MapReduce源码分析之JobSubmitter（一）

        JobSubmitter，顾名思义，它是MapReduce中作业提交者，而实际上JobSubmitter除了构造方法外，对外提供的唯一一个非private成员变量或方法就是submitJobInternal()方法，它是提交Job的内部方法，实现了提交Job的所有业务逻辑。本文，我们将深入研究MapReduce中用于提交Job的组件JobSubmitter。

        首先，我们先看下JobSubmitter的类成员变量，如下：

  // 文件系统FileSystem实例  private FileSystem jtFs;  // 客户端通信协议ClientProtocol实例  private ClientProtocol submitClient;  // 提交作业的主机名  private String submitHostName;  // 提交作业的主机地址  private String submitHostAddress;

        它一共有四个类成员变量，分别为：

        1、文件系统FileSystem实例jtFs：用于操作作业运行需要的各种文件等；

        2、客户端通信协议ClientProtocol实例submitClient：用于与集群交互，完成作业提交、作业状态查询等；

        3、提交作业的主机名submitHostName；

        4、提交作业的主机地址submitHostAddress。

        其中，客户端通信协议ClientProtocol实例submitClient是通过Cluster的客户端通信协议ClientProtocol实例client来赋值的，我们在《MapReduce源码分析之新API作业提交（二）：连接集群》一文中曾经提到过，它根据MapReduce中参数mapreduce.framework.name的配置为yarn或local，有Yarn模式的YARNRunner和Local模式的LocalJobRunner两种情况。
        接下来，我们再看下JobSubmitter的构造函数，如下：

  JobSubmitter(FileSystem submitFs, ClientProtocol submitClient)   throws IOException {  // 根据入参赋值成员变量submitClient、jtFs    this.submitClient = submitClient;    this.jtFs = submitFs;  }

