【转】[Hadoop源码解读](二)MapReduce篇之Mapper类
转自:http://www.cnblogs.com/lucius/p/3449912.html
前面在讲InputFormat的时候,讲到了Mapper类是如何利用RecordReader来读取InputSplit中的K-V对的。
这一篇里,开始对Mapper.class的子类进行解读。
先回忆一下。Mapper有setup(),map(),cleanup()和run()四个方法。其中setup()一般是用来进行一些map()前的 准备工作,map()则一般承担主要的处理工作,cleanup()则是收尾工作如关闭文件或者执行map()后的K-V分发等。run()方法提供了 setup->map->cleanup()的执行模板。
在MapReduce中,Mapper从一个输入分片中读取数据,然后经过Shuffle and Sort阶段,分发数据给Reducer,在Map端和Reduce端我们可能使用设置的Combiner进行合并,这在Reduce前进行。 Partitioner控制每个K-V对应该被分发到哪个reducer[我们的Job可能有多个reducer],Hadoop默认使用 HashPartitioner,HashPartitioner使用key的hashCode对reducer的数量取模得来。
1 public void run(Context context) throws IOException, InterruptedException { 2 setup(context); 3 while (context.nextKeyValue()) { 4 map(context.getCurrentKey(), context.getCurrentValue(), context); 5 } 6 cleanup(context); 7 }
从上面run方法可以看出,K/V对是从传入的Context获取的。我们也可以从下面的map方法看出,输出结果K/V对也是通过Context来完成的。至于Context暂且放着。
1 @SuppressWarnings("unchecked") 2 protected void map(KEYIN key, VALUEIN value, 3 Context context) throws IOException, InterruptedException { 4 context.write((KEYOUT) key, (VALUEOUT) value); 5 }
我们先来看看三个Mapper的子类,它们位于src\mapred\org\apache\hadoop\mapreduce\lib\map中。
1、TokenCounterMapper
1 public class TokenCounterMapper extends Mapper<Object, Text, Text, IntWritable>{ 2 3 private final static IntWritable one = new IntWritable(1); 4 private Text word = new Text(); 5 6 @Override 7 public void map(Object key, Text value, Context context 8 ) throws IOException, InterruptedException { 9 StringTokenizer itr = new StringTokenizer(value.toString()); 10 while (itr.hasMoreTokens()) { 11 word.set(itr.nextToken()); 12 context.write(word, one); 13 } 14 } 15 }
我们看到,对于一个输入的K-V对,它使用StringTokenizer来获取value中的tokens,然后对每一个 token,分发出一个<token,one>对,这将在reduce端被收集,同一个token对应的K-V对都会被收集到同一个 reducer上,这样我们就可以计算出所有mapper分发出来的以某个token为key的<token,one>的数量,然后只要在 reduce函数中加起来,就得到了token的计数。这就是为什么这个类叫做TokenCounterMapper的原因。
在MapReduce的“Hello world”:WordCount例子中,我们完全可以直接使用这个TokenCounterMapper作为MapperClass,仅需用 job.setMapperClass(TokenCounterMapper.class)进行设置即可。
2、InverseMapper
1 public class InverseMapper<K, V> extends Mapper<K,V,V,K> { 2 3 4 /** The inverse function. Input keys and values are swapped.*/ 5 @Override 6 public void map(K key, V value, Context context 7 ) throws IOException, InterruptedException { 8 context.write(value, key); 9 } 10 11 }
这个类更加简单,它紧紧是调换Key和Value,然后直接分发出去。举个例子:数据格式是<某商家,某商品>,我们既 可能需要计算一个商家对应的所有商品种类,也可能需要计算某个商品的销售商家数量,后者的情形,就可以使用InverseMapper来达到目的,使得相 同商品被分发到相同reducer。
3、MultithreadedMapper
这个类稍微有点复杂,它是使用多线程来执行一个Mapper。我们可以从类图中看到,它有一个mapClass属性,这个属性指定另一个Mapper类 [暂称workMapper,由mapred.map.multithreadedrunner.class设置],实际干活的其实是这个Mapper类 而不是MultithreadedMapper。runnsers是运行的线程的列表。
下面是MultithreadedMapper的run()方法,它重写了Mapper中的run()。
1 public void run(Context context) throws IOException, InterruptedException { 2 outer = context; 3 int numberOfThreads = getNumberOfThreads(context); 4 mapClass = getMapperClass(context); 5 if (LOG.isDebugEnabled()) { 6 LOG.debug("Configuring multithread runner to use " + numberOfThreads + 7 " threads"); 8 } 9 10 runners = new ArrayList<MapRunner>(numberOfThreads); 11 for(int i=0; i < numberOfThreads; ++i) { 12 MapRunner thread = new MapRunner(context); 13 thread.start(); 14 runners.add(i, thread); 15 } 16 for(int i=0; i < numberOfThreads; ++i) { 17 MapRunner thread = runners.get(i); 18 thread.join(); 19 Throwable th = thread.throwable; 20 if (th != null) { 21 if (th instanceof IOException) { 22 throw (IOException) th; 23 } else if (th instanceof InterruptedException) { 24 throw (InterruptedException) th; 25 } else { 26 throw new RuntimeException(th); 27 } 28 } 29 } 30 }
从上面的代码我们可以看到,首先它设置运行上下文context和workMapper,然后启动多个MapRunner子线程[由mapred.map.multithreadedrunner.threads设置],然后使用join()等待子线程都执行完毕。
MapRunner继承了Thread,它包含了一个独享的Context:subcontext,以及用mapper指定了workMapper,然后throwable是在MultithreadMapper的run()中进行综合的异常处理的。
1 private class MapRunner extends Thread { 2 private Mapper<K1,V1,K2,V2> mapper; 3 private Context subcontext; 4 private Throwable throwable; 5 6 MapRunner(Context context) throws IOException, InterruptedException { 7 mapper = ReflectionUtils.newInstance(mapClass, 8 context.getConfiguration()); 9 subcontext = new Context(outer.getConfiguration(), 10 outer.getTaskAttemptID(), 11 new SubMapRecordReader(), 12 new SubMapRecordWriter(), 13 context.getOutputCommitter(), 14 new SubMapStatusReporter(), 15 outer.getInputSplit()); 16 } 17 18 public Throwable getThrowable() { 19 return throwable; 20 } 21 22 @Override 23 public void run() { 24 try { 25 mapper.run(subcontext); 26 } catch (Throwable ie) { 27 throwable = ie; 28 } 29 } 30 }
在MapRunner的Constructor中我们看见,MapRunner所包含的subcontext中使用了独立的 RecordReader、RecordWriter和StatusReporter,它们分别是SubMapRecordReader、 SubMapRecordWriter和SubMapStatusReporter,我们就不分析了。值得注意的 是,SubMapRecordReader在读K-V对和SubMapRecordWriter在写K-V对的时候都要同步。这是通过互斥访问 MultithreadedMapper的上下文outer来实现的。
MultithreadedMapper适用于CPU密集型的任务,采用多个线程处理后,一个线程可以在另外的线程在执行时读取数据并执行,这样就使用了 更多的CPU周期来执行任务,从而提高吞吐率。注意读写操作都是线程安全的,因此不难想象对于IO密集型的作业,采用 MultithreadedMapper会适得其反,因为会有多个线程等待IO,IO成为限制吞吐率的关键。对于IO密集型的任务,我们应该采用增多 task数量的方法来解决,因为这样在IO上就是并行的。
除非map()的确是CPU密集型的,否则不推荐使用MultithreadedMapper,而建议采用更多的map task。