Hadoop基础---shuffle机制(进一步理解Hadoop机制)

一:MapReduce框架 (结合YARN框架)

补充:MapReduce框架知道我们写的map-reduce程序的运行逻辑。我们写的map-reduce中并没有管理层的任务运行分配逻辑,该逻辑被封装在MapReduce框架里面,被封装为MRAppMaster类,该类用于管理整个map-reduce的运行逻辑。(map-reduce程序的管理者)

MRAppMaster由YARN框架启动(动态启动,随机选取)

(一)框架流程图

注:MRAppMaster和yarnChild(包括map task和reduce task)都是动态产生的。

注意:yarn框架只做资源的管理,如果要运行一个程序,则会为该程序分配节点、内存、cpu等资源,至于该程序如何运行,yarn框架不进行管理。故也不会知道mapreduce的运行逻辑 。同样因为这样的松耦合,yarn框架的使用范围更加广泛,可以兼容其他运行程序。

补充:MapReduce框架知道我们写的map-reduce程序的运行逻辑。我们写的map-reduce中并没有管理层的任务运行分配逻辑,该逻辑被封装在MapReduce框架里面,被封装为MRAppMaster类,该类用于管理整个map-reduce的运行逻辑。(map-reduce程序的管理者)

重点:步骤6中,由NodeManager主动发送心跳包,去ResourceManager检测是否有job任务,只当该NodeManager(即DataNode)有相关资源时,才会领取该job

MRAppMaster由YARN框架启动(动态启动,随机选取)

二:map task并发机制---split切片

1.若是一个block对应一个map任务,则如是文件夹下有众多小文件(即众多block),若是map进程过多,则效率太低

2.若是一个block过大,则使用一个map进程,则效率也会太低

因此,将block物理层,抽象为split切片逻辑层,可以更好的实现map任务并发数量控制

三:提交任务时获取切片split信息源码分析

job.waitForCompletion(true)

(一) job.class中方法waitForCompletion

  public boolean waitForCompletion(boolean verbose
                                   ) throws IOException, InterruptedException,
                                            ClassNotFoundException {
    if (state == JobState.DEFINE) {
      submit();
    }
    return isSuccessful();
  }

(二)job.class中方法submit

  public void submit() 
         throws IOException, InterruptedException, ClassNotFoundException {
        return submitter.submitJobInternal(Job.this, cluster);
   }

(三)jobsummitter.class中submitJobInternal方法

  JobStatus submitJobInternal(Job job, Cluster cluster){
    Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);  //从ResourceManager中获取资源配置存放路径
    JobID jobId = submitClient.getNewJobID();  //获取jobid,用于创建目录
    job.setJobID(jobId);
    Path submitJobDir = new Path(jobStagingArea, jobId.toString());  //生成完整路径
    JobStatus status = null;
    try {
       copyAndConfigureFiles(job, submitJobDir);  //提交jar包和配置文件到资源hdfs配置路径
    int maps = writeSplits(job, submitJobDir);  //获取切片信息,返回要启动的map任务数量
// Write job file to submit dir
      writeConf(conf, submitJobFile);  //写描述文件xml到hdfs配置路径
    }
  }

(四)jobsummitter.class中writeSplits方法,返回要启动的map任务数量

  private int writeSplits(org.apache.hadoop.mapreduce.JobContext job,
      Path jobSubmitDir) throws IOException,
      InterruptedException, ClassNotFoundException {
    JobConf jConf = (JobConf)job.getConfiguration();
    int maps;
    maps = writeNewSplits(job, jobSubmitDir);
    return maps;
  }

(五)jobsummitter.class中writeNewSplits方法

  private <T extends InputSplit>
  int writeNewSplits(JobContext job, Path jobSubmitDir) throws IOException,
      InterruptedException, ClassNotFoundException {
    Configuration conf = job.getConfiguration();
    InputFormat<?, ?> input =    //通过反射获取InputFormat实例---默认从TextInputFormat中获取
      ReflectionUtils.newInstance(job.getInputFormatClass(), conf);

    List<InputSplit> splits = input.getSplits(job);    //从实例中获取切片信息(有多个),放在list
    T[] array = (T[]) splits.toArray(new InputSplit[splits.size()]);

