IT博客汇 | MapReduce V1：Job提交流程之JobTracker端分析

MapReduce V1：Job提交流程之JobTracker端分析

Yanjun发表于 2015-10-17 09:34:37

我们基于Hadoop 1.2.1源码分析MapReduce V1的处理流程。MapReduce V1实现中，主要存在3个主要的分布式进程（角色）：JobClient、JobTracker和TaskTracker，我们主要是以这三个角色的实际处理活动为主线，并结合源码，分析实际处理流程。
上一篇我们分析了Job提交过程中JobClient端的处理流程（详见文章 MapReduce V1：Job提交流程之JobClient端分析），这里我们继续详细分析Job提交在JobTracker端的具体流程。通过阅读源码可以发现，这部分的处理逻辑还是有点复杂，经过我们梳理，更加细化清晰的流程，如下图所示：
mr-v1-job-submission-jobtracker
上图中主要分为两大部分：一部分是JobClient基于RPC调用提交Job到JobTracker后，在JobTracker端触发TaskScheduler所注册的一系列Listener进行Job信息初始化；另一部分是JobTracker端监听Job队列的线程，监听到Job状态发生变更触发一系列Listener更新状态。我们从这两个方面展开分析：

JobTracker接收Job提交

JobTracker接收到JobClient提交的Job，在JobTracker端具体执行流程，描述如下：

JobClient基于JobSubmissionProtocol协议远程调用JobTracker的submitJob方法提交Job
JobTracker接收提交的Job，创建一个JobInProgress对象，将其放入内部维护的Map<JobID, JobInProgress> jobs队列中
触发JobQueueJobInProgressListener
执行JobQueueJobInProgressListener的jobAdded方法，创建JobSchedulingInfo对象，并放入到JobQueueJobInProgressListener内部维护的Map<JobSchedulingInfo, JobInProgress> jobQueue队列中
触发EagerTaskInitializationListener
执行EagerTaskInitializationListener的jobAdded方法，将JobInProgress对象加入到List<JobInProgress> jobInitQueue队列中

在JobTracker端使用TaskScheduler进行Job/Task的调度，可以通过mapred.jobtracker.taskScheduler配置所使用的TaskScheduler实现类，默认使用的实现类JobQueueTaskScheduler，如下所示：

    // Create the scheduler
    Class<? extends TaskScheduler> schedulerClass
      = conf.getClass("mapred.jobtracker.taskScheduler", JobQueueTaskScheduler.class, TaskScheduler.class);
    taskScheduler = (TaskScheduler) ReflectionUtils.newInstance(schedulerClass, conf);

如果想要使用其他的TaskScheduler实现，可以在mapred-site.xml中配置mapred.jobtracker.taskScheduler的属性值，覆盖默认的调度策略即可。
在JobQueueTaskScheduler实现类中，注册了2个JobInProgressListener，JobInProgressListener是用来监听由JobClient端提交后在JobTracker端Job（在JobTracker端维护的JobInProgress）生命周期变化，并触发相应事件（jobAdded/jobUpdated/jobRemoved）的，如下所示：

  protected JobQueueJobInProgressListener jobQueueJobInProgressListener;
  protected EagerTaskInitializationListener eagerTaskInitializationListener;
  private float padFraction;
 
  public JobQueueTaskScheduler() {
    this.jobQueueJobInProgressListener = new JobQueueJobInProgressListener();
  }
 
  @Override
  public synchronized void start() throws IOException {
    super.start();
    taskTrackerManager.addJobInProgressListener(jobQueueJobInProgressListener); // taskTrackerManager是JobTracker的引用
    eagerTaskInitializationListener.setTaskTrackerManager(taskTrackerManager);
    eagerTaskInitializationListener.start();
    taskTrackerManager.addJobInProgressListener(eagerTaskInitializationListener);
  }

JobTracker维护一个List<JobInProgressListener> jobInProgressListeners队列，在TaskScheduler（默认JobQueueTaskScheduler ）启动的时候向JobTracker注册。在JobClient提交Job后，在JobTracker段创建一个对应的JobInProgress对象，并将其放入到jobs队列后，触发这一组JobInProgressListener的jobAdded方法。

