Hadoop2源码分析－MapReduce篇

1.概述

　　前面我们已经对Hadoop有了一个初步认识，接下来我们开始学习Hadoop的一些核心的功能，其中包含mapreduce，fs，hdfs，ipc，io，yarn，今天为大家分享的是mapreduce部分，其内容目录如下所示：

• MapReduce V1
• MapReduce V2
• MR V1和MR V2的区别
• MR V2的重构思路
  

　　本篇文章的源码是基于hadoop-2.6.0-src.tar.gz来完成的。代码下载地址，请参考《Hadoop2源码分析－准备篇》。

2.MapReduce V1

　　下面我们给出第一代的MapReduce的架构图，如下所示：

　　上图描述了第一代MapReduce框架的流程以及设计思路，下面为大家解释下这张图的具体含义：

• 当我们编写完MR作业后，需要通过JobClient来提交一个job，提交的信息会发送到JobTracker模块，这个模块是第一代MapReduce计算框架的核心之一，它负责与集群中的其他节点维持心跳，为提交的作业分配资源，管理提交的作业的正常运作（失败，重启等）。
• 第一代MapReduce的另一个核心的功能是TaskTracker，在各个TaskTracker安装节点上，它的主要功能是监控自己所在节点的资源使用情况。
• TaskTracker监控当前节点的Tasks的运行情况，其中包含Map Task和Reduce Task，最后由Reduce Task到Reduce阶段，将结果输送到HDFS的文件系统中；其中的具体流程如图中描述的1-7步骤。TaskTracker在监控期间，需要把这些信息通过心跳机制发送给JobTracker，JobTracker收集到这些信息后，给新提交的作业分配其他的资源，避免重复资源分配。
  

　　可以看出，第一代的MapReduce架构简单清晰，在刚面世的那几年，也曾获得总多企业的支持和认可。但随着分布式集群的规模和企业业务的增长，第一代框架的问题也逐渐暴露出来，主要有以下问题：

• JobTracker是第一代MapReduce的入口点，若是JobTracker服务宕机，整个服务将会瘫痪，存在单点问题。
• JobTracker负责的事情太多，完成来太多的任务，占用过多的资源，当Job数非常多的时候，会消耗很多内存，容易出现性能瓶颈。
• 对TaskTracker而言，Task担当的角色过于简单，没有考虑到CPU及内存的使用情况，若存在多个大内存的Task被集中调度，容易出现内存溢出。
• 另外，TaskTracker把资源强制分为map task slot和reduce task slot，若是MR任务中只存在其中一个（map或是reduce），会出现资源浪费的情况，资源利用率低。
• 从开发人员的角度来说，源码分析的时候，阅读性不够友好，代码量大，任务不清晰，给开发人员在修复BUG和维护的时候增大了难度。
  

3.MapReduce V2

　　在Hadoop V2中，加入了YARN的概念，所以MapReduce V2的架构和MapReduce V1的架构有些许的变化，如下图所示：

　　从上图中，我们可以清晰的看出，架构重构的基本思想在于将JobTracker的两个核心的功能单独分离成独立的组件了。分离后的组件分别为资源管理（Applications Manager）和任务调度器（Resource Scheduler）。新的资源管理器（Resource Manager）管理整个系统的资源分配，而每一个Node Manager下的App Master（Application Master）负责对应的调度和协调工作，而在实际中，App Master从Resource Manager上获得资源，让Node Manager来协同工作和任务监控。

　　从图中我们可以看出，Resource Manager是支持队列分层的，这些队列可以从集群中获取一定比例的资源，也就是说Resource Manager可以算得上是一个调度器，它在执行的过程当中本身不负责对应用的监控和状态的定位跟踪。

　　Resource Manager在内存，CPU，IO等方面是动态分配的，相比第一代MapReduce计算框架，在资源使用上大大的加强了资源使用的灵活性。上图中的Node Manager是一个代理框架，负责应用程序的执行，监控应用程序的资源利用率，并将信息上报给资源管理器。另外，App Master所担当的角色职责包含：在运行任务是，向任务调度器动态的申请资源，对应用程序的状态进行监控，处理异常情况，如若出现问题，会在其他节点进行重启。

4.MR V1和MR V2的区别

　　在和大家分析完 MR V1 和 MR V2 的架构后，我们来看看二者有哪些变化。在MR V2版本中，大部分的API接口都是兼容的保留下来，MR V1中的JobTracker和TaskTracker被替换成相应的Resource Manager，Node Manager。对比于MR V1中的Task的监控，重启等内热都交由App Master来处理，Resource Manager提供中心服务，负责资源的分配与调度。Node Manager负责维护Container的状态，并将收集的信息上报给Resource Manager，以及负责和Resource Manager维持心跳。