        很简单，根据入参赋值成员变量submitClient、jtFs而已。

        关键的来了，我们看下JobSubmitter唯一的对外核心功能方法submitJobInternal()，它被用于提交作业至集群，代码如下：

  /**   * Internal method for submitting jobs to the system.   *    * <p>The job submission process involves:   * <ol>   *   <li>   *   Checking the input and output specifications of the job.   *   </li>   *   <li>   *   Computing the {@link InputSplit}s for the job.   *   </li>   *   <li>   *   Setup the requisite accounting information for the    *   {@link DistributedCache} of the job, if necessary.   *   </li>   *   <li>   *   Copying the job's jar and configuration to the map-reduce system   *   directory on the distributed file-system.    *   </li>   *   <li>   *   Submitting the job to the <code>JobTracker</code> and optionally   *   monitoring it's status.   *   </li>   * </ol></p>   * @param job the configuration to submit   * @param cluster the handle to the Cluster   * @throws ClassNotFoundException   * @throws InterruptedException   * @throws IOException   */  JobStatus submitJobInternal(Job job, Cluster cluster)   throws ClassNotFoundException, InterruptedException, IOException {    //validate the jobs output specs // 调用checkSpecs()方法，校验作业输出路径是否配置，且是否已存在，// 正确的情况应该是已配置且未存在，输出路径配置参数为mapreduce.output.fileoutputformat.outputdir，// 之前WordCount作业的输出路径配置为hdfs://nameservice1/output/output    checkSpecs(job);    // 从作业job中获取配置信息conf    Configuration conf = job.getConfiguration();        // 调用addMRFrameworkToDistributedCache()方法添加应用框架路径到分布式缓存中    addMRFrameworkToDistributedCache(conf);    // 通过JobSubmissionFiles的getStagingDir()静态方法获取作业执行时阶段区域路径jobStagingArea    // 取参数yarn.app.mapreduce.am.staging-dir，参数未配置默认为/tmp/hadoop-yarn/staging// 然后后面是/提交作业用户名/.staging// 通过之前的WordCount任务的执行，我们查看历史记录，得知参数yarn.app.mapreduce.am.staging-dir配置的为/user，// 而提交作业用户名为hdfs，所以完整的路径应该为/user/hdfs/.staging    Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);        //configure the command line options correctly on the submitting dfs    // 获取当前本机地址    InetAddress ip = InetAddress.getLocalHost();        // 确定提交作业的主机地址、主机名，并设置入配置信息conf，对应参数分别为    // mapreduce.job.submithostname    // mapreduce.job.submithostaddress    if (ip != null) {      submitHostAddress = ip.getHostAddress();      submitHostName = ip.getHostName();      conf.set(MRJobConfig.JOB_SUBMITHOST,submitHostName);      conf.set(MRJobConfig.JOB_SUBMITHOSTADDR,submitHostAddress);    }        // 生成作业ID，即JobID实例jobId    JobID jobId = submitClient.getNewJobID();        // 将jobId设置入job    job.setJobID(jobId);        // 构造提交作业路径Path实例submitJobDir，jobStagingArea后接/jobId，比如/job_1459913635503_0005    // 之前WordCount作业的完整路径为/user/hdfs/.staging/job_1459913635503_0005    Path submitJobDir = new Path(jobStagingArea, jobId.toString());    JobStatus status = null;        // 设置作业一些参数：    try {          // 设置mapreduce.job.user.name为当前用户，之前的WordCount示例配置的为hdfs用户      conf.set(MRJobConfig.USER_NAME,          UserGroupInformation.getCurrentUser().getShortUserName());            // 设置hadoop.http.filter.initializers为AmFilterInitializer      conf.set("hadoop.http.filter.initializers",           "org.apache.hadoop.yarn.server.webproxy.amfilter.AmFilterInitializer");            // 设置mapreduce.job.dir为submitJobDir，比如/user/hdfs/.staging/job_1459913635503_0005      conf.set(MRJobConfig.MAPREDUCE_JOB_DIR, submitJobDir.toString());      LOG.debug("Configuring job " + jobId + " with " + submitJobDir           + " as the submit dir");            // get delegation token for the dir      // 获取路径的授权令牌：调用TokenCache的obtainTokensForNamenodes()静态方法      TokenCache.obtainTokensForNamenodes(job.getCredentials(),          new Path[] { submitJobDir }, conf);            // 获取密钥和令牌，并将它们存储到令牌缓存TokenCache中      populateTokenCache(conf, job.getCredentials());      // generate a secret to authenticate shuffle transfers      if (TokenCache.getShuffleSecretKey(job.getCredentials()) == null) {        KeyGenerator keyGen;        try {                   int keyLen = CryptoUtils.isShuffleEncrypted(conf)               ? conf.getInt(MRJobConfig.MR_ENCRYPTED_INTERMEDIATE_DATA_KEY_SIZE_BITS,                   MRJobConfig.DEFAULT_MR_ENCRYPTED_INTERMEDIATE_DATA_KEY_SIZE_BITS)              : SHUFFLE_KEY_LENGTH;          keyGen = KeyGenerator.getInstance(SHUFFLE_KEYGEN_ALGORITHM);          keyGen.init(keyLen);        } catch (NoSuchAlgorithmException e) {          throw new IOException("Error generating shuffle secret key", e);        }        SecretKey shuffleKey = keyGen.generateKey();        TokenCache.setShuffleSecretKey(shuffleKey.getEncoded(),            job.getCredentials());      }      // 复制并且配置相关文件      copyAndConfigureFiles(job, submitJobDir);      // 获取配置文件路径：job.xml      Path submitJobFile = JobSubmissionFiles.getJobConfPath(submitJobDir);            // Create the splits for the job      LOG.debug("Creating splits at " + jtFs.makeQualified(submitJobDir));            // 调用writeSplits()方法，写分片数据文件job.split和分片元数据文件job.splitmetainfo，      // 并获得计算得到的map任务数目maps      int maps = writeSplits(job, submitJobDir);            // 配置信息中设置map任务数目mapreduce.job.maps为上面得到的maps      conf.setInt(MRJobConfig.NUM_MAPS, maps);            LOG.info("number of splits:" + maps);      // write "queue admins of the queue to which job is being submitted"      // to job file.            // 获取作业队列名queue，取参数mapreduce.job.queuename，参数未配置默认为default，      // 之前的WordCount任务示例中，作业队列名queue就为default      String queue = conf.get(MRJobConfig.QUEUE_NAME,          JobConf.DEFAULT_QUEUE_NAME);            // 获取队列的访问权限控制列表AccessControlList实例acl，通过客户端通信协议ClientProtocol实例submitClient的getQueueAdmins()方法，传入队列名queue，      // 实际上之前的WordCount任务示例中，这里获取的是*      AccessControlList acl = submitClient.getQueueAdmins(queue);            // 配置信息中设置队列参数mapred.queue.default.acl-administer-jobs      // 之前的WordCount任务示例中，该参数被设置成为*      conf.set(toFullPropertyName(queue,          QueueACL.ADMINISTER_JOBS.getAclName()), acl.getAclString());      // removing jobtoken referrals before copying the jobconf to HDFS      // as the tasks don't need this setting, actually they may break      // because of it if present as the referral will point to a      // different job.      // 清空缓存的令牌      TokenCache.cleanUpTokenReferral(conf);      // 根据参数确定是否需要追踪令牌ID      // 取参数mapreduce.job.token.tracking.ids.enabled，参数未配置默认为false      if (conf.getBoolean(          MRJobConfig.JOB_TOKEN_TRACKING_IDS_ENABLED,          MRJobConfig.DEFAULT_JOB_TOKEN_TRACKING_IDS_ENABLED)) {            // 通过job获取令牌ID，并存储到trackingIds列表中    // Add HDFS tracking ids        ArrayList<String> trackingIds = new ArrayList<String>();        for (Token<? extends TokenIdentifier> t :            job.getCredentials().getAllTokens()) {          trackingIds.add(t.decodeIdentifier().getTrackingId());        }                // 将trackingIds列表中的内容设置到参数mapreduce.job.token.tracking.ids中        conf.setStrings(MRJobConfig.JOB_TOKEN_TRACKING_IDS,            trackingIds.toArray(new String[trackingIds.size()]));      }      // Set reservation info if it exists      // 如有必要，设置存在的预订信息      // 参数为mapreduce.job.reservation.id      ReservationId reservationId = job.getReservationId();      if (reservationId != null) {        conf.set(MRJobConfig.RESERVATION_ID, reservationId.toString());      }      // Write job file to submit dir      // 调用writeConf()方法，写入作业配置信息至文件job.xml      writeConf(conf, submitJobFile);            //      // Now, actually submit the job (using the submit name)      // 调用printTokens()方法打印令牌信息到Log文件      printTokens(jobId, job.getCredentials());            // 通过客户端通信协议ClientProtocol实例submitClient的submitJob()方法提交作业，      // 并获取作业状态JobStatus实例status      // 由集群连接一文的分析我们可以知道，这个submitClient实际上是YARNRunner或LocalJobRunner对象，      // 最终调用的是二者的submitJob()方法，我们留待以后分析      status = submitClient.submitJob(          jobId, submitJobDir.toString(), job.getCredentials());            // 如果作业状态JobStatus实例status不为null，直接返回，否则抛出无法加载作业的IO异常      if (status != null) {        return status;      } else {        throw new IOException("Could not launch job");      }    } finally {          // 最终，抛出无法加载作业的IO异常前，调用文件系统FileSystem实例jtFs的delete()方法，      // 删除作业提交的相关目录或文件submitJobDir      if (status == null) {        LOG.info("Cleaning up the staging area " + submitJobDir);        if (jtFs != null && submitJobDir != null)          jtFs.delete(submitJobDir, true);      }    }  }

