上篇我刚刚学习完。Spilt的过程，还算比較简单的了，接下来学习的就是Map操作的过程了，Map和Reduce一样。是整个MapReduce的重要内容，所以。这一篇，我会好好的讲讲里面的内部实现过程。首先要说，MapTask。分为4种，可能这一点上有人就可能知道了，各自是Job-setup Task，Job-cleanup Task。Task-cleanup和Map Task。前面3个都是辅助性质的任务。不是本文分析的重点，我讲的就是里面的最最重要的MapTask。
MapTask的整个过程分为5个阶段:
Read----->Map------>Collect------->Spill------>Combine
来张时序图。简单明了:
watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvQW5kcm9pZGx1c2hhbmdkZXJlbg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center" alt="">
在后面的代码分析中。你会看到各自方法的调用过程。
在分析整个过程之前。得先了解里面的一些内部结构，MapTask类作为Map Task的一个载体。他的类关系例如以下:
我们调用的就是里面的run方法，开启map任务，对应的代码:
/**
* mapTask主要运行流程
*/
@Override
public void run(final JobConf job, final TaskUmbilicalProtocol umbilical)
throws IOException, ClassNotFoundException, InterruptedException {
this.umbilical = umbilical; // start thread that will handle communication with parent
//发送task任务报告。与父进程做交流
TaskReporter reporter = new TaskReporter(getProgress(), umbilical,
jvmContext);
reporter.startCommunicationThread();
//推断用的是新的MapReduceAPI还是旧的API
boolean useNewApi = job.getUseNewMapper();
initialize(job, getJobID(), reporter, useNewApi); // check if it is a cleanupJobTask
//map任务有4种。Job-setup Task, Job-cleanup Task, Task-cleanup Task和MapTask
if (jobCleanup) {
//这里运行的是Job-cleanup Task
runJobCleanupTask(umbilical, reporter);
return;
}
if (jobSetup) {
//这里运行的是Job-setup Task
runJobSetupTask(umbilical, reporter);
return;
}
if (taskCleanup) {
//这里运行的是Task-cleanup Task
runTaskCleanupTask(umbilical, reporter);
return;
} //假设前面3个任务都不是，运行的就是最基本的MapTask,依据新老API调用不同的方法
if (useNewApi) {
runNewMapper(job, splitMetaInfo, umbilical, reporter);
} else {
//我们关注一下老的方法实现splitMetaInfo为Spilt分片的信息。因为上步骤的InputFormat过程传入的
runOldMapper(job, splitMetaInfo, umbilical, reporter);
}
done(umbilical, reporter);
}
在这里我研究的都是旧的API所以往runOldMapper里面跳。
在这里我要插入一句，后面的运行都会环绕着一个叫Mapper的东西，就是用户运行map函数的一个代理称呼一样，他能够全然自己重写map的背后的过程，也能够用系统自带的mapp流程。
系统已经给了MapRunner的详细实现:
public void run(RecordReader<K1, V1> input, OutputCollector<K2, V2> output,
Reporter reporter)
throws IOException {
try {
// allocate key & value instances that are re-used for all entries
K1 key = input.createKey();
V1 value = input.createValue(); //从RecordReader中获取每一个键值对，调用用户写的map函数
while (input.next(key, value)) {
// map pair to output
//调用用户写的map函数
mapper.map(key, value, output, reporter);
if(incrProcCount) {
reporter.incrCounter(SkipBadRecords.COUNTER_GROUP,
SkipBadRecords.COUNTER_MAP_PROCESSED_RECORDS, 1);
}
}
} finally {
//结束了关闭mapper
mapper.close();
}
}
从这里我们能够看出Map的过程就是迭代式的反复的运行用户定义的Map函数操作。好了，有了这些前提，我们能够往里深入的学习了刚刚说到了runOldMapper方法，里面立即要进行的就是Map Task的第一个过程Read。
Read阶段的作业就是从RecordReader中读取出一个个key-value，准备给后面的map过程运行map函数操作。
//获取输入inputSplit信息
InputSplit inputSplit = getSplitDetails(new Path(splitIndex.getSplitLocation()),
splitIndex.getStartOffset()); updateJobWithSplit(job, inputSplit);
reporter.setInputSplit(inputSplit); //是否是跳过错误记录模式,获取RecordReader
RecordReader<INKEY,INVALUE> in = isSkipping() ?
