hadoop jar 原理讨论

什么是map本地？
reducer的输入是来自什么地方？
map数据是否被复制随map函数等下发到客户？





次讨论由about云小组发起：主要贡献者为 Karmic Koala与 立立，由我来整理分享给大家：

你觉得hadoop jar的执行除了分发代码，整个过程是什么样子的。

Karmic Koala:
客户端把jar送给JT，JT将jar放入HDFS，这样所有的TT都有能力访问这个jar。然后，JT 根据 job 指定的 InputFormat 中的定义，将数据切成 input split。每一个split对应一个map。

对应一个map task，每个task会根据其输入数据的所在DN距离候选TT的距离选择最近的TT去执行该task，称为 attempt。尝试成功，就执行下一个map task；如果失败，JT会调度给另一个TT。( 这里需要注意的是为什么选距离最近的，因为这样获取数据最方便，并且真正的被处理的数据并没有下发给map，而是在执行任务的时候，根据传递的信息去寻找数据。如同寻找一个人一样，我只要知道你的地址，我就能找到你的家了)


立立:
split在client端就划分好了（新版这样，旧版本是在JT端划分split）

Karmic Koala:
map 输出会存入本地的partition，决定partition的，默认是key，通过 hash(key) % numOfReducer 决定 partition。这个数据位于map本地，不在HDFS。

然后是 reducer 开始接任务，reducer 会联系每一个 map，请求自己对应的 partition 数据，数据请求下来之后，进行 merge sort，至此就做好了 reducer 的输入了。（ 这里说明了reducer的输入是来自什么地方）


立立:
map本地和HDFS如何理解，mapreduce作业都运行在datanode上，datanode上的存储空间不都属于HDFS么

reducer 的输出存入 HDFS 没啥可说的，每个 reducer 对应一个文件。


好像我记得map的输出是先到内存一个缓冲区，缓冲区满后才spill到磁盘吧


Karmic Koala:

MR运行于TT上，HDFS 的block存储于 DN 的 dfs.data.dir 目录下；而 map 输出的中间结果则保存于 mapred.local.dir 目录下（ map本地目录）。


一般来说二者都会指向同一个物理硬盘，因此需要保留20-30%的空间给 mapreduce。所以需要额外设置 dfs.datanode.du.reserved ，这个值告诉 HDFS DN，物理硬盘保留多少空间不用。这个空间一般是20-30%整个硬盘空间。


立立:
每个map task都有一个循环利用的缓冲区（默认大小是100M，通过io.sort.mb设置），它有输出先放到缓冲区里。当缓冲区满80%（该值可以通过io.sort.spill.percent设置）后，后台线程会把它spill到磁盘。当缓冲区填满100%时，map的输出没地方做，map task将被阻塞。

在被写入磁盘之前，数据首先会被分区（根据hadoop的Partitioner），在每个分区中数据会被放到内存中进行排序。MapTask结束的时候所有的分区会被合并成一个排序好的文件。 这里说的磁盘是你所说的mapred.local.dir 目录么？


Karmic Koala:
reduce 从各个 map 上取得的数据也会存入 mapred.local.dir 目录。

是的。这个分区、合并、局部排序好的数据会保存于 mapred.local.dir 目录。


立立:
磁盘和HDFS的概念差不多理解了，应该是HDFS是部分磁盘空间，以为磁盘还要作其他用处，比如跑Linux系统，存储一些系统所需文件。


Karmic Koala:
Hadoop 一般部署上会要求专盘专用。系统盘上不用于数据存储。如果要是使用系统盘的话，reserved 还需要考虑系统必须的可用空间。另外，默认情况下，磁盘格式化的时候会给root留有5%的可用空间。对于专用的数据盘，这部分空间应该在格式化时候释放出来。不然磁盘依旧无法充分利用

存储于 dfs.data.dir 的东西实际上是通过 NN 保存的 HDFS 文件，因此，这部分数据一般在别的DN上都有备份。而存储于 mapred.local.dir 的是纯粹的本地文件，不位于HDFS，别的DN上也不会有。而且是临时的，MR job 结束后，会自动删除掉。

----------------------------------------------------------------------------------------------------------------------------
上面讲了不少的内容，这里总结一下：hadoop jar 执行原理，因为是分布式，在执行的过程中，会涉及到分发，那么具体怎么分发的那？下面引用一些信息：来自 深度了解mapreduce---MapReduce源码分析总结

job.jar, job.split和job.xml。
job.xml: 作业配置，例如Mapper, Combiner, Reducer的类型，输入输出格式的类型等。
job.jar: jar包,里面包含了执行此任务需要的各种类，比如 Mapper,Reducer等实现。
job.split: 文件分块的相关信息，比如有数据分多少个块，块的大小(默认64m)等。
这三个文件在hdfs上的路径由hadoop-default.xml文件中的mapreduce系统路径mapred.system.dir属性 + jobid决定。mapred.system.dir属性默认是/tmp/hadoop-user_name/mapred/system。写完这三个文 件之后, 此方法会通过RPC调用master节点上的JobTracker.submitJob(job)方法，此时作业已经提交完成。


1 JobTracker初始化Job1.1 JobTracker.submitJob() 收到请求
当JobTracker接收到新的job请求（即submitJob()函数被调用）后，会创建一个JobInProgress对象并通过它来管理和调度任务。JobInProgress在创建的时候会初始化一系列与任务有关的参数，调用到FileSystem，把在JobClient端上传的所有任务文件下载到本地的文件系统中的临时目录里。这其中包括上传的*.jar文件包、记录配置信息的xml、 记录分割信息的文件。


在这个过程中，还会记录该RawSplit块对应的所有在HDFS里的blocks所在的DataNode节点的host，这个会在RawSplit创建时通过FileSplit的getLocations()函数获取，该函数会调用DistributedFileSystem的getFileCacheHints()获得

从上面我们可以得出，hadoop jar执行的过程中，会传递三个文件，这里具体不就在写了。当map执行的时候则会根据传递的记录分割信息的文件去寻找数据。