大数据框架hadoop的作业初始化过程(接上编)

夜勿眠

    本文接上一编文章《大数据框架hadoop的作业提交过程》。调度器调用JobTracker.initJob()函数对新作业进行初始化。相关代码如下：

// 调度器调用eagerTaskInitializationListener.start()方法。 class JobQueueTaskScheduler extends TaskScheduler {   @Override   public synchronized void start() throws IOException { super.start(); ... ... eagerTaskInitializationListener.start(); ... ... } } // EagerTaskInitializationListener.start()方法启动作业管理器线程。 class EagerTaskInitializationListener extends JobInProgressListener {   ... ...   public void start() throws IOException {     this.jobInitManagerThread = new Thread(jobInitManager, "jobInitManager");     ... ...     this.jobInitManagerThread.start();   }   ... ... } // 作业初始化管理器执行作业初始化动作。 class JobInitManager implements Runnable {     public void run() {       ... ...       threadPool.execute(new InitJob(job));       ... ...     } }

作业初始化的主要工作是构造Map Task和Reduce Task并对它们进行初始化。
Hadoop将每个作业分解成4种类型的任务，分别是Setup Task、Map Task、Reduce Task和Cleanup Task。它们的运行时信息由TaskInProgress类维护，因此，创建这些任务实际上是创建TaskInProgress对象。
上述4种任务的作用及创建过程如下。
n Setup Task：作业初始化标识性任务。它进行一些非常简单的作业初始化工作，比如将运行状态设置为“setup”，调用OutputCommitter.setupJob()函数等。该任务运行完后，作业由PREP状态变为RUNNING状态，并开始运行Map Task。该类型任务又被分为Map Setup Task和Reduce Setup Task两种，且每个作业各有一个。它们运行时分别占用一个Map slot和Reduce slot。由于这两种任务功能相同，因此有且只有一个可以获得运行的机会（即只要有一个开始运行，另一个马上被杀掉，而具体哪一个能够运行，取决于当时存在的空闲slot种类及调度策略。相关代码如下：

public class JobInProgress {   TaskInProgress setup[] = new TaskInProgress[0];   ... ...   public synchronized void initTasks() {     ... ...     // create two setup tips, one map and one reduce.     setup = new TaskInProgress[2];     // setup map tip. This map doesn't use any split. Just assign an empty     // split.     setup[0] = new TaskInProgress(jobId, jobFile, emptySplit,              jobtracker, conf, this, numMapTasks + 1, 1);     setup[0].setJobSetupTask();     // setup reduce tip.     setup[1] = new TaskInProgress(jobId, jobFile, numMapTasks,                        numReduceTasks + 1, jobtracker, conf, this, 1); setup[1].setJobSetupTask(); ... ...   } }

 
n Map Task：Map阶段处理数据的任务。其数目及对应的处理数据分片由应用程序中的
InputFormat组件确定。关代码如下：

public class JobInProgress {   TaskInProgress maps[] = new TaskInProgress[0];   ... ...   public synchronized void initTasks() {     // read input splits and create a map per a split TaskSplitMetaInfo[] splits = createSplits(jobId); numMapTasks = splits.length;     ... ...     maps = new TaskInProgress[numMapTasks];     for(int i=0; i < numMapTasks; ++i) {       inputLength += splits[i].getInputDataLength();       maps[i] = new TaskInProgress(jobId, jobFile, splits[i],                                     jobtracker, conf, this, i, numSlotsPerMap); } ... ...   } }

n Reduce Task：Reduce阶段处理数据的任务。其数目由用户通过参数mapred.reduce.tasks（默认数目为1）指定。考虑到Reduce Task能否运行依赖于Map Task的输出结果，因此，Hadoop刚开始只会调度Map Task，直到Map Task完成数目达到一定比例（由参数mapred.reduce.slowstart.completed.maps指定，默认是0.05，即5%）后，才开始调度Reduce Task。关代码如下：

public class JobInProgress {   TaskInProgress reduces[] = new TaskInProgress[0];   ... ...   public synchronized void initTasks() {     ... ...     // Create reduce tasks     this.reduces = new TaskInProgress[numReduceTasks];     for (int i = 0; i < numReduceTasks; i++) {       reduces[i] = new TaskInProgress(jobId, jobFile, numMapTasks, i,          jobtracker, conf, this, numSlotsPerReduce);       nonRunningReduces.add(reduces[i]); } ... ... }

n Cleanup Task：作业结束标志性任务，主要完成一些清理工作，比如删除作业运行过程中用到的一些临时目录（比如_temporary目录）。一旦该任务运行成功后，作业由RUNNING状态变为SUCCESSED状态。关代码如下：

public class JobInProgress {   TaskInProgress cleanup[] = new TaskInProgress[0];   ... ...   public synchronized void initTasks() {     ... ...     // create cleanup two cleanup tips, one map and one reduce.     cleanup = new TaskInProgress[2];     // cleanup map tip. This map doesn't use any splits. Just assign an empty     // split.     TaskSplitMetaInfo emptySplit = JobSplit.EMPTY_TASK_SPLIT;     cleanup[0] = new TaskInProgress(jobId, jobFile, emptySplit,              jobtracker, conf, this, numMapTasks, 1);     cleanup[0].setJobCleanupTask();     // cleanup reduce tip.     cleanup[1] = new TaskInProgress(jobId, jobFile, numMapTasks,                        numReduceTasks, jobtracker, conf, this, 1); cleanup[1].setJobCleanupTask(); ... ... }