[hadoop源码阅读][9]-mapreduce-job提交过程
1.从wordcount作为入口
public class WordCount { public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs(); Job job = new Job(conf, "word count");//job类的主要工作就是设置各种参数 job.setJarByClass(WordCount.class);//将包含WordCount.class的jar找到,后面要上传的 job.setMapperClass(TokenizerMapper.class); job.setCombinerClass(IntSumReducer.class); job.setReducerClass(IntSumReducer.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); FileInputFormat.addInputPath(job, new Path(otherArgs[0])); FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); System.exit(job.waitForCompletion(true) ? 0 : 1);//如果传入参数为ture则及时打印作业运作信息,否则只是等待作业结束 } }
2.job.waitForCompletion(true)函数内主要干活的是submit
public void submit() throws IOException, InterruptedException, ClassNotFoundException { ensureState(JobState.DEFINE);//Job.setMapperClass(xxx.class):实际上设置的是mapreduce.map.class,即New。JobConf.setMapperClass(xxx.class):实际上设置的是mapred.mapper.class,即Old。可见不调用JobConf.setMapperClass,就应该是使用的NewAPI。setUseNewAPI(); info = jobClient.submitJobInternal(conf);//实际的job提交过程.info用来和jobtracker进行交互,对提交的job进行监控以及杀死等操作state = JobState.RUNNING; }
3.在看jobClient.submitJobInternal(conf)函数之前,先看jobclient这个对象的构造过程:
3.1先将mapred-site.xml和core-site.xml包含到conf中.static代码
3.2 init函数
public void init(JobConf conf) throws IOException { String tracker = conf.get("mapred.job.tracker", "local");//如果没有设置,或者没有找到上面2个xml配置文件 if ("local".equals(tracker)) { conf.setNumMapTasks(1);//local模式 reduce只能是1 this.jobSubmitClient = new LocalJobRunner(conf); } else {//创建rpc this.jobSubmitClient = createRPCProxy(JobTracker.getAddress(conf), conf); } }//jobSubmitClient对应的类是JobSubmissionProtocol的实现之一(目前有两个实现,JobTracker和LocalJobRunner)
3.3 submitJobInternal函数
public RunningJob submitJobInternal(JobConf job) { JobID jobId = jobSubmitClient.getNewJobId(); Path submitJobDir = new Path(getSystemDir(), jobId.toString());//conf.get("mapred.system.dir", "/tmp/hadoop/mapred/system") Path submitJarFile = new Path(submitJobDir, "job.jar"); Path submitSplitFile = new Path(submitJobDir, "job.split"); /*1.建立submitJobDir目录,2.将参数中指定的jars,files,archives放到分布式缓存中, * 3.将main函数所在的jar包上传为submitJarFile * 4.设置user,group,这个对hdfs的文件操作是有权限影响的,设置当前工作目录 * */ configureCommandLineOptions(job, submitJobDir, submitJarFile); Path submitJobFile = new Path(submitJobDir, "job.xml"); int reduces = job.getNumReduceTasks(); JobContext context = new JobContext(job, jobId); // 检测输出目录是否存在,如果存在是会报错的 org.apache.hadoop.mapreduce.OutputFormat <? , ? > output = ReflectionUtils.newInstance(context.getOutputFormatClass(), job); output.checkOutputSpecs(context); // Create the splits for the job LOG.debug("Creating splits at " + fs.makeQualified(submitSplitFile)); int maps = writeNewSplits(context, submitSplitFile);////确定split信息 job.set("mapred.job.split.file", submitSplitFile.toString()); job.setNumMapTasks(maps);//确定map个数 // 将所有job的参数写到hdfs上的job.xml FSDataOutputStream out = FileSystem.create(fs, submitJobFile, new FsPermission(JOB_FILE_PERMISSION)); job.writeXml(out); JobStatus status = jobSubmitClient.submitJob(jobId);//实际的提交job 后面就交给jobtracker来处理了 if (status != null) { return new NetworkedJob(status); } else { throw new IOException("Could not launch job"); } }
剩下的注重来看下如何确定split,主要涉及到的函数有如下过程,以fileinputformat为例:
1.1 int writeNewSplits(JobContext job, Path submitSplitFile)
2.1---->>List<InputSplit> getSplits(JobContext job)
3.1---->>List<FileStatus> listStatus(JobContext job)//过滤掉输入路径下,以_和.开头的路径,以及根据用户设置的mapred.input.pathFilter.class对文件进行过滤,得到文件列表
3.2 如果文件是压缩的,也即是不可splitable的,那么整个文件作为一个split
3.3 如果文件是splitable的,那么首先计算每个split的大小,mapred.min.split.size的,默认大小是1,
mapred.max.split.size的默认值是Long.MAX_VALUE,blockSize的默认大小是64M,
那么split的大小为Math.max(minSize, Math.min(maxSize, blockSize));从公式可以看出,
如果maxSize设置大于blockSize,那么每个block就是一个分片,否则就会将一个block文件分隔为多个分片,
如果block中剩下的一小段数据量小于splitSize,还是认为它是独立的分片。
3.4 将每个split的路径,大小,下标,以及位置信息保存到split数组
2.2 安装每个split的大小进行排序,将大的放在前面,然后序列化到文件中.
参考文献
http://langyu.iteye.com/blog/909170
http://blog.csdn.net/andyelvis/article/details/7706205
http://www.cnblogs.com/forfuture1978/archive/2010/11/19/1882268.html
http://www.cnblogs.com/spork/archive/2010/04/21/1717552.html