Mapreduce执行过程分析(基于Hadoop2.4)——(三)

4.4 Reduce类

4.4.1 Reduce介绍

整完了Map，接下来就是Reduce了。YarnChild.main()—>ReduceTask.run()。ReduceTask.run方法开始和MapTask类似，包括initialize()初始化，根据情况看是否调用runJobCleanupTask()，runTaskCleanupTask()等。之后进入正式的工作，主要有这么三个步骤：Copy、Sort、Reduce。

4.4.2 Copy

Copy就是从执行各个Map任务的节点获取map的输出文件。这是由ReduceTask.ReduceCopier 类来负责。ReduceCopier对象负责将Map函数的输出拷贝至Reduce所在机器。如果大小超过一定阈值就写到磁盘，否则放入内存，在远程拷贝数据的同时，Reduce Task启动了两个后台线程对内存和磁盘上的文件进行合并，防止内存使用过多和磁盘文件过多。

Step1:

    首先在ReduceTask的run方法中，通过如下配置来mapreduce.job.reduce.shuffle.consumer.plugin.class装配shuffle的plugin。默认的实现是Shuffle类：

1     Class<? extends ShuffleConsumerPlugin> clazz = job.getClass(MRConfig.SHUFFLE_CONSUMER_PLUGIN, Shuffle.class, ShuffleConsumerPlugin.class); 7     shuffleConsumerPlugin = ReflectionUtils.newInstance(clazz, job);9     LOG.info("Using ShuffleConsumerPlugin: " + shuffleConsumerPlugin);

 

Step2:

    初始化上述的plugin后，执行其run方法，得到RawKeyValueIterator的实例。

run方法的执行步骤如下：

Step2.1：

    量化Reduce的事件数目：

1     int eventsPerReducer = Math.max(MIN_EVENTS_TO_FETCH, MAX_RPC_OUTSTANDING_EVENTS / jobConf.getNumReduceTasks());3     int maxEventsToFetch = Math.min(MAX_EVENTS_TO_FETCH, eventsPerReducer);

 

Step2.2：

生成map的完成状态获取线程，并启动此线程：

 final EventFetcher<K,V> eventFetcher = new EventFetcher<K,V>(reduceId, umbilical, scheduler, this, maxEventsToFetch);  eventFetcher.start(); 

 

获取已经完成的Map信息，如Map的host、mapId等放入ShuffleSchedulerImpl中的Set<MapHost>中便于下面进行数据的拷贝传输。

1       URI u = getBaseURI(reduceId, event.getTaskTrackerHttp()); 3       addKnownMapOutput(u.getHost() + ":" + u.getPort(), 5           u.toString(), 7           event.getTaskAttemptId()); 9       maxMapRuntime = Math.max(maxMapRuntime, event.getTaskRunTime());

 

Step2.3：

    在Shuffle类中启动初始化Fetcher线程组，并启动：

 1     boolean isLocal = localMapFiles != null; 2  3     final int numFetchers = isLocal ? 1 : 4  5       jobConf.getInt(MRJobConfig.SHUFFLE_PARALLEL_COPIES, 5); 6  7     Fetcher<K,V>[] fetchers = new Fetcher[numFetchers]; 8  9     if (isLocal) {10 11       fetchers[0] = new LocalFetcher<K, V>(jobConf, reduceId, scheduler,12 13           merger, reporter, metrics, this, reduceTask.getShuffleSecret(),14 15           localMapFiles);16 17       fetchers[0].start();18 19     } else {20 21       for (int i=0; i < numFetchers; ++i) {22 23         fetchers[i] = new Fetcher<K,V>(jobConf, reduceId, scheduler, merger,24 25                                        reporter, metrics, this,26 27                                        reduceTask.getShuffleSecret());28 29         fetchers[i].start();30 31       }32 33     }

 

线程的run方法就是进行数据的远程拷贝：

 1     try {  3           // If merge is on, block  5           merger.waitForResource();  8  9           // Get a host to shuffle from11           host = scheduler.getHost(); 13           metrics.threadBusy(); 17           // Shuffle 19           copyFromHost(host); 21         } finally { 23           if (host != null) { 25             scheduler.freeHost(host); 27             metrics.threadFree();  29           } 31         }

 

Step2.4：

来看下这个copyFromHost方法。主要是就是使用HttpURLConnection，实现远程数据的传输。

建立连接之后，从接收到的Stream流中读取数据。每次读取一个map文件。

1     TaskAttemptID[] failedTasks = null;2 3       while (!remaining.isEmpty() && failedTasks == null) {4 5         failedTasks = copyMapOutput(host, input, remaining);6 7       }

 

上面的copyMapOutput方法中，每次读取一个mapid,根据MergeManagerImpl中的reserve函数，检查map的输出是否超过了mapreduce.reduce.memory.totalbytes配置的大小，此配置的默认值

是当前Runtime的maxMemory*mapreduce.reduce.shuffle.input.buffer.percent配置的值，Buffer.percent的默认值为0.90。 

