本文深入剖析了MapReduce的工作原理及其在Hadoop平台上的实现细节，涵盖了从编写MapReduce程序到任务提交的全过程，特别关注了Yarn在任务调度中的角色。
转载：http://www.aboutyun.com/thread-9366-1-1.html
问题导读
1.为什么会产生Yarn？
2.Configuration类的作用是什么？
3.GenericOptionsParser类的作用是什么？
4.如何将命令行中的参数配置到变量conf中？
5.哪个方法会获得传入的参数？
6.如何在命令行指定reduce的个数？
7.默认情况map、reduce为几？
8.setJarByClass的作用是什么？
9.如果想在控制台打印job（maoreduce）当前的进度,需要设置哪个参数？
10.配置了哪个参数，在提交job的时候，会创建一个YARNRunner对象来进行任务的提交？
11.哪个类实现了读取yarn-site.xml、core-site.xml等配置文件中的配置属性的？
12.JobSubmitter类中的哪个方法实现了把job提交到集群？
13.DistributedCache在mapreduce中发挥了什么作用？
14.对每个输入文件进行split划分，是物理划分还是逻辑划分，他们有什么区别？
15.分片的大小有哪些因素来决定
16.分片是如何计算得来的？
1 概述
该瞅瞅MapReduce的内部运行原理了，以前只知道个皮毛，再不搞搞，不然怎么死的都不晓得。下文会以2.4版本中的WordCount这个经典例子作为分析的切入点，一步步来看里面到底是个什么情况。
2 为什么要使用MapReduce
Map/Reduce，是一种模式，适合解决并行计算的问题，比如TopN、贝叶斯分类等。注意，是并行计算，而非迭代计算，像涉及到层次聚类的问题就不太适合了。
从名字可以看出，这种模式有两个步骤，Map和Reduce。Map即数据的映射，用于把一组键值对映射成另一组新的键值对，而Reduce这个东东，以Map阶段的输出结果作为输入，对数据做化简、合并等操作。
而MapReduce是Hadoop生态系统中基于底层HDFS的一个计算框架，它的上层又可以是Hive、Pig等数据仓库框架，也可以是Mahout这样的数据挖掘工具。由于MapReduce依赖于HDFS，其运算过程中的数据等会保存到HDFS上，把对数据集的计算分发给各个节点，并将结果进行汇总，再加上各种状态汇报、心跳汇报等，其只适合做离线计算。和实时计算框架Storm、Spark等相比，速度上没有优势。旧的Hadoop生态几乎是以MapReduce为核心的，但是慢慢的发展，其
扩展性差、资源利用率低、可靠性等问题都越来越让人觉得不爽，于是才产生了
Yarn，并且二代版的Hadoop生态都是以Yarn为核心。Storm、Spark等都可以基于Yarn使用。
3 怎么运行MapReduce
明白了哪些地方可以使用这个牛叉的MapReduce框架，那该怎么用呢？Hadoop的MapReduce源码给我们提供了范例，在其
hadoop-mapreduce-examples子工程中包含了MapReduce的Java版例子。在写完类似的代码后，打包成jar，在HDFS的客户端运行：
bin/hadoop jar mapreduce_examples.jar mainClass args
即可。当然，也可以在IDE(如Eclipse)中，进行远程运行、调试程序。
至于，HadoopStreaming方式，网上有很多。我们这里只讨论Java的实现。
4 如何编写MapReduce程序
如前文所说，MapReduce中有Map和Reduce，在实现MapReduce的过程中，主要分为这两个阶段，分别以两类函数进行展现，
一个是map函数，一个是reduce函数。map函数的参数是一个<key,value>键值对，其输出结果也是键值对，reduce函数以map的输出作为输入进行处理。
4.1 代码构成
实际的代码中，需要三个元素，分别是
Map、Reduce、运行任务的代码。这里的Map类是继承了org.apache.hadoop.mapreduce.Mapper，并实现其中的map方法；而Reduce类是继承了org.apache.hadoop.mapreduce.Reducer，实现其中的reduce方法。至于运行任务的代码，就是我们程序的入口。
下面是Hadoop提供的WordCount源码。
首先定义配置文件类
Configuration，此类是Hadoop各个模块的公共使用类，用于加载类路径下的各种配置文件，读写其中的配置选项。
第二步中，用到了
GenericOptionsParser类，其目的是将命令行中参数自动设置到变量conf中。
