Hadoop MapReduce任务的启动分析

 

正常情况下，我们都是启动Hadoop任务的方式大概就是通过hadoop jar命令（或者写在shell中），事实上运行的hadoop就是一个包装的.sh，下面就是其中的最后一行，表示在其中执行一个java命令，调用hadoop的一些主类，同时配置一些hadoop的相关CLASSPATH，OPTS等选项：

 

exec "$JAVA" $JAVA_HEAP_MAX $HADOOP_OPTS $CLASS "$@"

 

 

当使用hadoop jar时，调用的$CLASS是下面的类型：

 

org.apache.hadoop.util.RunJar

 

 

而通过hadoop jar调用的主类，必须满足条件：

 

1，其中有main方法，类似下面的定义：

public static void main(String[] args) throws Exception {
    int result = ToolRunner.run(new ThisClass(), args);
    System.exit(result);
}

 

 

2. ToolRunner中的的类需要有如下签名：

 

extends Configured implements Tool

 

并实现其中的public int run方法，在进行必要的hadoop job构造后，执行job的方法，同步等待执行结果并返回即可。

 

boolean success = job2.waitForCompletion(true);

 

 

大体的过程如下，以前也没有对整个过程进行质疑，直到我们有新的需要，在其他的客户端（java，而不是shell中）启动MapReduce任务，顺带好好看了这个函数waitForCompletion...

 

 

public boolean waitForCompletion(boolean verbose
                                 ) throws IOException, InterruptedException,
                                          ClassNotFoundException {
  if (state == JobState.DEFINE) {
    submit();
  }
  if (verbose) {
    monitorAndPrintJob();
  } else {
    // get the completion poll interval from the client.
    int completionPollIntervalMillis = 
      Job.getCompletionPollInterval(cluster.getConf());
    while (!isComplete()) {
      try {
        Thread.sleep(completionPollIntervalMillis);
      } catch (InterruptedException ie) {
      }
    }
  }
  return isSuccessful();
}

 

 

读完源码后发现，其实这个方法主要的目的就是看一下当前job的状态，如果没有提交，那么就执行submit操作（同步）将其提交到集群上。传递的参数verbose，如果是true，就是表示需要检测并打印job的相关信息（使用LOG.info()来打印到console中）；否则，就等待任务的complete，反正这是个同步的操作；我们如果不需要监测任务的执行状态，仅仅进行一步submit就可以了。

 

那么就看一下monitorAndPrintJob这个函数吧，核心代码如下：

 

while (!isComplete() || !reportedAfterCompletion) {
  if (isComplete()) {
    reportedAfterCompletion = true;
  } else {
    Thread.sleep(progMonitorPollIntervalMillis);
  }
  if (status.getState() == JobStatus.State.PREP) {
    continue;
  }      
  if (!reportedUberMode) {
    reportedUberMode = true;
    LOG.info("Job " + jobId + " running in uber mode : " + isUber());
  }      
  String report = 
    (" map " + StringUtils.formatPercent(mapProgress(), 0)+
        " reduce " + 
        StringUtils.formatPercent(reduceProgress(), 0));
  if (!report.equals(lastReport)) {
    LOG.info(report);
    lastReport = report;
  }

  TaskCompletionEvent[] events = 
    getTaskCompletionEvents(eventCounter, 10); 
  eventCounter += events.length;
  printTaskEvents(events, filter, profiling, mapRanges, reduceRanges);
}
boolean success = isSuccessful();
if (success) {
  LOG.info("Job " + jobId + " completed successfully");
} else {
  LOG.info("Job " + jobId + " failed with state " + status.getState() + 
      " due to: " + status.getFailureInfo());
}
Counters counters = getCounters();
if (counters != null) {
  LOG.info(counters.toString());
}
return success;

 

其实就是定时循环去报告，检查状态，其中涉及到map和reduce的总体进度（通过某种算法计算出来的百分比），如果报告与上一次有变化，就进行输出。直到任务执行完成，并将其中的所有Counter均打印出来；如果任务失败，打印出任务执行失败的原因。

 

最终，MapReduce的执行日志大概就是这个样子：

 

15/04/13 15:01:08 INFO mapreduce.Job:  map 96% reduce 28%
15/04/13 15:01:09 INFO mapreduce.Job:  map 98% reduce 28%
15/04/13 15:01:10 INFO mapreduce.Job:  map 98% reduce 32%
15/04/13 15:01:13 INFO mapreduce.Job:  map 100% reduce 33%
15/04/13 15:01:16 INFO mapreduce.Job:  map 100% reduce 37%
15/04/13 15:01:19 INFO mapreduce.Job:  map 100% reduce 46%
15/04/13 15:01:22 INFO mapreduce.Job:  map 100% reduce 54%
15/04/13 15:01:25 INFO mapreduce.Job:  map 100% reduce 62%
15/04/13 15:01:28 INFO mapreduce.Job:  map 100% reduce 68%
15/04/13 15:01:31 INFO mapreduce.Job:  map 100% reduce 71%
15/04/13 15:01:34 INFO mapreduce.Job:  map 100% reduce 76%
15/04/13 15:01:35 INFO mapreduce.Job:  map 100% reduce 100%
15/04/13 15:01:37 INFO mapreduce.Job: Job job_1421455790417_222365 completed successfully
15/04/13 15:01:37 INFO mapreduce.Job: Counters: 46
        File System Counters
                FILE: Number of bytes read=70894655
                FILE: Number of bytes written=158829484
                FILE: Number of read operations=0
                FILE: Number of large read operations=0
                FILE: Number of write operations=0
                HDFS: Number of bytes read=5151416348
                HDFS: Number of bytes written=78309
                HDFS: Number of read operations=1091
                HDFS: Number of large read operations=0
                HDFS: Number of write operations=2
        Shuffle Errors
                BAD_ID=0
                CONNECTION=0
                IO_ERROR=0
                WRONG_LENGTH=0
                WRONG_MAP=0
                WRONG_REDUCE=0

 

 

 

如果我们需要将任务执行进度打印出来，就可以对这部分的功能就行改进并重写。

 

如果任务已经提交到集群，可以使用job对象的getTrackingURL()通过页面的形式查看到其具体详情，其中job对象还提供了一些可以操作集群任务的API，包括killTask， failTask等。

 

在任务执行完成后，就可以得到任务的所有Counter，使用Counter来对任务的各项指标进行详细统计是非常易用有效的方式，我们在任务中定义了大量的Counter来进行该操作（包括以后以后可能会评估任务的消耗，以便进行费用统计等…）。

 

如果需要启动多个任务，或以某种依赖的方式启动多个顺序MapReduce任务，可以使用JobControl来链接多个任务，JobControl的run方法，会根据任务的依赖关系来调度整个过程，并提供了一些常用的API，同样可以将任务kill/fail掉。但是如果流程的复杂性稍微比较高的情况下，建议使用一套工作流系统，例如oozie，便于管理以及应对流程上的变化。