如果mapoutput超过了此配置的大小时,生成一个OnDiskMapOutput实例。在接下来的操作中，map的输出写入到local临时文件中。

如果没有超过此大小，生成一个InMemoryMapOutput实例。在接下来操作中，直接把map输出写入到内存。

最后，执行ShuffleScheduler.copySucceeded完成文件的copy,调用mapout.commit函数，更新状态或者触发merge操作。

Step2.5：

    等待上面所有的拷贝完成之后，关闭相关的线程。

 1    eventFetcher.shutDown();    2  3     // Stop the map-output fetcher threads 4     for (Fetcher<K,V> fetcher : fetchers) { 5       fetcher.shutDown(); 6     }    7  8     // stop the scheduler 9     scheduler.close(); 10 11     copyPhase.complete(); // copy is already complete12     taskStatus.setPhase(TaskStatus.Phase.SORT);13     reduceTask.statusUpdate(umbilical);

 

Step2.6：

执行最终的merge操作，由Shuffle中的MergeManager完成：

 1 public RawKeyValueIterator close() throws Throwable { 2  3     // Wait for on-going merges to complete 4  5     if (memToMemMerger != null) { 6  7       memToMemMerger.close(); 8  9     }10 11     inMemoryMerger.close();12 13     onDiskMerger.close();14 15    16 17     List<InMemoryMapOutput<K, V>> memory =18 19       new ArrayList<InMemoryMapOutput<K, V>>(inMemoryMergedMapOutputs);20 21     inMemoryMergedMapOutputs.clear();22 23     memory.addAll(inMemoryMapOutputs);24 25     inMemoryMapOutputs.clear();26 27     List<CompressAwarePath> disk = new ArrayList<CompressAwarePath>(onDiskMapOutputs);28 29     onDiskMapOutputs.clear();30 31     return finalMerge(jobConf, rfs, memory, disk);32 33   }

 

Step3:

释放资源。

mapOutputFilesOnDisk.clear();

 

    Copy完毕。

4.4.3 Sort

    Sort(其实相当于合并)就相当于排序工作的一个延续，它会在所有的文件都拷贝完毕后进行。使用工具类Merger归并所有的文件。经过此过程后，会产生一个合并了所有(所有并不准确)Map任务输出文件的新文件,而那些从其他各个服务器搞过来的 Map任务输出文件会删除。根据hadoop是否分布式来决定调用哪种排序方式。

    在上面的4.3.2节中的Step2.4结束之后就会触发此操作。

4.4.4 Reduce

    经过上面的步骤之后，回到ReduceTask中的run方法继续往下执行，调用runNewReducer。创建reducer：

1 org.apache.hadoop.mapreduce.Reducer<INKEY,INVALUE,OUTKEY,OUTVALUE> reducer =2 3       (org.apache.hadoop.mapreduce.Reducer<INKEY,INVALUE,OUTKEY,OUTVALUE>)4 5         ReflectionUtils.newInstance(taskContext.getReducerClass(), job);

 

并执行其run方法，此run方法就是我们的org.apache.hadoop.mapreduce.Reducer中的run方法。

 1 public void run(Context context) throws IOException, InterruptedException { 2  3     setup(context); 4  5     try { 6  7       while (context.nextKey()) { 8  9         reduce(context.getCurrentKey(), context.getValues(), context);10 11         // If a back up store is used, reset it12 13         Iterator<VALUEIN> iter = context.getValues().iterator();14 15         if(iter instanceof ReduceContext.ValueIterator) {16 17           ((ReduceContext.ValueIterator<VALUEIN>)iter).resetBackupStore();       18 19         }20 21       }22 23     } finally {24 25       cleanup(context);26 27     }28 29   }30 31 }

 

    while的循环条件是ReduceContext.nextKey()为真，这个方法就在ReduceContext中实现的，这个方法的目的就是处理下一个唯一的key，因为reduce方法的输入数据是分组的，所以每次都会处理一个key及这个key对应的所有value，又因为已经将所有的Map Task的输出拷贝过来而且做了排序，所以key相同的KV对都是挨着的。

    nextKey方法中，又会调用nextKeyValue方法来尝试去获取下一个key值，并且如果没数据了就会返回false，如果还有数据就返回true。防止获取重复的数据就在这里做的处理。

接下来就是调用用户自定义的reduce方法了。

 1 public void reduce(Text key, Iterable<IntWritable> values, 2  3                        Context context 4  5                        ) throws IOException, InterruptedException { 6  7       int sum = 0; 8  9       for (IntWritable val : values) {10 11         sum += val.get();12 13       }14 15       result.set(sum);16 17       context.write(key, result);18 19     }

 

-------------------------------------------------------------------------------

如果您看了本篇博客,觉得对您有所收获，请点击右下角的 [推荐]

如果您想转载本博客，请注明出处

如果您对本文有意见或者建议，欢迎留言

感谢您的阅读，请关注我的后续博客