MapReduce源码分析之JobSplitWriter
JobSplitWriter被作业客户端用于写分片相关文件,包括分片数据文件job.split和分片元数据信息文件job.splitmetainfo。它有两个静态成员变量,如下:
- // 分片版本,当前默认为1
- private static final int splitVersion = JobSplit.META_SPLIT_VERSION;
- // 分片文件头部,为UTF-8格式的字符串"SPL"的字节数组"SPL"
- private static final byte[] SPLIT_FILE_HEADER;
并且,提供了一个静态方法,完成SPLIT_FILE_HEADER的初始化,代码如下:
- // 静态方法,加载SPLIT_FILE_HEADER为UTF-8格式的字符串"SPL"的字节数组byte[]
- static {
- try {
- SPLIT_FILE_HEADER = "SPL".getBytes("UTF-8");
- } catch (UnsupportedEncodingException u) {
- throw new RuntimeException(u);
- }
- }
JobSplitWriter实现其功能的为createSplitFiles()方法,它有三种实现,我们先看其中的public static <T extends InputSplit> void createSplitFiles(Path jobSubmitDir,Configuration conf, FileSystem fs, T[] splits),代码如下:
- // 创建分片文件
- public static <T extends InputSplit> void createSplitFiles(Path jobSubmitDir,
- Configuration conf, FileSystem fs, T[] splits)
- throws IOException, InterruptedException {
- // 调用createFile()方法,创建分片文件,并获取文件系统数据输出流FSDataOutputStream实例out,
- // 对应路径为jobSubmitDir/job.split,jobSubmitDir为参数yarn.app.mapreduce.am.staging-dir指定的路径/作业所属用户user/.staging/作业ID
- FSDataOutputStream out = createFile(fs,
- JobSubmissionFiles.getJobSplitFile(jobSubmitDir), conf);
- // 调用writeNewSplits()方法,将分片数据写入分片文件,并得到分片元数据信息SplitMetaInfo数组info
- SplitMetaInfo[] info = writeNewSplits(conf, splits, out);
- // 关闭输出流
- out.close();
- // 调用writeJobSplitMetaInfo()方法,将分片元数据信息写入分片元数据文件
- writeJobSplitMetaInfo(fs,JobSubmissionFiles.getJobSplitMetaFile(jobSubmitDir),
- new FsPermission(JobSubmissionFiles.JOB_FILE_PERMISSION), splitVersion,
- info);
- }
createSplitFiles()方法的逻辑很清晰,大体如下:
1、调用createFile()方法,创建分片文件,并获取文件系统数据输出流FSDataOutputStream实例out,对应路径为jobSubmitDir/job.split,jobSubmitDir为参数yarn.app.mapreduce.am.staging-dir指定的路径/作业所属用户user/.staging/作业ID;
2、调用writeNewSplits()方法,将分片数据写入分片文件,并得到分片元数据信息SplitMetaInfo数组info;
3、关闭输出流out;
4、调用writeJobSplitMetaInfo()方法,将分片元数据信息写入分片元数据文件。
我们先来看下createFile()方法,代码如下:
- private static FSDataOutputStream createFile(FileSystem fs, Path splitFile,
- Configuration job) throws IOException {
- // 调用HDFS文件系统FileSystem的create()方法,获取文件系统数据输出流FSDataOutputStream实例out,
- // 对应权限为JobSubmissionFiles.JOB_FILE_PERMISSION,即0644,rw-r--r--
- FSDataOutputStream out = FileSystem.create(fs, splitFile,
- new FsPermission(JobSubmissionFiles.JOB_FILE_PERMISSION));
- // 获取副本数replication,取参数mapreduce.client.submit.file.replication,参数未配置默认为10
- int replication = job.getInt(Job.SUBMIT_REPLICATION, 10);
- // 通过文件系统FileSystem实例fs的setReplication()方法,设置splitFile的副本数位10
- fs.setReplication(splitFile, (short)replication);
- // 调用writeSplitHeader()方法写入分片头信息
- writeSplitHeader(out);
- // 返回文件系统数据输出流out
- return out;
- }
首先,调用HDFS文件系统FileSystem的create()方法,获取文件系统数据输出流FSDataOutputStream实例out,对应权限为JobSubmissionFiles.JOB_FILE_PERMISSION,即0644,rw-r--r--;
其次,获取副本数replication,取参数mapreduce.client.submit.file.replication,参数未配置默认为10;
接着,通过文件系统FileSystem实例fs的setReplication()方法,设置splitFile的副本数位10;
然后,调用writeSplitHeader()方法写入分片头信息;
最后,返回文件系统数据输出流out。
writeSplitHeader()方法专门用于将分片头部信息写入分片文件,代码如下:
- private static void writeSplitHeader(FSDataOutputStream out)
- throws IOException {
- // 文件系统数据输出流out写入byte[],内容为UTF-8格式的"SPL"
- out.write(SPLIT_FILE_HEADER);
- // 文件系统数据输出流out写入int,分片版本号,目前为1
- out.writeInt(splitVersion);
- }
很简单,首先文件系统数据输出流out写入byte[],内容为UTF-8格式的"SPL",然后文件系统数据输出流out写入int,分片版本号,目前为1。
接下来,我们再看下writeNewSplits()方法,它将分片数据写入分片文件,并得到分片元数据信息SplitMetaInfo数组info,代码如下:
