Hadoop2源码分析－MapReduce篇

1.概述

　　前面我们已经对Hadoop有了一个初步认识，接下来我们开始学习Hadoop的一些核心的功能，其中包含mapreduce，fs，hdfs，ipc，io，yarn，今天为大家分享的是mapreduce部分，其内容目录如下所示：

• MapReduce V1
• MapReduce V2
• MR V1和MR V2的区别
• MR V2的重构思路

　　本篇文章的源码是基于hadoop-2.6.0-src.tar.gz来完成的。代码下载地址，请参考《Hadoop2源码分析－准备篇》。

2.MapReduce V1

　　下面我们给出第一代的MapReduce的架构图，如下所示：

　　上图描述了第一代MapReduce框架的流程以及设计思路，下面为大家解释下这张图的具体含义：

• 当我们编写完MR作业后，需要通过JobClient来提交一个job，提交的信息会发送到JobTracker模块，这个模块是第一代MapReduce计算框架的核心之一，它负责与集群中的其他节点维持心跳，为提交的作业分配资源，管理提交的作业的正常运作（失败，重启等）。
• 第一代MapReduce的另一个核心的功能是TaskTracker，在各个TaskTracker安装节点上，它的主要功能是监控自己所在节点的资源使用情况。
• TaskTracker监控当前节点的Tasks的运行情况，其中包含Map Task和Reduce Task，最后由Reduce Task到Reduce阶段，将结果输送到HDFS的文件系统中；其中的具体流程如图中描述的1-7步骤。TaskTracker在监控期间，需要把这些信息通过心跳机制发送给JobTracker，JobTracker收集到这些信息后，给新提交的作业分配其他的资源，避免重复资源分配。

　　可以看出，第一代的MapReduce架构简单清晰，在刚面世的那几年，也曾获得总多企业的支持和认可。但随着分布式集群的规模和企业业务的增长，第一代框架的问题也逐渐暴露出来，主要有以下问题：

• JobTracker是第一代MapReduce的入口点，若是JobTracker服务宕机，整个服务将会瘫痪，存在单点问题。
• JobTracker负责的事情太多，完成来太多的任务，占用过多的资源，当Job数非常多的时候，会消耗很多内存，容易出现性能瓶颈。
• 对TaskTracker而言，Task担当的角色过于简单，没有考虑到CPU及内存的使用情况，若存在多个大内存的Task被集中调度，容易出现内存溢出。
• 另外，TaskTracker把资源强制分为map task slot和reduce task slot，若是MR任务中只存在其中一个（map或是reduce），会出现资源浪费的情况，资源利用率低。
• 从开发人员的角度来说，源码分析的时候，阅读性不够友好，代码量大，任务不清晰，给开发人员在修复BUG和维护的时候增大了难度。

3.MapReduce V2

　　在Hadoop V2中，加入了YARN的概念，所以MapReduce V2的架构和MapReduce V1的架构有些许的变化，如下图所示：

　　从上图中，我们可以清晰的看出，架构重构的基本思想在于将JobTracker的两个核心的功能单独分离成独立的组件了。分离后的组件分别为资源管理（Applications Manager）和任务调度器（Resource Scheduler）。新的资源管理器（Resource Manager）管理整个系统的资源分配，而每一个Node Manager下的App Master（Application Master）负责对应的调度和协调工作，而在实际中，App Master从Resource Manager上获得资源，让Node Manager来协同工作和任务监控。

　　从图中我们可以看出，Resource Manager是支持队列分层的，这些队列可以从集群中获取一定比例的资源，也就是说Resource Manager可以算得上是一个调度器，它在执行的过程当中本身不负责对应用的监控和状态的定位跟踪。

　　Resource Manager在内存，CPU，IO等方面是动态分配的，相比第一代MapReduce计算框架，在资源使用上大大的加强了资源使用的灵活性。上图中的Node Manager是一个代理框架，负责应用程序的执行，监控应用程序的资源利用率，并将信息上报给资源管理器。另外，App Master所担当的角色职责包含：在运行任务是，向任务调度器动态的申请资源，对应用程序的状态进行监控，处理异常情况，如若出现问题，会在其他节点进行重启。

4.MR V1和MR V2的区别

　　在和大家分析完 MR V1 和 MR V2 的架构后，我们来看看二者有哪些变化。在MR V2版本中，大部分的API接口都是兼容的保留下来，MR V1中的JobTracker和TaskTracker被替换成相应的Resource Manager，Node Manager。对比于MR V1中的Task的监控，重启等内热都交由App Master来处理，Resource Manager提供中心服务，负责资源的分配与调度。Node Manager负责维护Container的状态，并将收集的信息上报给Resource Manager，以及负责和Resource Manager维持心跳。

　　MR V2中加入Yarn的概念后，体现以下设计优点：

• 减少来资源消耗，让监控每一个作业更加分布式了。
• 能够支持更多的变成模型，如：Spark，Storm，以及其他待开发的编程模型。
• 将资源以内存量的概念来描述，比MR V1中的slot更加合理。

