MapReduce —— MapTask阶段源码分析(Input环节)

不得不说阅读源码的过程,极其痛苦 。Dream Car 镇楼 ~ !

虽说整个MapReduce过程也就只有Map阶段和Reduce阶段,但是仔细想想,在Map阶段要做哪些事情?这一阶段具体应该包含数据输入(input),数据计算(map),数据输出(output),这三个步骤的划分是非常符合思维习惯的。

从大数据开发的hello world案例入手,如下是一个word count 案例的map程序

public class WcMapper extends Mapper<LongWritable, Text, Text, IntWritable> {

    private Text k = new Text();
    private IntWritable v = new IntWritable(1);

    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

        //1. 获取一行数据
        String str = value.toString();
        //2. 按照空格分开单词
        String[] words = str.split(" ");
        //3. 遍历集合,拼装成(word,one)形式
        for (String word : words) {
            this.k.set(word);
            context.write(k, v);
        }
    }
}

自定义的WcMapper类继承了Mapper类,重写了map()方法,在这个方法里我们按照需求,编写了相应的业务逻辑。进入Mapper类中查看。

这个类包含的方法并不多,并且比较符合见名知义的思维规律,可以根据方法辅助注释大概了解其具体功能。在这个类的头上还包括一段对类的描述性注释,大致意思就是map阶段到底干了什么,尝试简单翻译一下核心内容

  • 将输入键/值对映射到一组中间键/值对。
  • 映射是将输入记录转换为中间记录的单个任务。 转换后的中间记录不需要与输入记录的类型相同。 一个给定的输入对可以映射到零个或多个输出对。
  • Hadoop Map-Reduce 框架为InputFormat为作业生成的每个InputSplit生成一个映射任务。 Mapper实现可以通过JobContext.getConfiguration()访问作业的Configuration 。
  • 框架首先调用setup(Mapper.Context) ,然后为InputSplit中的每个键/值对调用map(Object, Object, Mapper.Context) 。 最后调用cleanup(Mapper.Context) 。
  • 与给定输出键关联的所有中间值随后由框架分组,并传递给Reducer以确定最终输出。 用户可以通过指定两个关键的RawComparator类来控制排序和分组。
  • Mapper输出按Reducer进行分区。 用户可以通过实现自定义Partitioner来控制哪些键(以及记录)去哪个Reducer 。
  • 用户可以选择通过Job.setCombinerClass(Class)指定combiner来执行中间输出的本地聚合,这有助于减少从Mapper传输到Reducer的数据量。
  • 应用程序可以指定是否以及如何压缩中间输出,以及通过Configuration使用哪些CompressionCodec 。
    如果作业有零减少,则Mapper的输出将直接写入OutputFormat而不按键排序。
public class Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT> {

  public abstract class Context implements MapContext<KEYIN,VALUEIN,KEYOUT,VALUEOUT> {}

  protected void setup(Context context ) throws IOException, InterruptedException {}

  protected void map(KEYIN key, VALUEIN value,Context context) throws IOException, InterruptedException 
  {context.write((KEYOUT) key, (VALUEOUT) value);}

  protected void cleanup(Context context) throws IOException, InterruptedException {}
  
  public void run(Context context) throws IOException, InterruptedException {
    setup(context);
    try {
      while (context.nextKeyValue()) {
        map(context.getCurrentKey(), context.getCurrentValue(), context);
      }
    } finally {
      cleanup(context);
    }
  }
}

看到run(Context context) 这个方法就比较有框架的感觉了,这个方法里面调用了一次setup(context)cleanup(context),而对map方法则为输入拆分中的每个键/值对调用一次。

这个类看到这也就算结束了,其它的也看不出啥东西了。进入MapTask类,包含了大量的核心业务逻辑方法。这个类会被Yarn反射调用run方法,实例化MapTask。直接进run方法,删除了部分非核心代码,清清爽爽。

@Override
  public void run(final JobConf job, final TaskUmbilicalProtocol umbilical){
    this.umbilical = umbilical;
    if (isMapTask()) {
      // reduce的个数为 0,所以整个任务只有map阶段 
      if (conf.getNumReduceTasks() == 0) {
        mapPhase = getProgress().addPhase("map", 1.0f);
      } else {
       // 如果有reduce阶段,将进行进度分配
        mapPhase = getProgress().addPhase("map", 0.667f);
       // 排序环节让后续的reduce环节变得更轻松完成,只需拉取一次文件,减少I/O
        sortPhase  = getProgress().addPhase("sort", 0.333f);
      }
    }
    TaskReporter reporter = startReporter(umbilical);
 
    boolean useNewApi = job.getUseNewMapper();
    initialize(job, getJobID(), reporter, useNewApi);

    // check if it is a cleanupJobTask
                 .........
    if (useNewApi) {  // 新旧API的选择
        // 进这个方法
      runNewMapper(job, splitMetaInfo, umbilical, reporter);
    } else {
      runOldMapper(job, splitMetaInfo, umbilical, reporter);
    }
    done(umbilical, reporter);
  }

