MapReduce作业执行流程

MapReduce作业执行流程

0 准备阶段

0.1 回顾hadoop配置文件mapred-site.xml

<configuration>
	<property>
		<name>mapreduce.framework.name</name>
		<value>yarn</value>
	</property>
</configuration>

Hadoop 2.x引入了一种新的执行机制。这种新机制（MR 2）建立在一个名为YARN的系统上。而用于执行的框架通过 “mapreduce.framework.name” 属性进行设置。

mapreduce.framework.name取值:

1. local: 表示本地的作业运行器
2. classical: 表示经典的MR框架（也称MR 1，它使用一个 jobtracker 和多个 tasktracker）
3. yarn: 表示新的框架

关于YARN，在此不做展开介绍，后续会专门撰写YARN系列博文。

0.2 角色介绍

资源管理器: 即 Resource Manager（RM），负责管理所有应用程序计算资源的分配。

应用管理器: 即 Application Master（AM），每一个应用程序的AM负责相应的调度和协调。

容器: 即 Containers, YARN为将来的资源隔离而提出的框架，每一个任务对应一个Container，且只能在该Container中运行。

节点监视器: 即 Node Manager，管理每个节点上的资源和任务，主要有两个作用：定期向AM汇报该节点的资源使用情况和各个Container的运行状态；接收并处理AM的任务启动、停止等请求。

1 MR运行机制

1.1 YARN上的MR 角色实体

Client: 提交MapReduce作业

ResourceManger: 协调集群上的计算资源分配

NodeManager: 启动和监视集群中机器上的计算容器（Container）

ApplicationMaster: 负责协调运行MR作业的任务。它和MR任务在NM的Container中运行，这些容器由ResourceManager分配并由NodeManager进行管理

HDFS: 保存作业的数据、配置信息等

1.2 作业的运行过程

动态展示流程图：

（1）提交作业

Client提交Job：

1. Client编写好Job后，调用Job实例的Sumit() 或者 waitForCompletion() 方法提交作业；
2. 从RM（而不是Jobtracker）获取新的作业ID，在YARN命名法中它是一个Application ID（步骤2）。

Job提交到RM：

1. Client检查作业的输出说明，计算输入分片，并将作业资源（包括作业JAR、配置和分片信息）复制到HDFS（步骤3）；
2. 调用RM的 submitApplication() 方法提交作业（步骤4）。

（2）作业初始化

给作业分配ApplicationMaster:

1. RM收到调用它的 submitApplication() 消息后，便将请求传递给 scheduler （调度器）；
2. scheduler分配一个 Container，然后 RM在该 NM的管理下在 Container中启动 ApplicationMaster（步骤5a & 5b）。

ApplicationMaster初始化作业:

1. MR作业的ApplicationMaster 是一个Java应用程序，它的主类是 MRAppMaster。它对作业进行初始化：通过创建多个薄记对象以保持对作业进度的跟踪，因为它将接受来自任务的进度和完成报告（步骤6）；
2. ApplicationMaster 从HDFS中获取 在Client 计算的输入分片（map、reduce任务数）（步骤7）【对每一个分片创建一个 map 任务对象以及由 mapreduce.job.reduces 属性确定的多个 reduce 任务对象】。

ApplicationMaster决定如何运行构成 MapReduce 作业的各个任务。如果作业很小，就选择在与它同一个JVM上运行。

（3）任务分配

1. ApplicationMaster 为该作业中的所有 map 任务和 reduce 任务向 RM 请求 Container （步骤8）；【随着心跳信息的请求包括每个map任务的数据本地化信息，特别是输入分片所在的主机和相应机架信息。理想情况下，它将任务分配到数据本地化的节点，但如果不可能这么做，就会相对于本地化的分配优先使用机架本地化的分配】

请求也为任务指定了内存需求。在默认情况下， map任务和reduce任务都分配到 1024MB 的内存，但这可以通过 mapreduce.map.memory.mb 和 mapreduce.reduce.memory.mb来设置。

（4）任务执行

1. 一旦 RM 的 scheduler 为任务分配了 Container， ApplicationMaster就通过与 NM通信来启动 Container （步骤9a & 9b）；
2. 该任务由主类为 YardChild 的Java应用程序执行。在它运行任务之前，首先将任务需要的资源本地化（包括作业的配置、JAR文件和所有来自分布式缓存的文件）（步骤10）；
3. 最后，运行 map 任务或 reduce 任务（步骤11）。

（5）进度和状态的更新

1. 在YARN下运行，任务每 3s通过 umbilical 接口向 ApplicationMaster 汇报进度和状态（包括计数器），作为作业的汇聚试图（aggregate view）。

（6）作业完成

1. 除了向 ApplicationMaster 查询进度外，Client 每 5s还通过调用 Job 的 waitForCompletion() 来检查作业是否完成【查询的间隔可以通过 mapreduce.client.completion.pollinterval 属性进行设置】。
2. 作业完成后， ApplicationMaster 和任务容器清理其工作状态， OutputCommitter 的作业清理方法会被调用。作业历史服务器保存作业的信息供用户需要时查询。

1.3 图说MR

Summary

1 MR任务执行流程：提交作业 ——> 初始化作业 ——> 任务分配 ——> 任务执行 ——> 进度和状态更新 ——> 作业完成

2 MR任务运行：(a) 推测执行， (b) 任务JVM重用

Reference Link

[1] MR任务运行的两种情况： https://www.cnblogs.com/DianaCody/p/5425660.html

[2] MapReduce程序的工作过程: https://www.cnblogs.com/cxzdy/p/5104013.html