hadoop源代码组织结构与阅读技巧

本文将介绍在 Eclipse 下阅读 Hadoop 源代码的一些技巧，比如如何查看一个基类有哪些派生类、一个方法被其他哪些方法调用等。

本文地址：http://www.cnblogs.com/archimedes/p/study-hadoop-sourcecode.html，转载请注明源地址。

欢迎关注我的个人博客：www.wuyudong.com, 更多云计算与大数据的精彩文章

1 . 查看一个基类或接口的派生类或实现类

在 Eclipse 中，选中某个基类或接口名称，右击，在弹出的快捷菜单中选择“ Quick Type Hierarchy”，可在新窗口中看到对应的所有派生类或实现类。

例如，打开 src\mapred\ 目录下 org.apache.hadoop.mapred 包中的 InputFormat.java 文件，查看接口 InputFormat 的所有实现类

在 Eclipse 中查看 Hadoop 源代码中接口 InputFormat 的所有实现类

结果如下所示：

2. 查看函数的调用关系

在 Eclipse 中，选中某个方法名称，右击，在弹出的快捷菜单中选择“Open CallHierarchy”，可在窗口“Call Hierarchy” 中看到所有调用该方法的函数。
例如，如图所示，打开src\mapred\ 目录下org.apache.hadoop.mapred 包中的JobTracker.java 文件，查看调用方法 initJob 的所有函数，

在 Eclipse 中查看 Hadoop 源代码中所有调用 JobTracker.java 中 initJob 方法的函数

Eclipse 列出所有调用 initJob 方法的函数

3. 快速查找类对象的相关信息

同前两个技巧类似，选中类对象，右击，在弹出的快捷菜单中选择“ Open Declaration”，可跳转到类定义；选择“ Quick Outline”，可查看类所有的成员变量和成员方法。
这里就不再赘述

4. Hadoop 源代码组织结构

直接解压 Hadoop 压缩包后，可看到图 1 -11 所示的目录结构，

其中，比较重要的目录有 src、 conf、 lib、 bin 等。下面分别介绍这几个目录的作用：
❑ src：Hadoop源代码所在的目录。最核心的代码所在子目录分别是 core、 hdfs 和mapred，它们分别实现了 Hadoop 最重要的三个模块，即基础公共库、 HDFS 实现和MapReduce 实现

❑ conf：配置文件所在目录。 Hadoop 的配置文件比较多，其设计原则可概括为如下两点。
○ 尽可能模块化，即每个重要模块拥有自己的配置文件，这样使得维护以及管理变得简单。
○ 动静分离，即将可动态加载的配置选项剥离出来，组成独立配置文件。比如，Hadoop 1 .0.0 版本之前，作业队列权限管理相关的配置选项被放在配置文件 mapredsite.xml 中，而该文件是不可以动态加载的，每次修改后必须重启 MapReduce。但从 1 .0.0 版本开始，这些配置选项被剥离放到独立配置文件 mapred-queue-acls.xml中，该文件可以通过 Hadoop 命令行动态加载。 conf 目录下最重要的配置文件有core-site.xml、 hdfs-site.xml 和 mapred-site.xml，分别设置了基础公共库 core、分布式文件系统 HDFS 和分布式计算框架 MapReduce 的配置选项。

❑ lib：Hadoop 运行时依赖的三方库，包括编译好的 jar 包以及其他语言生成的动态库。Hadoop 启动或者用户提交作业时，会自动加载这些库。

❑ bin：运行以及管理 Hadoop 集群相关的脚本。这里介绍几个常用的脚本。
○ hadoop：最基本且功能最完备的管理脚本，其他大部分脚本都会调用该脚本。
○ start-all.sh/stop-all.sh：启动 / 停止所有节点上的 HDFS 和 MapReduce 相关服务。
○ start-mapred.sh/stop-mapred.sh：单独启动 / 停止 MapReduce 相关服务。
○ start-dfs.sh/stop-dfs.sh：单独启动 / 停止 HDFS 相关服务。

下面就 Hadoop MapReduce 源代码组织结构进行介绍。 Hadoop MapReduce 源代码组织结构，如图所示：

总体上看， Hadoop MapReduce 分为两部分：一部分是 org.apache.hadoop.mapred.*，这里面主要包含旧的对外编程接口以及 MapReduce 各个服务（ JobTracker 以及 TaskTracker）的实现；另一部分是 org.apache.hadoop.mapreduce.*，主要内容涉及新版本的对外编程接口以及一些新特性（比如 MapReduce 安全）。

1 . MapReduce 编程模型相关

❑ org.apache.hadoop.mapred.lib.* ：这一系列 Java 包提供了各种可直接在应用程序中使用的 InputFormat、 Mapper、 Partitioner、 Reducer 和 OuputFormat，以减少用户编写MapReduce 程序的工作量。
❑ org.apache.hadoop.mapred.jobcontrol ：该 Java 包允许用户管理具有相互依赖关系的作业（DAG 作业）。
❑ org.apache.hadoop.mapred.join：该Java包实现了map-side join 算法。该算法要求数据已经按照 key 排好序，且分好片，这样可以只使用Map Task实现join算法，避免 re-partition、 sort、 shuffling 等开销。
❑ org.apache.hadoop.mapred.pipes：该 Java 包允许用户用 C/C++ 编写 MapReduce 作业。
❑ org.apache.hadoop.mapreduce：该 Java 包定义了一套新版本的编程接口，这套接口比旧版接口封装性更好。
❑ org.apache.hadoop.mapreduce.*：这一系列 Java 包根据新版接口实现了各种InputFormat、 Mapper、 Partitioner、 Reducer 和 OuputFormat。

2. MapReduce 计算框架相关

❑ org.apache.hadoop.mapred：Hadoop MapReduce 最核心的实现代码，包括各个服务的
具体实现。
❑ org.apache.hadoop.mapred.filecache：Hadoop DistributedCache 实现。 DistributedCache是 Hadoop 提供的数据分发工具，可将用户应用程序中需要的文件分发到各个节点上。
❑ org.apache.hadoop.mapred.tools：管理控制 Hadoop MapReduce，当前功能仅包括允许用户动态更新服务级别的授权策略和 ACL（访问权限控制）属性。
❑ org.apache.hadoop.mapreduce.split：该 Java 包的主要功能是根据作业的 InputFormat生成相应的输入 split。
❑ org.apache.hadoop.mapreduce.server.jobtracker：该 Java 包维护了 JobTracker 可看到的 TaskTracker 状态信息和资源使用情况。
❑org.apache.hadoop.mapreduce.server.tasktracker.*：TaskTracker 的一些辅助类。

3. MapReduce 安全机制相关

这里只涉及 org.apache.hadoop.mapreduce.security.*。这一系列 Java 包实现了 MapReduce 安全机制。

参考资料

《Hadoop技术内幕深入理解MapReduce架构设计与实现原理》