GenericOptionsParser的构造方法进去之后，会进行到
parseGeneralOptions，对传入的参数进行解析：
而getRemainingArgs方法会获得传入的参数，接着在main方法中会进行判断参数的个数，由于此处是WordCount计算，只需要传入文件的输入路径和输出路径即可，因此参数的个数为2，否则将退出：
如果在代码运行的时候传入其他的参数，比如指定reduce的个数，可以根据GenericOptionsParser的命令行格式这么写：
bin/hadoop jar MyJob.jar com.xxx.MyJobDriver -Dmapred.reduce.tasks=5
其规则是
-D加MapReduce的配置选项，当然还支持-fs等其他参数传入。当然，
默认情况下Reduce的数目为1，Map的数目也为1。
定义Job对象，其构造方法为：
可见，传入的"word count"就是Job的名字。而conf被传递给了JobConf进行环境变量的获取：
Job已经实例化了，下面就得给这个Job加点佐料才能让它按照我们的要求运行。于是依次给Job添加启动Jar包、设置Mapper类、设置合并类、设置Reducer类、设置输出键类型、设置输出值的类型。
这里有必要说下设置Jar包的这个方法setJarByClass：
它会首先判断当前Job的状态是否是运行中，接着通过class找到其所属的jar文件，将jar路径赋值给mapreduce.job.jar属性。至于寻找jar文件的方法，则是通过classloader获取类路径下的资源文件，进行循环遍历。具体实现见ClassUtil类中的findContainingJar方法。
搞完了上面的东西，紧接着就会给
mapreduce.input.fileinputformat.inputdir参数赋值，这是Job的输入路径，还有
mapreduce.input.fileinputformat.inputdir，这是Job的输出路径。具体的位置，就是我们前面main中传入的Args。
4.2.3 Job提交
万事俱备，那就运行吧。
这里调用的方法如下：
至于方法的参数
verbose，如果想在控制台打印当前的进度，则设置为true。
至于submit方法，如果当前在HDFS的配置文件中配置了
mapreduce.framework.name属性为“yarn”的话，会创建一个
YARNRunner对象来进行任务的提交。其构造方法如下：
其中，ResourceMgrDelegate实际上ResourceManager的代理类，其实现了
YarnClient接口，通过
ApplicationClientProtocol代理直接向RM提交Job，杀死Job，查看Job运行状态等操作。同时，在ResourceMgrDelegate类中会通过YarnConfiguration来读取yarn-site.xml、core-site.xml等配置文件中的配置属性。
下面就到了客户端最关键的时刻了，提交Job到集群运行。具体实现类是JobSubmitter类中的
submitJobInternal方法。这个牛气哄哄的方法写了100多行，还不算其几十行的注释。我们看它干了点啥。
Step1:
检查job的输出路径是否存在，如果存在则抛出异常。
Step2:
初始化用于存放Job相关资源的路径。注意此路径的构造方式为：
其中，
MRJobConfig.DEFAULT_MR_AM_STAGING_DIR为“/tmp/hadoop-yarn/staging”，
STAGING_CONSTANT为".staging"。
Step3:
设置客户端的host属性：
mapreduce.job.submithostname和mapreduce.job.submithostaddress。
Step4:
通过RPC，向Yarn的ResourceManager申请JobID对象。
Step5:
从HDFS的NameNode获取验证用的Token，并将其放入缓存。
Step6:
将作业文件上传到HDFS，这里如果我们前面没有对Job命名的话，默认的名称就会在这里设置成jar的名字。并且，作业默认的副本数是10，如果属性
mapreduce.client.submit.file.replication没有被设置的话。
Step7:
文件上传到HDFS之后，还要被DistributedCache进行缓存起来。这是因为计算节点收到该作业的第一个任务后，就会有DistributedCache自动将作业文件Cache到节点本地目录下，并且会对压缩文件进行解压，如：.zip，.jar，.tar等等，然后开始任务。
最后，对于同一个计算节点接下来收到的任务，
