Mapreduce执行过程分析(基于Hadoop2.4)—

4.4 Reduce类

4.4.1 Reduce介绍

整完了Map，接下来就是Reduce了。YarnChild.main()—>ReduceTask.run()。ReduceTask.run方法开始和MapTask类似，包括initialize()初始化，根据情况看是否调用runJobCleanupTask()，runTaskCleanupTask()等。之后进入正式的工作，主要有这么三个步骤：Copy、Sort、Reduce。

4.4.2 Copy

Copy就是从执行各个Map任务的节点获取map的输出文件。这是由ReduceTask.ReduceCopier 类来负责。ReduceCopier对象负责将Map函数的输出拷贝至Reduce所在机器。如果大小超过一定阈值就写到磁盘，否则放入内存，在远程拷贝数据的同时，Reduce Task启动了两个后台线程对内存和磁盘上的文件进行合并，防止内存使用过多和磁盘文件过多。

Step1:

首先在ReduceTask的run方法中，通过如下配置来mapreduce.job.reduce.shuffle.consumer.plugin.class装配shuffle的plugin。默认的实现是Shuffle类：

1     Class<? extends ShuffleConsumerPlugin> clazz = job.getClass(MRConfig.SHUFFLE_CONSUMER_PLUGIN, Shuffle.class, ShuffleConsumerPlugin.class);

7     shuffleConsumerPlugin = ReflectionUtils.newInstance(clazz, job);

9     LOG.info("Using ShuffleConsumerPlugin: " + shuffleConsumerPlugin);

Step2:

初始化上述的plugin后，执行其run方法，得到RawKeyValueIterator的实例。

run方法的执行步骤如下：

Step2.1：

量化Reduce的事件数目：

1     int eventsPerReducer = Math.max(MIN_EVENTS_TO_FETCH, MAX_RPC_OUTSTANDING_EVENTS / jobConf.getNumReduceTasks());

3     int maxEventsToFetch = Math.min(MAX_EVENTS_TO_FETCH, eventsPerReducer);

Step2.2：

生成map的完成状态获取线程，并启动此线程：

 final EventFetcher<K,V> eventFetcher = new EventFetcher<K,V>(reduceId, umbilical, scheduler, this, maxEventsToFetch);

  eventFetcher.start();

获取已经完成的Map信息，如Map的host、mapId等放入ShuffleSchedulerImpl中的Set<MapHost>中便于下面进行数据的拷贝传输。

1       URI u = getBaseURI(reduceId, event.getTaskTrackerHttp());

3       addKnownMapOutput(u.getHost() + ":" + u.getPort(),

5           u.toString(),

7           event.getTaskAttemptId());

9       maxMapRuntime = Math.max(maxMapRuntime, event.getTaskRunTime());

Step2.3：

在Shuffle类中启动初始化Fetcher线程组，并启动：

 1     boolean isLocal = localMapFiles != null;

 2

 3     final int numFetchers = isLocal ? 1 :

 4

 5       jobConf.getInt(MRJobConfig.SHUFFLE_PARALLEL_COPIES, 5);

 6

 7     Fetcher<K,V>[] fetchers = new Fetcher[numFetchers];

 8

 9     if (isLocal) {

10

11       fetchers[0] = new LocalFetcher<K, V>(jobConf, reduceId, scheduler,

12

13           merger, reporter, metrics, this, reduceTask.getShuffleSecret(),

14

15           localMapFiles);

16

17       fetchers[0].start();

18

19     } else {

20

21       for (int i=0; i < numFetchers; ++i) {

22

23         fetchers[i] = new Fetcher<K,V>(jobConf, reduceId, scheduler, merger,

24

25                                        reporter, metrics, this,

26

27                                        reduceTask.getShuffleSecret());

28

29         fetchers[i].start();

30

31       }

32

33     }

线程的run方法就是进行数据的远程拷贝：

 1     try {

 3           // If merge is on, block

 5           merger.waitForResource();

 8

 9           // Get a host to shuffle from

11           host = scheduler.getHost();

13           metrics.threadBusy();

17           // Shuffle

19           copyFromHost(host);

21         } finally {

23           if (host != null) {

25             scheduler.freeHost(host);

27             metrics.threadFree();

29           }

31         }

Step2.4：

来看下这个copyFromHost方法。主要是就是使用HttpURLConnection，实现远程数据的传输。

建立连接之后，从接收到的Stream流中读取数据。每次读取一个map文件。

1     TaskAttemptID[] failedTasks = null;

2

3       while (!remaining.isEmpty() && failedTasks == null) {

4

5         failedTasks = copyMapOutput(host, input, remaining);

6

7       }

上面的copyMapOutput方法中，每次读取一个mapid,根据MergeManagerImpl中的reserve函数，检查map的输出是否超过了mapreduce.reduce.memory.totalbytes配置的大小，此配置的默认值

是当前Runtime的maxMemory*mapreduce.reduce.shuffle.input.buffer.percent配置的值，Buffer.percent的默认值为0.90。