        submitJobInternal()方法篇幅比较长，逻辑也很复杂，本文先介绍下它的大体逻辑，后续分文会介绍各个环节的详细内容，且下面涉及到的之前WordCount作业示例在《Hadoop2.6.0版本MapReudce示例之WordCount（一）》及其姊妹篇中，敬请注意！submitJobInternal()方法大体逻辑如下：

        1、调用checkSpecs()方法，校验作业输出路径是否配置，且是否已存在：

              正确的情况应该是已配置且未存在，输出路径配置参数为mapreduce.output.fileoutputformat.outputdir，之前WordCount作业的输出路径配置为hdfs://nameservice1/output/output；

        2、从作业job中获取配置信息conf；

        3、调用addMRFrameworkToDistributedCache()方法添加应用框架路径到分布式缓存中；

        4、通过JobSubmissionFiles的getStagingDir()静态方法获取作业执行时阶段区域路径jobStagingArea：

              取参数yarn.app.mapreduce.am.staging-dir，参数未配置默认为/tmp/hadoop-yarn/staging，然后后面是/提交作业用户名/.staging，通过之前的WordCount任务的执行，我们查看历史记录，得知参数yarn.app.mapreduce.am.staging-dir配置的为/user，而提交作业用户名为hdfs，所以完整的路径应该为/user/hdfs/.staging；

        5、获取当前本机地址ip；

        6、确定提交作业的主机地址、主机名，并设置入配置信息conf，对应参数分别为mapreduce.job.submithostname、mapreduce.job.submithostaddress；

        7、生成作业ID，即JobID实例jobId：

              通过客户端通信协议ClientProtocol实例submitClient的getNewJobID()方法生成作业ID，即JobID实例jobId；

        8、 将jobId设置入job；

        9、构造提交作业路径Path实例submitJobDir：

               jobStagingArea后接/jobId，比如/job_1459913635503_0005，之前WordCount作业的完整路径为/user/hdfs/.staging/job_1459913635503_0005；

        10、设置作业一些参数：

                 10.1、设置mapreduce.job.user.name为当前用户，之前的WordCount示例配置的为hdfs用户；

                 10.2、设置hadoop.http.filter.initializers为AmFilterInitializer；

                 10.3、设置mapreduce.job.dir为submitJobDir，比如/user/hdfs/.staging/job_1459913635503_0005；

        11、获取路径的授权令牌：调用TokenCache的obtainTokensForNamenodes()静态方法；

        12、通过populateTokenCache()方法获取密钥和令牌，并将它们存储到令牌缓存TokenCache中；

        14、复制并且配置相关文件：通过copyAndConfigureFiles()方法实现；

        15、获取配置文件路径：job.xml;

        16、调用writeSplits()方法，写分片数据文件job.split和分片元数据文件job.splitmetainfo，并获得计算得到的map任务数目maps；

        17、配置信息中设置map任务数目mapreduce.job.maps为上面得到的maps；

        18、获取作业队列名queue，取参数mapreduce.job.queuename，参数未配置默认为default，之前的WordCount任务示例中，作业队列名queue就为default；

        19、获取队列的访问权限控制列表AccessControlList实例acl：

                通过客户端通信协议ClientProtocol实例submitClient的getQueueAdmins()方法，传入队列名queue，实际上之前的WordCount任务示例中，这里获取的是*；

        20、配置信息中设置队列参数mapred.queue.default.acl-administer-jobs，之前的WordCount任务示例中，该参数被设置成为*；

        21、清空缓存的令牌：通过TokenCache的cleanUpTokenReferral()方法实现；

        22、根据参数确定是否需要追踪令牌ID，如果需要的话：

                取参数mapreduce.job.token.tracking.ids.enabled，参数未配置默认为false，通过job获取令牌ID，并存储到trackingIds列表中，将trackingIds列表中的内容设置到参数mapreduce.job.token.tracking.ids中；

        23、如有必要，设置存在的预订信息：参数为mapreduce.job.reservation.id；

        24、调用writeConf()方法，写入作业配置信息至文件job.xml；

        25、调用printTokens()方法打印令牌信息到Log文件；

        26、通过客户端通信协议ClientProtocol实例submitClient的submitJob()方法提交作业，并获取作业状态JobStatus实例status：

                由集群连接一文的分析我们可以知道，这个submitClient实际上是YARNRunner或LocalJobRunner对象，最终调用的是二者的submitJob()方法，我们留待以后分析；

        27、如果作业状态JobStatus实例status不为null，直接返回，否则抛出无法加载作业的IO异常：

                最终，抛出无法加载作业的IO异常前，调用文件系统FileSystem实例jtFs的delete()方法，删除作业提交的相关目录或文件submitJobDir。

        整体流程如上，对于关键步骤的主要细节，限于篇幅，敬请关注《MapReduce源码分析之JobSubmitter（二）》！