new SkippingRecordReader<INKEY,INVALUE>(inputSplit, umbilical, reporter) :
new TrackedRecordReader<INKEY,INVALUE>(inputSplit, job, reporter);
后面的就是Map阶段。把值取出来之后。就要给Mapper去运行里面的run方法了，run方法里面会调用用户自己实现的map函数。之前也都是分析过了的。
在用户编写的map的尾部，通常会调用collect.collect()方法，把处理后的key-value输出，这个时候，也就来到了collect阶段。
runner.run(in, new OldOutputCollector(collector, conf), reporter);
之后进行的是Collect阶段基本的操作时什么呢，就是把一堆堆的key-value进行分区输出到环形缓冲区中。这是的数据只放在内存中。还没有写到磁盘中。在collect这个过程中涉及的东西还比較多，看一下结构关系图；
watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvQW5kcm9pZGx1c2hhbmdkZXJlbg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center" alt="">
里面有个partitioner的成员变量，专门用于获取key-value的的分区号。默认是通过key的哈希取模运算。得到分区号的，当然你能够自己定义实现，假设不分区的话partition就是等于-1。
/**
* Since the mapred and mapreduce Partitioners don't share a common interface
* (JobConfigurable is deprecated and a subtype of mapred.Partitioner), the
* partitioner lives in Old/NewOutputCollector. Note that, for map-only jobs,
* the configured partitioner should not be called. It's common for
* partitioners to compute a result mod numReduces, which causes a div0 error
*/
private static class OldOutputCollector<K,V> implements OutputCollector<K,V> {
private final Partitioner<K,V> partitioner;
private final MapOutputCollector<K,V> collector;
private final int numPartitions; @SuppressWarnings("unchecked")
OldOutputCollector(MapOutputCollector<K,V> collector, JobConf conf) {
numPartitions = conf.getNumReduceTasks();
if (numPartitions > 0) {
//假设分区数大于0,则反射获取系统配置方法，默认哈希去模。用户能够自己实现字节的分区方法
//由于是RPC传来的，所以採用反射
partitioner = (Partitioner<K,V>)
ReflectionUtils.newInstance(conf.getPartitionerClass(), conf);
} else {
//假设分区数为0。说明不进行分区
partitioner = new Partitioner<K,V>() {
@Override
public void configure(JobConf job) { }
@Override
public int getPartition(K key, V value, int numPartitions) {
//分区号直接返回-1代表不分区处理
return -1;
}
};
}
this.collector = collector;
}
.....
collect的代理调用实现方法例如以下，注意此时还不是真正调用:
.....
@Override
public void collect(K key, V value) throws IOException {
try {
//详细通过collect方法分区写入内存。调用partitioner.getPartition获取分区号
//缓冲区为环形缓冲区
collector.collect(key, value,
partitioner.getPartition(key, value, numPartitions));
} catch (InterruptedException ie) {
Thread.currentThread().interrupt();
throw new IOException("interrupt exception", ie);
}
}
这里的collector指的是上面代码中的MapOutputCollector对象。开放给用调用的是OldOutputCollector，可是我们看看代码:
interface MapOutputCollector<K, V> {
public void collect(K key, V value, int partition
) throws IOException, InterruptedException;
public void close() throws IOException, InterruptedException;
public void flush() throws IOException, InterruptedException,
ClassNotFoundException;
}
他仅仅是一个接口，真正的实现是谁呢?这个时候应该回头看一下代码:
private <INKEY,INVALUE,OUTKEY,OUTVALUE>
void runOldMapper(final JobConf job,
final TaskSplitIndex splitIndex,
final TaskUmbilicalProtocol umbilical,
TaskReporter reporter
) throws IOException, InterruptedException,
ClassNotFoundException {
...