继续进入runNewMapper(job, splitMetaInfo, umbilical, reporter) 方法。里边有点长啊,一下不好找到重点。小常识:重要的东西放在try-catch中!! 所以首先看try-catch块。

private <INKEY,INVALUE,OUTKEY,OUTVALUE>
  void runNewMapper(final JobConf job,final TaskSplitIndex splitIndex,final TaskUmbilicalProtocol umbilical,TaskReporter reporter)  {
               
             
          ............先删了,略过不看............
    // 用人类的思维过一遍方法名  
    try { 
        // 1、初始化输入流
      input.initialize(split, mapperContext);
        // 2、直觉调用这个run()方法,最终会调用到自定义的map方法
      mapper.run(mapperContext);
        // 3、完成map计算阶段
      mapPhase.complete();
        // 4、排序阶段走起
      setPhase(TaskStatus.Phase.SORT);
        // 5、状态信息更新或者传递(猜的)
      statusUpdate(umbilical);
        // 6、关闭输入流
      input.close();
      input = null;
        // 7、进入到out阶段,输出map数据
      output.close(mapperContext);
      output = null;
    } finally { 
      // Quietly,默默的做一些事情 ...
      closeQuietly(input);
      closeQuietly(output, mapperContext);
    }
  }

这样一来整个思路就就很丝滑顺畅了,回过头来看删除掉的代码片段 ,原注释信息也蛮好懂的。

   // 1、make a task context so we can get the classes  封装任务的上下文,job里有configuration
   // 常识:在框架中上下文对象是不可缺少的,有些信息在业务线来回穿梭,封装进上下文可以随时获取
   // 回忆:客户端上传任务到资源层,其中包括Jar包,配置文件,切片三个文件,container拿到可以实例化job
    org.apache.hadoop.mapreduce.TaskAttemptContext taskContext =
      new org.apache.hadoop.mapreduce.task.TaskAttemptContextImpl(job, getTaskID(),reporter);

    // 2、make a mapper:根据taskContext + job,实例化出来一个mapper对象 
    org.apache.hadoop.mapreduce.Mapper<INKEY,INVALUE,OUTKEY,OUTVALUE> mapper =
      (org.apache.hadoop.mapreduce.Mapper<INKEY,INVALUE,OUTKEY,OUTVALUE>)
        // 就是自己写的WCMapper对象,也就对应了下边的 mapper.run(mapperContext)。丝滑~!
        ReflectionUtils.newInstance(taskContext.getMapperClass(), job);

    // 3、make the input format:输入格式化,为啥需要这个玩意?split是一片数据,那读一条数据就要这玩意了
    org.apache.hadoop.mapreduce.InputFormat<INKEY,INVALUE> inputFormat =
      (org.apache.hadoop.mapreduce.InputFormat<INKEY,INVALUE>)
        // 在写job配置的时候,其实是可以指定InputFormat哒,默认是TextInputFormat
        ReflectionUtils.newInstance(taskContext.getInputFormatClass(), job);

    // 4、rebuild the input split,每个map都要确定自己往哪个split移动
    org.apache.hadoop.mapreduce.InputSplit split = null;
    // 每个mapper都要搞搞清楚自己要读取哪个split 【计算向数据移动】
    split = getSplitDetails(new Path(splitIndex.getSplitLocation()),
        splitIndex.getStartOffset());

     // 5、input = split + inputFormat (父类是RecordReader)
    org.apache.hadoop.mapreduce.RecordReader<INKEY,INVALUE> input =
      new NewTrackingRecordReader<INKEY,INVALUE>
        // 所以input有能力在split读取出来一条条的记录
        (split, inputFormat, reporter, taskContext);
      // 小总结:3、4、5 三步要做的就是——想个办法在Split中读取一条数据

//--------------------NewTrackingRecordReader()  begin-------------------------------
  private final org.apache.hadoop.mapreduce.RecordReader<K,V> real; 
  NewTrackingRecordReader(...){
                               .....
       // 调用TextInputFormat的createRecordReader,返回一个LineRecordReader对象
       // 所以input就是一个LineRecordReader对象
      this.real = inputFormat.createRecordReader(split, taskContext);
                               .....
    }
//--------------------NewTrackingRecordReader()  end--------------------------------

                  ...........先略过输出这一部分...........