DistributedCache不会重复去下载作业文件，而是直接运行任务。如果一个作业的任务数很多，这种设计避免了在同一个节点上对用一个job的文件会下载多次，大大提高了任务运行的效率。
Step8:
对每个输入文件进行split划分。注意这只是个逻辑的划分，不是物理的。因为此处是输入文件，因此执行的是FileInputFormat类中的getSplits方法。只有非压缩的文件和几种特定压缩方式压缩后的文件才分片。分片的大小由如下几个参数决定：
mapreduce.input.fileinputformat.split.maxsize、mapreduce.input.fileinputformat.split.minsize、文件的块大小。
具体计算方式为：
Math.max(minSize, Math.min(maxSize, blockSize))
分片的大小有可能比默认块大小64M要大，当然也有可能小于它，默认情况下分片大小为当前HDFS的块大小，64M。
接下来就该正儿八经的获取分片详情了。代码如下：
Step8.1：
将bytesRemaining(剩余未分片字节数)设置为整个文件的长度。
Step8.2：
如果bytesRemaining超过分片大小splitSize一定量才会将文件分成多个InputSplit，SPLIT_SLOP(默认1.1)。接着就会执行如下方法获取block的索引，其中第二个参数是这个block在整个文件中的偏移量，在循环中会从0越来越大：
将符合条件的块的索引对应的block信息的主机节点以及文件的路径名、开始的偏移量、分片大小splitSize封装到一个InputSplit中加入List<InputSplit> splits。
Step8.3：
bytesRemaining -= splitSize修改剩余字节大小。剩余如果bytesRemaining还不为0，表示还有未分配的数据，将剩余的数据及最后一个block加入splits。
Step8.4
如果不允许分割isSplitable==false，则将第一个block、文件目录、开始位置为0，长度为整个文件的长度封装到一个InputSplit，加入splits中；如果文件的长度==0，则splits.add(new FileSplit(path, 0, length, new String[0]))没有block，并且初始和长度都为0；
Step8.5
将输入目录下文件的个数赋值给 "mapreduce.input.num.files"，方便以后校对，返回分片信息splits。
这就是getSplits获取分片的过程。当使用基于FileInputFormat实现InputFormat时，为了提高MapTask的数据本地性，应尽量使InputSplit大小与block大小相同。
如果分片大小超过bolck大小，但是InputSplit中的封装了单个block的所在主机信息啊，这样能读取多个bolck数据吗？
比如当前文件很大，1G，我们设置的最小分片是100M，最大是200M，当前块大小为64M，经过计算后的实际分片大小是100M，这个时候第二个分片中存放的也只是一个block的host信息。需要注意的是split是逻辑分片，不是物理分片，当Map任务需要的数据本地性发挥作用时，会从本机的block开始读取，超过这个block的部分可能不在本机，这就需要从别的DataNode拉数据过来，因为实际获取数据是一个输入流，这个输入流面向的是整个文件，不受split的影响，split的大小越大可能需要从别的节点拉的数据越多，从从而效率也会越慢，拉数据的多少是由getSplits方法中的splitSize决定的。所以为了更有效率，分片的大小尽量保持在一个block大小吧。
Step9:
将split信息和SplitMetaInfo都写入HDFS中。使用方法：
Step10:
对Map数目设置，上面获得到的split的个数就是实际的Map任务的数目。
Step11:
相关配置写入到job.xml中：
Step12:
通过如下代码正式提交Job到Yarn：
这里就涉及到YarnClient和RresourceManager的RPC通信了。包括获取applicationId、进行状态检查、网络通信等。
Step13:
上面通过RPC的调用，最后会返回一个JobStatus对象，它的toString方法可以在JobClient端打印运行的相关日志信息。
4.2.4 另一种运行方式
提交MapReduce任务的方式除了上述源码中给出的之外，还可以使用ToolRunner方式。具体方式为：
至此，我们的MapReduce的启动类要做的事情已经分析完了。
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