    // sort the splits into order based on size, so that the biggest
    // go first
    Arrays.sort(array, new SplitComparator());
    JobSplitWriter.createSplitFiles(jobSubmitDir, conf, 
        jobSubmitDir.getFileSystem(conf), array);
    return array.length;
  }

(六)FileInputFormat.class中getSplits方法,获取切片信息《重点》

  public List<InputSplit> getSplits(JobContext job) throws IOException {
    StopWatch sw = new StopWatch().start();
    long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
    long maxSize = getMaxSplitSize(job);

    // generate splits  生成切片
    List<InputSplit> splits = new ArrayList<InputSplit>();  //list存放切片信息
    List<FileStatus> files = listStatus(job);  //获取:该job,所需要的输入数据所在的目录下的文件列表
    for (FileStatus file: files) {  //遍历所有的文件
      Path path = file.getPath();  //获取文件完整路径 hdfs://hadoopH1:9000/wc/input/wcdata.txt
      long length = file.getLen();  //获取文件大小 160
      if (length != 0) {  //处理有内容的文件
        BlockLocation[] blkLocations;  //获取文件block信息---包括偏移量起止,主机名信息
        if (file instanceof LocatedFileStatus) {  
          blkLocations = ((LocatedFileStatus) file).getBlockLocations(); 
        } else {
          FileSystem fs = path.getFileSystem(job.getConfiguration());
          blkLocations = fs.getFileBlockLocations(file, 0, length);
        }
        if (isSplitable(job, path)) {  //查看该文件是否可以被切片,某些文件不允许切片
          long blockSize = file.getBlockSize();  //获取文件块默认大小128M
          long splitSize = computeSplitSize(blockSize, minSize, maxSize);  //计算切片大小,详细见(七),返回大小128M

          long bytesRemaining = length;  //剩余未处理(未切片)字节数为160字节
          while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {  //循环进行切片,若是剩余字节/切片大小>SPLIT_SLOP则进行切片,其中SPLIT_SLOP为1.1
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, splitSize,
                        blkLocations[blkIndex].getHosts(),
                        blkLocations[blkIndex].getCachedHosts()));
            bytesRemaining -= splitSize;
          }

          if (bytesRemaining != 0) {  //单独对最后部分的剩余字节进行切片处理  此处bytesRemaining大小160字节,直接到此处切片
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,
                       blkLocations[blkIndex].getHosts(),
                       blkLocations[blkIndex].getCachedHosts()));
          }
        } else { // not splitable
          splits.add(makeSplit(path, 0, length, blkLocations[0].getHosts(),
                      blkLocations[0].getCachedHosts()));
        }
      } else { 
        //Create empty hosts array for zero length files
        splits.add(makeSplit(path, 0, length, new String[0]));
      }
    }
    // Save the number of input files for metrics/loadgen
    job.getConfiguration().setLong(NUM_INPUT_FILES, files.size());
    sw.stop();
    return splits;
  }

1.getFormatMinSplitSIze方法获取该格式最小切片字节数

  protected long getFormatMinSplitSize() {
    return 1;
  }

2.getMinSplitSize获取切片最小值

  public static long getMinSplitSize(JobContext job) {
    return job.getConfiguration().getLong(SPLIT_MINSIZE, 1L);
  }

3.getMaxSplitSize获取切片最大值

  public static long getMaxSplitSize(JobContext context) {
    return context.getConfiguration().getLong(SPLIT_MAXSIZE, 
                                              Long.MAX_VALUE);
  }

4.List<FileStatus> files = listStatus(job);  //获取:该job,所需要的输入数据所在的目录下的文件列表

        //指定要处理的输入数据存放的路径
        FileInputFormat.setInputPaths(wcjob, new Path("hdfs://hadoopH1:9000/wc/input"));        

[
  LocatedFileStatus{
    path
=hdfs://hadoopH1:9000/wc/input/wcdata.txt;
    isDirectory=false;
    length=160;
    replication=1;
    blocksize=134217728;
    modification_time=1582019683334;
    access_time=1582336696735;
    owner=hadoop;
    group=supergroup;
    permission=rw-r--r--;
    isSymlink=false}
]