int numReduceTasks = conf.getNumReduceTasks();
LOG.info("numReduceTasks: " + numReduceTasks);
MapOutputCollector collector = null;
if (numReduceTasks > 0) {
//假设存在ReduceTask，则将数据存入MapOutputBuffer环形缓冲
collector = new MapOutputBuffer(umbilical, job, reporter);
} else {
//假设没有ReduceTask任务的存在，直接写入把操作结果写入HDFS作为终于结果
collector = new DirectMapOutputCollector(umbilical, job, reporter);
}
MapRunnable<INKEY,INVALUE,OUTKEY,OUTVALUE> runner =
ReflectionUtils.newInstance(job.getMapRunnerClass(), job); try {
runner.run(in, new OldOutputCollector(collector, conf), reporter);
.....
分为2种情况当有Reduce任务时。collector为MapOutputBuffer，没有Reduce任务时为DirectMapOutputCollector。从这里也能明确。作者考虑的非常周全呢，没有Reduce直接写入HDFS，效率会高非常多。
也就是说。终于的collect方法就是MapOutputBuffer的方法了。
由于collect的操作时将数据存入环形缓冲区，这意味着。用户对数据的读写都是在同个缓冲区上的，所以为了避免出现脏数据的现象，一定会做额外处理。这里作者用了和BlockingQueue类似的操作，用一个ReetrantLocj，获取2个锁控制条件，一个为spillDone
，一个为spillReady。同个condition的await，signal方法实现丢缓冲区的读写控制。
.....
private final ReentrantLock spillLock = new ReentrantLock();
private final Condition spillDone = spillLock.newCondition();
private final Condition spillReady = spillLock.newCondition();
.....
然后看collect的方法:
public synchronized void collect(K key, V value, int partition
) throws IOException {
.....
try {
// serialize key bytes into buffer
int keystart = bufindex;
keySerializer.serialize(key);
if (bufindex < keystart) {
// wrapped the key; reset required
bb.reset();
keystart = 0;
}
// serialize value bytes into buffer
final int valstart = bufindex;
valSerializer.serialize(value);
int valend = bb.markRecord(); if (partition < 0 || partition >= partitions) {
throw new IOException("Illegal partition for " + key + " (" +
partition + ")");
}
....
至于环形缓冲区的结构。不是本文的重点，结构设计还是比較复杂的。大家能够自行学习。当环形缓冲区内的数据渐渐地被填满之后，会出现"溢写"操作，就是把缓冲中的数据写到磁盘DISK中。这个过程就是后面的Spill阶段了。
Spill的阶段会时不时的穿插在collect的运行过程中。
...
if (kvstart == kvend && kvsoftlimit) {
LOG.info("Spilling map output: record full = " + kvsoftlimit);
startSpill();
}
假设开头kvstart的位置等kvend的位置，说明转了一圈有到头了。数据已经满了的状态，開始spill溢写操作。
private synchronized void startSpill() {
LOG.info("bufstart = " + bufstart + "; bufend = " + bufmark +
"; bufvoid = " + bufvoid);
LOG.info("kvstart = " + kvstart + "; kvend = " + kvindex +
"; length = " + kvoffsets.length);
kvend = kvindex;
bufend = bufmark;
spillReady.signal();
}
会触发condition的信号量操作:
private synchronized void startSpill() {
LOG.info("bufstart = " + bufstart + "; bufend = " + bufmark +
"; bufvoid = " + bufvoid);
LOG.info("kvstart = " + kvstart + "; kvend = " + kvindex +
"; length = " + kvoffsets.length);
kvend = kvindex;
bufend = bufmark;
spillReady.signal();
}
就会跑到了SpillThead这个地方运行sortAndSpill方法：
spillThreadRunning = true;
try {
while (true) {
spillDone.signal();
while (kvstart == kvend) {
spillReady.await();
}
try {
spillLock.unlock();
//当缓冲区溢出时，写到磁盘中
sortAndSpill();
sortAndSpill里面会对数据做写入文件操作写入之前还会有sort排序操作。数据多了还会进行一定的combine合并操作。
private void sortAndSpill() throws IOException, ClassNotFoundException,
InterruptedException {
......
