【Hadoop】MapReduce笔记（一）：MapReduce作业运行过程、任务执行

一、MR作业运行过程

JobClient的runJob()方法：新建JobClient实例，并调用其submitJob()方法。提交作业后，runJob()每秒轮询作业进度，如果发现上次上报后信息有改动，则把进度报告输出到控制台。作业完成，成功则显示作业计数器；失败则输出错误到控制台。

（一）JobClient的submitJob()的作业提交过程：

1. 向JobTracker请求一个新jobID，通过JobTracker的getNewJobId()获取；

2. 检查作业输出说明。例如，如果没有指定输出目录或者已经存在，作业将不会被提交，错误返回给MR程序；

3. 计算作业输出划分split。如果划分无法计算（eg.输入路径不存在），作业将不会被提交，错误返回给MR程序；

4. 将运行作业所需要的资源（作业的jar文件、配置文件、计算所得的输入划分）复制到一个以作业ID命名的目录中JobTracker的文件系统。如果作业jar的副本很多，在TaskTracker运行作业任务时，集群可以提供多副本访问（图中step3）；

5. 通过调用JobTracker的submitJob()方法，告诉JobTracker作业准备执行（图中step4）；

6. JobTracker接收到submitJob()方法调用后，把此调用放到一个内部队列中，交由作业调度器进行调度，并对其进行初始化（包括创建一个代表该正在运行的作业对象，负责封装任务和记录信息，以便跟踪任务的状态和进程）。（图中step5）

7. 创建运行任务列表，作业调度去首先从共享文件系统中获取JobClient已经计算好的输入划分信息（图中step6），然后为每个划分创建一个Map任务（一个split对应一个map，有多少split就有多少map）。创建的Reduce任务的数量由JobConf的mapred.reduce.tasks属性决定，其用setNumReduceTasks()方法设定，然后调度器便创建指定个数的Reduce来运行任务，任务在此时指定ID。

8. TaskTracker执行一个简单的循环，定期发送心跳（heartbeat）调用JobTracker，心跳告诉JobTrackder是否存活以及充当消息通道。（图中step7）

（二）TaskTracker分配任务之后的任务运行过程：

1. 作业JAR文件本地化：从共享文件系统复制到TaskTracker。并且应用程序全部文件从分布式缓存复制到本地磁盘；

2. 为任务新建一个本地工作目录，JAR文件内容会被解压到此目录；

3.新建一TaskRunner实例运行此任务。TaskRunner启动一个新的JVM（图中step9-10）来运行每个任务。

 

二、MR任务运行

（一）推测执行

【典型案例】系统中有99%的Map任务都完成了，只有少数几个Map老是进度很慢，完不成，怎么办？

【分析】Hadoop会把任务分配到多个节点，当中一些慢的节点会限制整体程序的执行速度。这时Hadoop会引入“推测执行”过程：

因为作业中大多数任务都已经完成，hadoop平台会在几个空闲节点上调度执行剩余任务复制，当任务完成时会向JobTracker通告。任何一个首先完成的复制任务将成为权威复制，如果其他复制任务还在推测执行中，hadoop会告诉TaskTracker去终止这些任务并丢弃其输出，然后reducer会从首先完成的mapper那里获取输入数据。

推测执行为默认启用，设置JobConf的mapred.map.tasks.speculative.execution和mapred.reduce.tasks.speculative.execution为false可以禁止推测执行。

（二）任务JVM重用

mapred.job.reuse.jvm.num.tasks默认为1，即每个Task都启动一个JVM来运行任务，当值为-1时，表示JVM可以无限制重用。

当值为-1时，TaskTracker先判断当前当前节点是否有slot剩余，如果没有slot槽位才会判断当前分配的slot槽位中的JVM是否已经将当前task任务运行完，如果task已经运行完，才会复用当前JVM（同一Job的JVM才会复用）

注意：当一个Job的Task（尤其Task耗时很小）数目很大，由于频繁的JVM停启会造成很大开销，进行JVM复用会使同一个Job的一些静态数据得到共享，从而是集群性能得到很大提升。

但是JVM重用会导致在同一个JVM中的碎片增加，导致JVM性能变差。