5.getBlockLocations获取文件偏移量信息

        BlockLocation[] blkLocations;
        if (file instanceof LocatedFileStatus) {
          blkLocations = ((LocatedFileStatus) file).getBlockLocations();
        } else {
          FileSystem fs = path.getFileSystem(job.getConfiguration());
          blkLocations = fs.getFileBlockLocations(file, 0, length);
        }

6.切片处理(重点),规划切片信息

          long blockSize = file.getBlockSize();  //获取文件块默认大小128M
          long splitSize = computeSplitSize(blockSize, minSize, maxSize);  //计算切片大小,详细见(七),返回大小128M

          long bytesRemaining = length;  //剩余未处理(未切片)字节数为160字节
          while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {  //循环进行切片,若是剩余字节/切片大小>SPLIT_SLOP则进行切片,其中SPLIT_SLOP为1.1
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, splitSize,
                        blkLocations[blkIndex].getHosts(),
                        blkLocations[blkIndex].getCachedHosts()));
            bytesRemaining -= splitSize;
          }

          if (bytesRemaining != 0) {  //单独对最后部分的剩余字节进行切片处理  此处bytesRemaining大小160字节,直接到此处切片
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);  //传入block位置,和切片偏移量,获取该block当前的索引值
            splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,  //
                       blkLocations[blkIndex].getHosts(),
                       blkLocations[blkIndex].getCachedHosts()));
          }

splits信息:

[hdfs://hadoopH1:9000/wc/input/wcdata.txt:0+160]  //列表   每个元素《切片》后面是切片的起始地址和终止地址

7.getBlockIndex根据切片偏移量,获取block索引(重点)

  protected int getBlockIndex(BlockLocation[] blkLocations, 
                              long offset) {
    for (int i = 0 ; i < blkLocations.length; i++) {  //获取该文件偏移量所在的文件块block中,----逻辑转物理
      // is the offset inside this block?
      if ((blkLocations[i].getOffset() <= offset) &&
          (offset < blkLocations[i].getOffset() + blkLocations[i].getLength())){
        return i;
      }
    }
    BlockLocation last = blkLocations[blkLocations.length -1];
    long fileLength = last.getOffset() + last.getLength() -1;
    throw new IllegalArgumentException("Offset " + offset + 
                                       " is outside of file (0.." +
                                       fileLength + ")");
  }

8.makeSplit创建切片

            splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,  
                       blkLocations[blkIndex].getHosts(),    
                       blkLocations[blkIndex].getCachedHosts()));

传入信息:

文件路径 hdfs://hadoopH1:9000/wc/input/wcdata.txt  

切片偏移量 0

剩余字节数 160

当前文件块所在的主机名 [hadoopH1] 
获取管理块的缓存副本的主机列表(主机名) []  因为我们伪分布设置副本为1,所以为空
 

(七)FileInputFormat.class中computeSplitSize方法,计算切片大小

  protected long computeSplitSize(long blockSize, long minSize,
                                  long maxSize) {
    return Math.max(minSize, Math.min(maxSize, blockSize));  //其中blockSize大小默认128M maxSize为long类型最大值,minSize为1
  }

四:Shuffle机制

(一)map task 

1.每个map有一个环形内存缓冲区,用于存储任务的输出。默认大小100MB(io.sort.mb属性),一旦达到阈值0.8(io.sort.spill.percent),一个后台线程把内容写到磁盘的指定目录(mapred.local.dir)下的新建的一个溢出写文件

2.写磁盘前,要进行分组,排序。存放在内存缓存、溢出写文件、合并文件中的数据全部是分组、排序后的数据。

3.等map task最后记录写完,合并全部溢出写文件为一个分区且排序的文件

(二)reduce task 

1. reducer通过http方式得到输出文件的分区。每个reduce task处理一个分组数据

2.TaskTracker为分区文件运行reduce任务。复制阶段把Map输出复制到reducer的内存或者磁盘。一个Map任务完成,reduce就开始复制输出。

3.map和reduce阶段使用归并方法对各个阶段数据进行合并排序操作

五:基于MRappMaster(监控调度机制)实现的shuffle机制

 

posted @ 2020-02-24 18:11  山上有风景  阅读(855)  评论(0编辑  收藏  举报