try {
// create spill file
final SpillRecord spillRec = new SpillRecord(partitions);
final Path filename =
mapOutputFile.getSpillFileForWrite(numSpills, size);
out = rfs.create(filename); final int endPosition = (kvend > kvstart)
? kvend
: kvoffsets.length + kvend;
//在写入操作前进行排序操作
sorter.sort(MapOutputBuffer.this, kvstart, endPosition, reporter);
int spindex = kvstart;
IndexRecord rec = new IndexRecord();
InMemValBytes value = new InMemValBytes();
for (int i = 0; i < partitions; ++i) {
IFile.Writer<K, V> writer = null;
try {
long segmentStart = out.getPos();
writer = new Writer<K, V>(job, out, keyClass, valClass, codec,
spilledRecordsCounter);
if (combinerRunner == null) {
// spill directly
DataInputBuffer key = new DataInputBuffer();
while (spindex < endPosition &&
kvindices[kvoffsets[spindex % kvoffsets.length]
+ PARTITION] == i) {
final int kvoff = kvoffsets[spindex % kvoffsets.length];
getVBytesForOffset(kvoff, value);
key.reset(kvbuffer, kvindices[kvoff + KEYSTART],
(kvindices[kvoff + VALSTART] -
kvindices[kvoff + KEYSTART]));
//writer中写入键值对操作
writer.append(key, value);
++spindex;
}
} else {
int spstart = spindex;
while (spindex < endPosition &&
kvindices[kvoffsets[spindex % kvoffsets.length]
+ PARTITION] == i) {
++spindex;
}
// Note: we would like to avoid the combiner if we've fewer
// than some threshold of records for a partition
//假设分区多的话，运行合并操作
if (spstart != spindex) {
combineCollector.setWriter(writer);
RawKeyValueIterator kvIter =
new MRResultIterator(spstart, spindex);
//运行一次文件合并combine操作
combinerRunner.combine(kvIter, combineCollector);
}
} ......
//写入到文件里
spillRec.writeToFile(indexFilename, job);
} else {
indexCacheList.add(spillRec);
totalIndexCacheMemory +=
spillRec.size() * MAP_OUTPUT_INDEX_RECORD_LENGTH;
}
LOG.info("Finished spill " + numSpills);
++numSpills;
} finally {
if (out != null) out.close();
}
}
每次Spill的过程都会产生一堆堆的文件，在最后的时候就会来到了Combine阶段。也就是Map任务的最后一个阶段了，他的任务就是把全部上一阶段的任务产生的文件进行Merge操作，合并成一个文件，便于后面的Reduce的任务的读取，在代码的相应实现中是collect.flush()方法。
.....
try {
runner.run(in, new OldOutputCollector(collector, conf), reporter);
//将collector中的数据刷新到内存中去
collector.flush();
} finally {
//close
in.close(); // close input
collector.close();
}
}
这里的collector的flush方法调用的就是MapOutputBuffer.flush方法，
public synchronized void flush() throws IOException, ClassNotFoundException,
InterruptedException {
...
// shut down spill thread and wait for it to exit. Since the preceding
// ensures that it is finished with its work (and sortAndSpill did not
// throw), we elect to use an interrupt instead of setting a flag.
// Spilling simultaneously from this thread while the spill thread
// finishes its work might be both a useful way to extend this and also
// sufficient motivation for the latter approach.
try {
spillThread.interrupt();
spillThread.join();
} catch (InterruptedException e) {
throw (IOException)new IOException("Spill failed"
).initCause(e);
}
// release sort buffer before the merge
kvbuffer = null;
//最后进行merge合并成一个文件
mergeParts();
Path outputPath = mapOutputFile.getOutputFile();
fileOutputByteCounter.increment(rfs.getFileStatus(outputPath).getLen());
}
至此，Map任务宣告结束了。总体流程还是真是有点九曲十八弯的感觉。
分析这么一个比較庞杂的过程，我一直在想怎样更好的表达出我的想法。欢迎MapReduce的学习者，提出意见，共同学习