    // 6、上面是任务上下文,这里是map上下文,包含了input、output、split
    org.apache.hadoop.mapreduce.MapContext<INKEY, INVALUE, OUTKEY, OUTVALUE> 
    mapContext = 
      new MapContextImpl<INKEY, INVALUE, OUTKEY, OUTVALUE>(job, getTaskID(), 
          input, output, 
          committer, 
          reporter, split);
   // 7、又对map上下文包装了一层mapperContext,包含了input、output、split
   // 这不就是Mapper类中的run(Context context)的入参嘛 ~!! 
    org.apache.hadoop.mapreduce.Mapper<INKEY,INVALUE,OUTKEY,OUTVALUE>.Context 
        mapperContext = 
          new WrappedMapper<INKEY, INVALUE, OUTKEY, OUTVALUE>().getMapContext(
              mapContext);

//-------------Mapper::run(Context context)  begin ----------------------------------
  public void run(Context context) throws IOException, InterruptedException {
    setup(context);
    try {
        // 从mapper的上下文里判断有无下一条数据
      while (context.nextKeyValue()) {
          // 取出切片中的下一条数据进行计算
        map(context.getCurrentKey(), context.getCurrentValue(), context);
      }
    } finally {
      cleanup(context);
    }
  }
// 从map的上下文信息中是如何获取到一条数据的?LineRecordReader返回的~~ 层层封装真绝了
//-------------Mapper::run(Context context)  end ----------------------------------

现在可以回头看try块中的 input.initialize(split, mapperContext)的方法,进去看方法实现的细节。数据在HDFS层会被切割开,那么它能被计算正确是如何实现的? 在这就有相应的实现代码不复杂,但是有小亮点。

只保留核心业务逻辑,还是该删的删,清清爽爽,开开心心阅读源码 ~

// 记住这是Recordreader的初始化方法 
public void initialize(InputSplit genericSplit,TaskAttemptContext context)  {

      // map任务计算是面向切片的,先拿到切片,再拿到切片的始端
    start = split.getStart();
      // 始端 + 切片大小,得到末端
    end = start + split.getLength();
      // 从切片中拿到文件路径
    final Path file = split.getPath();

    // open the file and seek to the start of the split
      // 获取到文件系统的一个对象
    final FileSystem fs = file.getFileSystem(job);
      //打开文件,会得到一个面向文件的输入流
      // 各个map并行执行,所以不会都是从文件头开始读,所以它要搭配一个seek()方法 
    fileIn = fs.open(file);
      
        if (...) {
           ......
    } else {
       // 每个map 都会seek到自己切片偏移量的位置开始读取数据
      fileIn.seek(start);
       // SplitLineReader:切片里的行记录读取器。这名字一看就很面向对象
      in = new SplitLineReader(fileIn, job, this.recordDelimiterBytes);
      filePosition = fileIn;
    }
    // If this is not the first split, we always throw away first record
    // because we always (except the last split) read one extra line in
    // next() method.
    // 如果这不是第一次拆分,我们总是丢弃第一条记录。
    // 因为我们总是(除了最后一次拆分)在 next() 方法中读取额外的一行。
    // 这就防止了 hello 被拆成了 he llo 导致计算错误
    if (start != 0) {
      start += in.readLine(new Text(), 0, maxBytesToConsume(start));
    }
    this.pos = start;
  }

in.readLine(new Text(), 0, maxBytesToConsume(start)) 这个方法把读到的一行数据交给一个Text对象持有,返回值是一个int类型的数值,表示读到了多少个字节。

注意到方法传参new Text()对象,当方法执行完是时候,这个对象会因为没有引用被GC回收。那么既然没有引用,它在干嘛?

回忆:切片是一个逻辑切分,默认的大小是一个block块的大小。假如一个split小于block ,这个block就会被切成多个部分。如果就是尼玛那么寸, hello 两个切片被拆成了 he llo 两部分,就会导致计算错误。这时候向下多读一行,哎,这个问题就解决啦。

再回头说:计算向数据移动。被多读的一行如果在其它的节点怎么办?答:把这一行数据传过来,不必移动计算。

其实看到这里也就可以明白了,在整个Map的input环节,真正干读取数据活的是LineRecordReaderkey就是面向行的字节偏移量。下边这段代码已经出现多次了

  public void run(Context context) throws IOException, InterruptedException {
    setup(context);
    try {
        // 从mapper的上下文里判断有无下一条数据
      while (context.nextKeyValue()) {
          // 取出切片中的下一条数据进行计算
        map(context.getCurrentKey(), context.getCurrentValue(), context);
      }
    } finally {
      cleanup(context);
    }
  }

通过阅读上边的源码我们已经知道此处传参Context实际上就是一个MapContextImpl对象,context.nextKeyValue()方法也就是在调用LineRecordReader::nextKeyValue()方法。这个方法内部:会对key-value进行赋值,返回boolean值,代表是否赋值成功。总体下来可以说是感觉非常的丝滑~

总结:(我自己能看懂就行了~)

MapTask:input -> map -> output

intput:(Split + format)来自于输入格式化类返回记录读取器对象

TextInputFormat - > LineRecordReader:

Split三个维度:file , offset , length

init():in = fs.open(file).seek。除了第一个切片,都会往下多读一行。

nextKeyValue():

1、读取数据中的一条记录对应的key,value 赋值;

2、返回布尔值;

getCurrentKey()

getCurrentValue()

posted @ 2021-06-10 18:30  Simon-Lau  阅读(88)  评论(0编辑  收藏  举报