　　MR V2中加入Yarn的概念后，体现以下设计优点：

• 减少来资源消耗，让监控每一个作业更加分布式了。
• 能够支持更多的变成模型，如：Spark，Storm，以及其他待开发的编程模型。
• 将资源以内存量的概念来描述，比MR V1中的slot更加合理。
  

　　另外，在工程目录结构也有了些许的变化，如下表所示：

改变目录	MR V1	MR V2	描述
配置文件	${HADOOP_HOME}/conf	${HADOOP_HOME}/etc/hadoop	MR V2中的配置文件路径修改为etc/hadoop目录下
脚本	${HADOOP_HOME}/bin	${HADOOP_HOME}/sbin和${HADOOP_HOME}/bin	在MR V2中启动，停止等命令都位于sbin目录下，操作hdfs的命令存放在bin目录下
JAVA_HOME	${HADOOP_HOME}/conf/hadoop-env.sh	${HADOOP_HOME}/etc/hadoop/hadoop-env.sh和${HADOOP_HOME}/etc/hadoop/yarn-env.sh	在MR V2中需要同时在hadoop-env.sh和yarn-env.sh中配置JDK的路径

　　由于添加Yarn特性，与第一代MR的框架变化较大，第一代的核心配置文件许多项也在新框架中摒弃了，具体新框架的核心配置文件信息，请参考《配置高可用的Hadoop平台》。

5.MR V2的重构思路

　　在V2中的MapReduce重构的思路主要有以下几点：

• 层次化的管理：分层级对资源的调度和分配进行管理。
• 资源管理方式：由第一代的slot作为资源单位元，调整为更加细粒的内存单位元。
• 编程模型拓展：V2版的设计支持除MapReduce以外的编程模型。
  

　　MapReduce：WordCount V2，代码如下：

1. package cn.hdfs.mapreduce.example;
   
2. 
   
3. import java.io.BufferedReader;
   
4. import java.io.FileReader;
   
5. import java.io.IOException;
   
6. import java.net.URI;
   
7. import java.util.ArrayList;
   
8. import java.util.HashSet;
   
9. import java.util.List;
   
10. import java.util.Set;
    
11. import java.util.StringTokenizer;
    
12. 
    
13. import org.apache.hadoop.conf.Configuration;
    
14. import org.apache.hadoop.fs.Path;
    
15. import org.apache.hadoop.io.IntWritable;
    
16. import org.apache.hadoop.io.Text;
    
17. import org.apache.hadoop.mapreduce.Job;
    
18. import org.apache.hadoop.mapreduce.Mapper;
    
19. import org.apache.hadoop.mapreduce.Reducer;
    
20. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
    
21. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
    
22. import org.apache.hadoop.mapreduce.Counter;
    
23. import org.apache.hadoop.util.GenericOptionsParser;
    
24. import org.apache.hadoop.util.StringUtils;
    
25. 
    
26. /**
    
27. * @date Apr 17, 2015
    
28. *
    
29. * @author dengjie
    
30. */
    
31. public class WordCount2 {
    
32. 
    
33.   public static class TokenizerMapper
    
34.        extends Mapper<Object, Text, Text, IntWritable>{
    
35. 
    
36.     static enum CountersEnum { INPUT_WORDS }
    
37. 
    
38.     private final static IntWritable one = new IntWritable(1);
    
39.     private Text word = new Text();
    
40. 
    
41.     private boolean caseSensitive;
    
42.     private Set<String> patternsToSkip = new HashSet<String>();
    
43. 
    
44.     private Configuration conf;
    
45.     private BufferedReader fis;
    
46. 
    
47.     @Override
    
48.     public void setup(Context context) throws IOException,
    
49.         InterruptedException {
    
50.       conf = context.getConfiguration();
    
51.       caseSensitive = conf.getBoolean("wordcount.case.sensitive", true);
    
52.       if (conf.getBoolean("wordcount.skip.patterns", true)) {
    
53.         URI[] patternsURIs = Job.getInstance(conf).getCacheFiles();
    
54.         for (URI patternsURI : patternsURIs) {
    
55.           Path patternsPath = new Path(patternsURI.getPath());
    
56.           String patternsFileName = patternsPath.getName().toString();
    
57.           parseSkipFile(patternsFileName);
    
58.         }
    
59.       }
    
60.     }
    
61. 
    