　　另外，在工程目录结构也有了些许的变化，如下表所示：

改变目录	MR V1	MR V2	描述
配置文件	${HADOOP_HOME}/conf	${HADOOP_HOME}/etc/hadoop	MR V2中的配置文件路径修改为etc/hadoop目录下
脚本	${HADOOP_HOME}/bin	${HADOOP_HOME}/sbin和${HADOOP_HOME}/bin	在MR V2中启动，停止等命令都位于sbin目录下，操作hdfs的命令存放在bin目录下
JAVA_HOME	${HADOOP_HOME}/conf/hadoop-env.sh	${HADOOP_HOME}/etc/hadoop/hadoop-env.sh和${HADOOP_HOME}/etc/hadoop/yarn-env.sh	在MR V2中需要同时在hadoop-env.sh和yarn-env.sh中配置JDK的路径

　　由于添加Yarn特性，与第一代MR的框架变化较大，第一代的核心配置文件许多项也在新框架中摒弃了，具体新框架的核心配置文件信息，请参考《配置高可用的Hadoop平台》。

5.MR V2的重构思路

　　在V2中的MapReduce重构的思路主要有以下几点：

• 层次化的管理：分层级对资源的调度和分配进行管理。
• 资源管理方式：由第一代的slot作为资源单位元，调整为更加细粒的内存单位元。
• 编程模型拓展：V2版的设计支持除MapReduce以外的编程模型。

　　MapReduce：WordCount V2，代码如下：

package cn.hdfs.mapreduce.example;

import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.net.URI;
import java.util.ArrayList;
import java.util.HashSet;
import java.util.List;
import java.util.Set;
import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.Counter;
import org.apache.hadoop.util.GenericOptionsParser;
import org.apache.hadoop.util.StringUtils;

/**
* @date Apr 17, 2015
*
* @author dengjie
*/
public class WordCount2 {

  public static class TokenizerMapper
       extends Mapper<Object, Text, Text, IntWritable>{

    static enum CountersEnum { INPUT_WORDS }

    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    private boolean caseSensitive;
    private Set<String> patternsToSkip = new HashSet<String>();

    private Configuration conf;
    private BufferedReader fis;

    @Override
    public void setup(Context context) throws IOException,
        InterruptedException {
      conf = context.getConfiguration();
      caseSensitive = conf.getBoolean("wordcount.case.sensitive", true);
      if (conf.getBoolean("wordcount.skip.patterns", true)) {
        URI[] patternsURIs = Job.getInstance(conf).getCacheFiles();
        for (URI patternsURI : patternsURIs) {
          Path patternsPath = new Path(patternsURI.getPath());
          String patternsFileName = patternsPath.getName().toString();
          parseSkipFile(patternsFileName);
        }
      }
    }

    private void parseSkipFile(String fileName) {
      try {
        fis = new BufferedReader(new FileReader(fileName));
        String pattern = null;
        while ((pattern = fis.readLine()) != null) {
          patternsToSkip.add(pattern);
        }
      } catch (IOException ioe) {
        System.err.println("Caught exception while parsing the cached file '"
            + StringUtils.stringifyException(ioe));
      }
    }

    @Override
    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
      String line = (caseSensitive) ?
          value.toString() : value.toString().toLowerCase();
      for (String pattern : patternsToSkip) {
        line = line.replaceAll(pattern, "");
      }
      StringTokenizer itr = new StringTokenizer(line);
      while (itr.hasMoreTokens()) {
        word.set(itr.nextToken());
        context.write(word, one);
        Counter counter = context.getCounter(CountersEnum.class.getName(),
            CountersEnum.INPUT_WORDS.toString());
        counter.increment(1);
      }
    }
  }

  public static class IntSumReducer
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();

    public void reduce(Text key, Iterable<IntWritable> values,
                       Context context
                       ) throws IOException, InterruptedException {
      int sum = 0;
      for (IntWritable val : values) {
        sum += val.get();
      }
      result.set(sum);
      context.write(key, result);
    }
  }

  public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    GenericOptionsParser optionParser = new GenericOptionsParser(conf, args);
    String[] remainingArgs = optionParser.getRemainingArgs();
    if (!(remainingArgs.length != 2 || remainingArgs.length != 4)) {
      System.err.println("Usage: wordcount <in> <out> [-skip skipPatternFile]");
      System.exit(2);
    }
    Job job = Job.getInstance(conf, "word count");
    job.setJarByClass(WordCount2.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);

    List<String> otherArgs = new ArrayList<String>();
    for (int i=0; i < remainingArgs.length; ++i) {
      if ("-skip".equals(remainingArgs[i])) {
        job.addCacheFile(new Path(remainingArgs[++i]).toUri());
        job.getConfiguration().setBoolean("wordcount.skip.patterns", true);
      } else {
        otherArgs.add(remainingArgs[i]);
      }
    }
    FileInputFormat.addInputPath(job, new Path(otherArgs.get(0)));
    FileOutputFormat.setOutputPath(job, new Path(otherArgs.get(1)));

    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}

　　Spark：WordCount，代码如下：

package com.hdfs.spark.example
 
/**
* @date Apr 17, 2015
*
* @author dengjie
*/
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._

/**
* 统计字符出现次数
*/
object WordCount {
   def main(args: Array[String]) {
     if (args.length < 1) {
       System.err.println("Usage: <file>")
       System.exit(1)
     }
 
     val conf = new SparkConf()
     val sc = new SparkContext(conf)     
     val line = sc.textFile(args(0))      
     line.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_).collect().foreach(println)      
     sc.stop()   
} 
}