如果mapoutput超过了此配置的大小时,生成一个OnDiskMapOutput实例。在接下来的操作中，map的输出写入到local临时文件中。

如果没有超过此大小，生成一个InMemoryMapOutput实例。在接下来操作中，直接把map输出写入到内存。

最后，执行ShuffleScheduler.copySucceeded完成文件的copy,调用mapout.commit函数，更新状态或者触发merge操作。

Step2.5：

等待上面所有的拷贝完成之后，关闭相关的线程。

 1    eventFetcher.shutDown();

 2

 3     // Stop the map-output fetcher threads

 4     for (Fetcher<K,V> fetcher : fetchers) {

 5       fetcher.shutDown();

 6     }

 7

 8     // stop the scheduler

 9     scheduler.close();

10

11     copyPhase.complete(); // copy is already complete

12     taskStatus.setPhase(TaskStatus.Phase.SORT);

13     reduceTask.statusUpdate(umbilical);

Step2.6：

执行最终的merge操作，由Shuffle中的MergeManager完成：

 1 public RawKeyValueIterator close() throws Throwable {

 2

 3     // Wait for on-going merges to complete

 4

 5     if (memToMemMerger != null) {

 6

 7       memToMemMerger.close();

 8

 9     }

10

11     inMemoryMerger.close();

12

13     onDiskMerger.close();

14

15

16

17     List<InMemoryMapOutput<K, V>> memory =

18

19       new ArrayList<InMemoryMapOutput<K, V>>(inMemoryMergedMapOutputs);

20

21     inMemoryMergedMapOutputs.clear();

22

23     memory.addAll(inMemoryMapOutputs);

24

25     inMemoryMapOutputs.clear();

26

27     List<CompressAwarePath> disk = new ArrayList<CompressAwarePath>(onDiskMapOutputs);

28

29     onDiskMapOutputs.clear();

30

31     return finalMerge(jobConf, rfs, memory, disk);

32

33   }

Step3:

释放资源。

mapOutputFilesOnDisk.clear();

Copy完毕。

4.4.3 Sort

Sort(其实相当于合并)就相当于排序工作的一个延续，它会在所有的文件都拷贝完毕后进行。使用工具类Merger归并所有的文件。经过此过程后，会产生一个合并了所有(所有并不准确)Map任务输出文件的新文件,而那些从其他各个服务器搞过来的 Map任务输出文件会删除。根据hadoop是否分布式来决定调用哪种排序方式。

在上面的4.3.2节中的Step2.4结束之后就会触发此操作。

4.4.4 Reduce

经过上面的步骤之后，回到ReduceTask中的run方法继续往下执行，调用runNewReducer。创建reducer：

1 org.apache.hadoop.mapreduce.Reducer<INKEY,INVALUE,OUTKEY,OUTVALUE> reducer =

2

3       (org.apache.hadoop.mapreduce.Reducer<INKEY,INVALUE,OUTKEY,OUTVALUE>)

4

5         ReflectionUtils.newInstance(taskContext.getReducerClass(), job);

并执行其run方法，此run方法就是我们的org.apache.hadoop.mapreduce.Reducer中的run方法。

 1 public void run(Context context) throws IOException, InterruptedException {

 2

 3     setup(context);

 4

 5     try {

 6

 7       while (context.nextKey()) {

 8

 9         reduce(context.getCurrentKey(), context.getValues(), context);

10

11         // If a back up store is used, reset it

12

13         Iterator<VALUEIN> iter = context.getValues().iterator();

14

15         if(iter instanceof ReduceContext.ValueIterator) {

16

17           ((ReduceContext.ValueIterator<VALUEIN>)iter).resetBackupStore();

18

19         }

20

21       }

22

23     } finally {

24

25       cleanup(context);

26

27     }

28

29   }

30

31 }

while的循环条件是ReduceContext.nextKey()为真，这个方法就在ReduceContext中实现的，这个方法的目的就是处理下一个唯一的key，因为reduce方法的输入数据是分组的，所以每次都会处理一个key及这个key对应的所有value，又因为已经将所有的Map Task的输出拷贝过来而且做了排序，所以key相同的KV对都是挨着的。

    nextKey方法中，又会调用nextKeyValue方法来尝试去获取下一个key值，并且如果没数据了就会返回false，如果还有数据就返回true。防止获取重复的数据就在这里做的处理。

接下来就是调用用户自定义的reduce方法了。

 1 public void reduce(Text key, Iterable<IntWritable> values,

 2

 3                        Context context

 4

 5                        ) throws IOException, InterruptedException {

 6

 7       int sum = 0;

 8

 9       for (IntWritable val : values) {

10

11         sum += val.get();

12

13       }

14

15       result.set(sum);

16

17       context.write(key, result);

18

19     }

-------------------------------------------------------------------------------

如果您看了本篇博客,觉得对您有所收获，请点击右下角的 [推荐]

如果您想转载本博客，请注明出处

如果您对本文有意见或者建议，欢迎留言

感谢您的阅读，请关注我的后续博客

巴特西

Mapreduce执行过程分析(基于Hadoop2.4)——(三)

4.4 Reduce类

4.4.1 Reduce介绍

4.4.2 Copy

4.4.3 Sort

4.4.4 Reduce

最新文章

热门文章