Hadoop 源码分析——Job提交过程

 

1.在客户端，我们进行Job相关属性设定后，最后使用job.waitForCompletion(true);提交任务到集群中，并等待集群作业完成

      public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

            Configuration conf = new Configuration();

            Job job = Job.getInstance(conf);

            

            job.setJarByClass(DataCount.class);

            job.setMapperClass(DCMapper.class);

            // k2 v2 and k3 v3

            // job.setMapOutputKeyClass(Text.class);

            // job.setMapOutputValueClass(DataBean.class);

            FileInputFormat.setInputPaths(job, new Path(args[0]));

            

            job.setReducerClass(DCReducer.class);

            job.setOutputKeyClass(Text.class);

            job.setOutputValueClass(DataBean.class);

            FileOutputFormat.setOutputPath(job, new Path(args[1]));

            job.waitForCompletion(true);

      }

2.核心是job.waitForCompletion(true);过程分析，下面我们重点分析此过程。

     1）此过程检查Job状态后，状态OK则提交作业submit()

     2）提交作业先，需要建立连接connect(),此连接过程会创建Cluster对象，并生成cluster的引用

     3）Job类持有Cluster的引用，而Cluster持用ResourceManager进程的引用，Cluster也持有RPC代理对象client

        说明：客户端持有服务端的引用，这样就可以建立RPC通信

     4）Cluster的构造方法 initialize(jobTrackAddr, conf);会创建如下对象 ClientProtocol clientProtocol，而这一个对象就是一个接口，最后再将这一个代理对象赋值给 client = clientProtocol;  而client 就是Cluster的成员变量

     5）上述就是Job建立连接的过程，完成连接后需要得到一个提交器，Job创建一个提交器JobSubmitter submitter

     6）通过提交器将Job，cluster传入submitter.submitJobInternal(Job.this, cluster);

     7）submitter 检查输出目录是否有异常，接着得到一个存储Jar包路径jobStagingArea ，再得到一个JobID，JobID是通过submitter里的RPC引用得到，实际JobID是在服务端实现

     8）submitter提交器将提交jar地址是通过jobStagingArea和JobID拼接而成

     9）submitter提交器copyAndConfigureFiles接口将Jar包和配置信息提交到hdfs里，默认向hdfs写10份（也可以通过配置mapreduce.client.submit.file.replication，当然提交的份数也可以通过读取配置文件获得mapreduce.client.submit.file.replication（mapred-default.xml 682行））

     10）submitter提交器通过copyAndConfigureFiles拷贝Jar信息到hdfs

     11）submitter提交器通过服务端代理对象submitClient.submitJob提交Job信息，服务端最终将信息提交给ResourceManager