MapReduce on Yarn（包含MapReduce执行详细流程）

1. MapReduce

1.1 MapReduce任务在Yarn中执行流程

MapReduce作为一种分布式计算框架，它在Yarn中执行的流程为：

• （1）客户端提交job；

  细节：
  ① org.apache.hadoop.mapreduce.Job类配置job；
  ② mapred-site.xml中mapreduce.framework.name配置为yarn时，yarn协议会激活；
  ③ job.waitForCompletion(true)：将job提交到Yarn集群，并等待执行完成；
  ④ 客户端代码在客户端JVM中运行；

• （2）job跟ResourceManager交互获取任务元数据：如application id；

  细节：
  ①委托 OutputFormat检查输出目录是否已存在；
  ②计算InputSplits；

• （3）job将相关资源拷贝至HDFS（jar包、配置文件、input splits），并且允许其他job获取；
• （4）job将application提交到ResourceManager；

  job初始化细节：
  ①ResourceManager收到新application的请求；
  ②ResourceManager委派内部的Scheduler为ApplicationMaster提供container；（MR的ApplicationMaster为MRAppMaster）
  ③MRAppMaster跟Resource Manager协商后初始化object，并且运行job；

• （5）ResourceManager选择一个NodeManager，并分配资源让其新建一个container运行MRAppMaster；

  MRAppMaster初始化细节：
  ①创建内部bookkeeping对象，监控进程；
  ②恢复Input Splits，客户端创建splits，并拷贝到HDFS；
  ③创建tasks：每个split创建一个Map tasks，Reduce tasks根据mapreduce.job.reduces配置决定；
  ④决定怎么运行task：特别小的任务会直接在MRAppMaster的JVM中运行，这种任务称为uberized、uber；在NodeManager运行tasks；
  ⑤执行tasks；

• （6）NodeManager分配给MRAppMaster container，MRAppMaster 执行并协调MapReduce job；
• （7）MRAppMaster从HDFS获取运行MapReduce作业的资源（步骤③的资源）；
• （8）MRAppMaster跟ResourceManager协商，获取资源（ResourceManager会分配一个资源较为充足的NodeManager）；
• （9）MRAppMaster要求分配到的NodeManager上执行Map和Reduce tasks；
• （10）NodeManager创建YarnChild容器，运行tasks；
• （11）YarnChild从HDFS获取需要运行Map或Reduce任务的job资源；
• （12）YarnChild运行Map或Reduce任务；

ps：YarnChild会向MRAppMaster实时汇报任务进展，MRAppMaster会向客户端和ResourceManager汇报任务运行进展；

整体流程如下图所示：

1.2 客户端提交Job流程

……  
# MR代码中配置好，Job后会通过以下代码进行提交  
/**  
 * TODO 提交 job.waitForCompletion  
*/  
System.exit(job.waitForCompletion(true) ? 0 : 1);  

• job.waitForCompletion的执行流程如图所示：
  

详细的每一步的流程已在图中体现，最后到了ApplicationClientProtocolPBClientImpl后会根据ResourceManager的逻辑选择合适的nodemanager进行任务的分配；

1.3 MapReduce任务流程

• MapReduce任务：
  这里以最简单的MR WordCount举例：

①输入：一个文本文件；
②分片（split）：
把输入的文件切分成split，具体逻辑如下：
((double) bytesRemaining)/splitSize > SPLIT_SLOP

其中bytesRemaining是文件的字节长度，bytesRemaining要满足以上条件，每次增加splitSize个字节长度；
splitSize是以下三个参数的中间值；
mapreduce.input.fileinputformat.split.maxsize
mapreduce.input.fileinputformat.split.minsize
blockSize
SPLIT_SLOP一般是1.1；
切分的split存储在集合中：
List splits = new ArrayList();
主要是以FileSplit的形式存储在集合中：其中有文件路径及文件名，开始到结束的字节数，hostname等多种信息；
splits.add(makeSplit(path, length-bytesRemaining, splitSize, blkLocations[blkIndex].getHosts(), blkLocations[blkIndex].getCachedHosts()));
①、②步在MapReduce任务开始之前会完成；

③每个split对应一个MapTask；
④Map做好相应逻辑后，spill到环形缓冲区（环形缓冲区可以同时读和写，读：Map的结果，写：往磁盘写排序后的内容）；
⑤环形缓冲区的内容，经过快速排序后溢出到本地磁盘中；
⑥磁盘中的文件经过几轮归并排序，Merge成一个大的文件；
⑦步骤⑥的结果会向MRAppMaster进行汇报，然后MRAppMaster会通知ReduceTask启动；
⑧Reduce阶段拉取几个MapTask⑥步中的partition值一样的大文件，然后又进行几轮归并排序，最后合成一个或多个大文件写出到output文件夹中；
详细过程已在图中描述：

核心难点在于环形缓冲区的设计，后续有时间单独写一篇文章进行讲解；

原创作品，禁止转载！！！感谢支持~