62.     private void parseSkipFile(String fileName) {
    
63.       try {
    
64.         fis = new BufferedReader(new FileReader(fileName));
    
65.         String pattern = null;
    
66.         while ((pattern = fis.readLine()) != null) {
    
67.           patternsToSkip.add(pattern);
    
68.         }
    
69.       } catch (IOException ioe) {
    
70.         System.err.println("Caught exception while parsing the cached file '"
    
71.             + StringUtils.stringifyException(ioe));
    
72.       }
    
73.     }
    
74. 
    
75.     @Override
    
76.     public void map(Object key, Text value, Context context
    
77.                     ) throws IOException, InterruptedException {
    
78.       String line = (caseSensitive) ?
    
79.           value.toString() : value.toString().toLowerCase();
    
80.       for (String pattern : patternsToSkip) {
    
81.         line = line.replaceAll(pattern, "");
    
82.       }
    
83.       StringTokenizer itr = new StringTokenizer(line);
    
84.       while (itr.hasMoreTokens()) {
    
85.         word.set(itr.nextToken());
    
86.         context.write(word, one);
    
87.         Counter counter = context.getCounter(CountersEnum.class.getName(),
    
88.             CountersEnum.INPUT_WORDS.toString());
    
89.         counter.increment(1);
    
90.       }
    
91.     }
    
92.   }
    
93. 
    
94.   public static class IntSumReducer
    
95.        extends Reducer<Text,IntWritable,Text,IntWritable> {
    
96.     private IntWritable result = new IntWritable();
    
97. 
    
98.     public void reduce(Text key, Iterable<IntWritable> values,
    
99.                        Context context
    
100.                        ) throws IOException, InterruptedException {
     
101.       int sum = 0;
     
102.       for (IntWritable val : values) {
     
103.         sum += val.get();
     
104.       }
     
105.       result.set(sum);
     
106.       context.write(key, result);
     
107.     }
     
108.   }
     
109. 
     
110.   public static void main(String[] args) throws Exception {
     
111.     Configuration conf = new Configuration();
     
112.     GenericOptionsParser optionParser = new GenericOptionsParser(conf, args);
     
113.     String[] remainingArgs = optionParser.getRemainingArgs();
     
114.     if (!(remainingArgs.length != 2 || remainingArgs.length != 4)) {
     
115.       System.err.println("Usage: wordcount <in> <out> [-skip skipPatternFile]");
     
116.       System.exit(2);
     
117.     }
     
118.     Job job = Job.getInstance(conf, "word count");
     
119.     job.setJarByClass(WordCount2.class);
     
120.     job.setMapperClass(TokenizerMapper.class);
     
121.     job.setCombinerClass(IntSumReducer.class);
     
122.     job.setReducerClass(IntSumReducer.class);
     
123.     job.setOutputKeyClass(Text.class);
     
124.     job.setOutputValueClass(IntWritable.class);
     
125. 
     
126.     List<String> otherArgs = new ArrayList<String>();
     
127.     for (int i=0; i < remainingArgs.length; ++i) {
     
128.       if ("-skip".equals(remainingArgs[i])) {
     
129.         job.addCacheFile(new Path(remainingArgs[++i]).toUri());
     
130.         job.getConfiguration().setBoolean("wordcount.skip.patterns", true);
     
131.       } else {
     
132.         otherArgs.add(remainingArgs[i]);
     
133.       }
     
134.     }
     
135.     FileInputFormat.addInputPath(job, new Path(otherArgs.get(0)));
     
136.     FileOutputFormat.setOutputPath(job, new Path(otherArgs.get(1)));
     
137. 
     
138.     System.exit(job.waitForCompletion(true) ? 0 : 1);
     
139.   }
     
140. }

复制代码

　　Spark：WordCount，代码如下：

1. package com.hdfs.spark.example
   
2. 
   
3. /**
   
4. * @date Apr 17, 2015
   
5. *
   
6. * @author dengjie
   
7. */
   
8. import org.apache.spark.SparkConf
   
9. import org.apache.spark.SparkContext
   
10. import org.apache.spark.SparkContext._
    
11. 
    
12. /**
    
13. * 统计字符出现次数
    
14. */
    
15. object WordCount {
    
16.    def main(args: Array[String]) {
    
17.      if (args.length < 1) {
    
18.        System.err.println("Usage: <file>")
    
19.        System.exit(1)
    
20.      }
    
21. 
    
22.      val conf = new SparkConf()
    
23.      val sc = new SparkContext(conf)     
    
24.      val line = sc.textFile(args(0))      
    
25.      line.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_).collect().foreach(println)      
    
26.      sc.stop()   
    
27. } 
    
28. }

复制代码

6.结束语

　　这篇文章就和大家分享到这里，如果大家在研究和学习的过程中有什么疑问，可以加群进行讨论或发送邮件给我，我会尽我所能为您解答，与君共勉！

转自：董的博客