JobTracker管理Job提交

JobTracker接收到提交的Job后，需要对提交的Job进行初始化操作，具体流程如下所示：

EagerTaskInitializationListener.JobInitManager线程监控EagerTaskInitializationListener内部的List<JobInProgress> jobInitQueue队列
加载一个EagerTaskInitializationListener.InitJob线程去初始化Job
在EagerTaskInitializationListener.InitJob线程中，调用JobTracker的initJob方法初始化Job
调用JobInProgress的initTasks方法初始化该Job对应的Tasks
从HDFS读取该Job对应的splits信息，创建MapTask和ReduceTask（在JobTracker端维护的Task实际上是TaskInProgress）
Job状态变更，触发JobQueueJobInProgressListener
如果Job优先级（Priority）/开始时间发生变更，则对Map<JobSchedulingInfo, JobInProgress> jobQueue队列进行重新排序；如果Job完成，则将Job从jobQueue队列中移除
Job状态变更，触发EagerTaskInitializationListener
如果Job优先级（Priority）/开始时间发生变更，则对List<JobInProgress> jobInitQueue队列进行重新排序

下面，我们分析的Job初始化，以及Task初始化，都是在JobTracker端执行的工作，主要是为了管理Job和Task的运行，创建了对应的数据结构，Job对应JobInProgress，Task对应TaskInProgress。我们分析说明如下：

Job初始化

JobTracker接收到JobClient提交的Job，在放到JobTracker的Map<JobID, JobInProgress> jobs队列后，触发2个JobInProgressListener执行jobAdded方法，首先会放到EagerTaskInitializationListener的List<JobInProgress> jobInitQueue队列中。在EagerTaskInitializationListener内部，有一个内部线程类JobInitManager在监控jobInitQueue队列，如果有新的JobInProgress对象加入到队列，则取出并启动一个新的初始化线程InitJob去初始化该Job，代码如下所示：

  class JobInitManager implements Runnable {
  
    public void run() {
      JobInProgress job = null;
      while (true) {
        try {
          synchronized (jobInitQueue) {
            while (jobInitQueue.isEmpty()) {
              jobInitQueue.wait();
            }
            job = jobInitQueue.remove(0); // 取出JobInProgress
          }
          threadPool.execute(new InitJob(job)); // 创建一个InitJob线程去初始化该JobInProgress
        } catch (InterruptedException t) {
          LOG.info("JobInitManagerThread interrupted.");
          break;
        }
      }
      LOG.info("Shutting down thread pool");
      threadPool.shutdownNow();
    }
  }

然后，在InitJob线程中，调用JobTracker的initJob方法初始化Job，如下所示：

  class InitJob implements Runnable {
 
    private JobInProgress job;
   
    public InitJob(JobInProgress job) {
      this.job = job;
    }
   
    public void run() {
      ttm.initJob(job); // TaskTrackerManager ttm，调用JobTracker的initJob方法初始化
    }
  }

JobTracker中的initJob方法的主要逻辑，如下所示：

      JobStatus prevStatus = (JobStatus)job.getStatus().clone();
      LOG.info("Initializing " + job.getJobID());
      job.initTasks(); // 调用JobInProgress的initTasks方法初始化Task
      // Inform the listeners if the job state has changed
      // Note : that the job will be in PREP state.
      JobStatus newStatus = (JobStatus)job.getStatus().clone();
      if (prevStatus.getRunState() != newStatus.getRunState()) {
        JobStatusChangeEvent event =
          new JobStatusChangeEvent(job, EventType.RUN_STATE_CHANGED, prevStatus,
              newStatus);
        synchronized (JobTracker.this) {
          updateJobInProgressListeners(event); // 更新Job相关队列的状态
        }
      }

实际上，在JobTracker中的initJob方法中最核心的逻辑，就是初始化组成该Job的MapTask和ReduceTask，它们在JobTracker端都抽象为TaskInProgress。

