WritableSerialization.WritableSerializer.serialize(Writable w)方法，为便于分析，现假设key为Text类型。那么serialize方法内执行的将会是Text中的write方法，也就是如下所示：
 publicvoid write(DataOutput out) throws IOException {
   WritableUtils.writeVInt(out, length);
   out.write(bytes,0, length);
 }
这里会写入Text的长度和数据内容。
    这里的这个out又是什么呢，keySerializer在构造完成的时候，调用过一个open函数，传入了一个BlockBuffer的对象,BlockBuffer对象就是这里的out。
    再来看看BlockingBuffer的构造:
     public BlockingBuffer() {
        this(new Buffer());
     }
 
     privateBlockingBuffer(OutputStream out) {
        super(out);
     }
它new了一个Buffer传递给DataOutputStream，Buffer是BlockBuffer内部实现的一个继承自OutputStream的类，它实现了write接口。因此在调用out.write的时候，最终调用的是Buffer.write。
    2)Buffer.write，对于输入的数据，会判断当前kvbuffer缓冲区是否满,如果满了或者是使用达到上限了，但是kvoffsets索引缓冲区还没有达到使用上限（也就是没有kvoffsets的使用没有触发spill）,那么会调用startSpill去激活SpillThread执行spill。
2.当bufindex出现从kvbuffer尾部的位置重新循环到头部是，说明有key存在尾部存了一部分，头部存了一部分。由于key的比较函数需要的是一个连续的key，因此需要对key进行特殊处理。
重新写入一个完整的key。看具体处理代码：
     protected synchronized void reset() throwsIOException {
        // key被拆分为两部分，第一部分是在尾部
        int headbytelen = bufvoid - bufmark;
        //缩短bufvoid为最后一个kv记录结束的位置，也就是第一部分的key在后续不处理
        bufvoid = bufmark;
        //因为bufindex已经循环了，索引bufindex肯定是在bufstart前面
        //这里需要判断bufindex开始到bufstart这一段区间是否能容纳的下第一部分的key
        if (bufindex + headbytelen < bufstart) {
        //容纳的下，触发两次copy，先将第二部分key往后copy
        //再将第一部分的key copy到kvbuffer起始位置
          System.arraycopy(kvbuffer, 0, kvbuffer, headbytelen, bufindex);
          System.arraycopy(kvbuffer, bufvoid, kvbuffer, 0, headbytelen);
          bufindex += headbytelen;
        } else {
        /*
        当容纳不下的时候，先copy第二部分的key
        然后将bufindex重置，重新写入第一部分的key，当缓存不足够写入第一部分的key
        会触发spill;当可以写入则写入第一部分的key,在写入keytmp所存放的第二部分的key的时候，会触发spill，当spill完成之后该第二部分key仍不能完整的写入，则会throw一个异常，指出key太大。
        //
          byte[] keytmp = new byte[bufindex];
          System.arraycopy(kvbuffer, 0, keytmp, 0, bufindex);
          bufindex = 0;
          out.write(kvbuffer, bufmark, headbytelen);
          out.write(keytmp);
        }
     }
   }
2.当kvindex从kvbuffer尾部重新循环到头部的时候，需要对不连续的的key进行特殊处理。
步骤2解析：
1.根据value的序列化类，序列化输出value到kvbuffer中，并在结束时，将bufmark置为value的结束位置。
步骤3解析：
1.更新kvoffsets的索引,在kvindex这个节点，记录下在kvindices的哪个节点记录了当前这个k,v键值对信息。并将kvindex指向下一个可用的位置。
    总的来说，collect的流程就是如上所说的这些，至于涉及到的SpillThread的处理，在后续会单独解析。
flush分析
    用户在结束map处理后，已经没有数据再输出到缓冲区，但缓存中还有数据没有刷到磁盘上，需要将缓存中的数据flush到磁盘上，这个动作就是由MapOutbutBuffer的flush来完成。
    我们看看flush是在哪个时间段调用的，在文章开始处说到runOldMapper处理的时候，有提到，代码如下：
    runner.run(in,newOldOutputCollector(collector,conf), reporter);
    collector.flush();
是在MapRunner执行一个Mapper后，会调用collector将残留的数据flush出去，就是在这里被调用到的。
    我们再看看flush函数的处理流程，逻辑还是比较简单的。
public synchronized void flush() throws IOException,ClassNotFoundException,
                                           InterruptedException {
     LOG.info("Starting flush of map output");
     spillLock.lock();
     try{
        //步骤1:如果已经在spill等待完成
        while (kvstart != kvend){
          reporter.progress();
          spillDone.await();
        }
        if (sortSpillException != null){
          throw (IOException)new IOException("Spill failed"
              ).initCause(sortSpillException);
        }
        //步骤2:缓冲区还有数据没有刷出去，则触发spill
        if (kvend != kvindex){
          kvend = kvindex;
          bufend = bufmark;
          sortAndSpill();
        }
     } catch(InterruptedException e) {
        throw (IOException)new IOException(
            "Buffer interrupted while waiting for the writer"
            ).initCause(e);
     } finally{
        spillLock.unlock();
     }
     assert!spillLock.isHeldByCurrentThread();
     // 步骤3:停止spill线程
     try{
        spillThread.interrupt();
        spillThread.join();
     } catch(InterruptedException e) {
        throw (IOException)new IOException("Spill failed"
            ).initCause(e);
     }
     
     kvbuffer= null;
    //步骤4：合并之前陆续输出的spill.1.out...spill.n.out为file.out
     mergeParts();
     Path outputPath = mapOutputFile.getOutputFile();
     fileOutputByteCounter.increment(rfs.getFileStatus(outputPath).getLen());
    }
flush的处理分为上述4个步骤，分别在代码中注释了，其中步骤4的过程涉及到了对输出的文件进行排序，合并的过程，后面会单独再对此进行分析。