初始化Task

在JobClient提交Job的过程中，已经将该Job所对应的资源复制到HDFS，在JobTracker端需要读取这些信息来创建MapTask和ReduceTask。我们回顾一下：默认情况下，split和对应的元数据存储路径分别为/tmp/hadoop/mapred/staging/${user}/.staging/${jobid}/job.split和/tmp/hadoop/mapred/staging/${user}/.staging/${jobid}/job.splitmetainfo，在创建MapTask和ReduceTask只需要split的元数据信息即可，我们看一下job.splitmetainfo文件存储的数据格式如下图所示：
job-split-metainfo
上图中，META_SPLIT_FILE_HEADER的值为META-SPL，版本version的值为1，numSplits的值根据实际Job输入split大小计算的到，SplitMetaInfo包括的信息为split所存放的节点位置个数、所有的节点位置信息、split在文件中的起始偏移量、split数据的长度。有了这些描述信息，JobTracker就可以知道一个Job需要创建几个MapTask，实现代码如下所示：

    TaskSplitMetaInfo[] splits = createSplits(jobId);
...
    numMapTasks = splits.length;
...
    maps = new TaskInProgress[numMapTasks]; // MapTask在JobTracker的表示为TaskInProgress
    for(int i=0; i < numMapTasks; ++i) {
      inputLength += splits[i].getInputDataLength();
      maps[i] = new TaskInProgress(jobId, jobFile, splits[i], jobtracker, conf, this, i, numSlotsPerMap);
    }

而ReduceTask的个数，根据用户在配置Job时指定的Reduce的个数，创建ReduceTask的代码，如下所示：

    //
    // Create reduce tasks
    //
    this.reduces = new TaskInProgress[numReduceTasks];
    for (int i = 0; i < numReduceTasks; i++) {
      reduces[i] = new TaskInProgress(jobId, jobFile, numMapTasks, i, jobtracker, conf, this, numSlotsPerReduce);
      nonRunningReduces.add(reduces[i]);
    }

除了创建MapTask和ReduceTask之外，还会创建setup和cleanup task，每个Job的MapTask和ReduceTask各对应一个，即共计2个setup task和2个cleanup task。setup task用来初始化MapTask/ReduceTask，而cleanup task用来清理MapTask/ReduceTask。创建setup和cleanup task，代码如下所示：

    // create cleanup two cleanup tips, one map and one reduce.
    cleanup = new TaskInProgress[2]; // cleanup task，map对应一个，reduce对应一个

    // cleanup map tip. This map doesn't use any splits. Just assign an empty split.
    TaskSplitMetaInfo emptySplit = JobSplit.EMPTY_TASK_SPLIT;
    cleanup[0] = new TaskInProgress(jobId, jobFile, emptySplit, jobtracker, conf, this, numMapTasks, 1);
    cleanup[0].setJobCleanupTask();

    // cleanup reduce tip.
    cleanup[1] = new TaskInProgress(jobId, jobFile, numMapTasks, numReduceTasks, jobtracker, conf, this, 1);
    cleanup[1].setJobCleanupTask();

    // create two setup tips, one map and one reduce.
    setup = new TaskInProgress[2]; // setup task，map对应一个，reduce对应一个

    // setup map tip. This map doesn't use any split. Just assign an empty split.
    setup[0] = new TaskInProgress(jobId, jobFile, emptySplit, jobtracker, conf, this, numMapTasks + 1, 1);
    setup[0].setJobSetupTask();

    // setup reduce tip.
    setup[1] = new TaskInProgress(jobId, jobFile, numMapTasks, numReduceTasks + 1, jobtracker, conf, this, 1);
    setup[1].setJobSetupTask();

一个Job在JobInProgress中进行初始化Task，这里初始化Task使得该Job满足被调度的要求，比如，知道一个Job有哪些Task组成，每个Task对应哪个split等等。在初始化完成后，置一个Task初始化完成标志，如下所示：

    synchronized(jobInitKillStatus){
      jobInitKillStatus.initDone = true;

      // set this before the throw to make sure cleanup works properly
      tasksInited = true; // 置Task初始化完成标志

      if(jobInitKillStatus.killed) {
        throw new KillInterruptedException("Job " + jobId + " killed in init");
      }
    }

只有在置tasksInited = true;后，该JobInProgress就可以被TaskScheduler进行调度了，调度时，是以Task（MapTask/ReduceTask）为单位分派给TaskTracker。而对于哪些TaskTracker可以运行Task，需要通过TaskTracker向JobTracker周期性发送的心跳得到TaskTracker的健康状况信息、节点资源信息等来确定，是否该Task可以运行一个Job的一个或多个Task。