- @SuppressWarnings("unchecked")
- private static <T extends InputSplit>
- SplitMetaInfo[] writeNewSplits(Configuration conf,
- T[] array, FSDataOutputStream out)
- throws IOException, InterruptedException {
- // 根据array的大小,构造同等大小的分片元数据信息SplitMetaInfo数组info,
- // array其实是传入的分片数组
- SplitMetaInfo[] info = new SplitMetaInfo[array.length];
- if (array.length != 0) {// 如果array中有数据
- // 创建序列化工厂SerializationFactory实例factory
- SerializationFactory factory = new SerializationFactory(conf);
- int i = 0;
- // 获取最大的数据块位置maxBlockLocations,取参数mapreduce.job.max.split.locations,参数未配置默认为10
- int maxBlockLocations = conf.getInt(MRConfig.MAX_BLOCK_LOCATIONS_KEY,
- MRConfig.MAX_BLOCK_LOCATIONS_DEFAULT);
- // 通过输出流out的getPos()方法获取输出流out的当前位置offset
- long offset = out.getPos();
- // 遍历数组array中每个元素split
- for(T split: array) {
- // 通过输出流out的getPos()方法获取输出流out的当前位置prevCount
- long prevCount = out.getPos();
- // 往输出流out中写入String,内容为split对应的类名
- Text.writeString(out, split.getClass().getName());
- // 获取序列化器Serializer实例serializer
- Serializer<T> serializer =
- factory.getSerializer((Class<T>) split.getClass());
- // 打开serializer,接入输出流out
- serializer.open(out);
- // 将split序列化到输出流out
- serializer.serialize(split);
- // 通过输出流out的getPos()方法获取输出流out的当前位置currCount
- long currCount = out.getPos();
- // 通过split的getLocations()方法,获取位置信息locations
- String[] locations = split.getLocations();
- if (locations.length > maxBlockLocations) {
- LOG.warn("Max block location exceeded for split: "
- + split + " splitsize: " + locations.length +
- " maxsize: " + maxBlockLocations);
- locations = Arrays.copyOf(locations, maxBlockLocations);
- }
- // 构造split对应的元数据信息,并加入info指定位置,
- // offset为当前split在split文件中的起始位置,数据长度为split.getLength(),位置信息为locations
- info[i++] =
- new JobSplit.SplitMetaInfo(
- locations, offset,
- split.getLength());
- // offset增加当前split已写入数据大小
- offset += currCount - prevCount;
- }
- }
- // 返回分片元数据信息SplitMetaInfo数组info
- return info;
- }
writeNewSplits()方法的逻辑比较清晰,大体如下:
1、根据array的大小,构造同等大小的分片元数据信息SplitMetaInfo数组info,array其实是传入的分片数组;
2、如果array中有数据:
2.1、创建序列化工厂SerializationFactory实例factory;
2.2、获取最大的数据块位置maxBlockLocations,取参数mapreduce.job.max.split.locations,参数未配置默认为10;
2.3、通过输出流out的getPos()方法获取输出流out的当前位置offset;
2.4、遍历数组array中每个元素split:
2.4.1、通过输出流out的getPos()方法获取输出流out的当前位置prevCount;
2.4.2、往输出流out中写入String,内容为split对应的类名;
2.4.3、获取序列化器Serializer实例serializer;
2.4.4、打开serializer,接入输出流out;
2.4.5、将split序列化到输出流out;
2.4.6、通过输出流out的getPos()方法获取输出流out的当前位置currCount;
2.4.7、通过split的getLocations()方法,获取位置信息locations;
2.4.8、确保位置信息locations的长度不能超过maxBlockLocations,超过则截断;
2.4.9、构造split对应的元数据信息,并加入info指定位置,offset为当前split在split文件中的起始位置,数据长度为split.getLength(),位置信息为locations;
2.4.10、offset增加当前split已写入数据大小;
3、返回分片元数据信息SplitMetaInfo数组info。
其中,序列化split对象时,我们以FileSplit为例来分析,其write()方法如下:
- @Override
- public void write(DataOutput out) throws IOException {
- // 写入文件路径全名
- Text.writeString(out, file.toString());
- // 写入分片在文件中的起始位置
- out.writeLong(start);
- // 写入分片在文件中的长度
- out.writeLong(length);
- }
比较简单,分别写入文件路径全名、分片在文件中的起始位置、分片在文件中的长度三个信息。
综上所述,分片文件job.split文件的内容为:
1、文件头:"SPL"+int类型版本号1;
2、分片类信息:String类型split对应类名;
3、分片数据信息:String类型文件路径全名+Long类型分片在文件中的起始位置+Long类型分片在文件中的长度。
而在最后,构造分片元数据信息时,产生的是JobSplit的静态内部类SplitMetaInfo对象,包括分片位置信息locations、split在split文件中的起始位置offset、分片长度split.getLength()。
下面,我们再看下分片的元数据信息文件是如何产生的,让我们来研究下writeJobSplitMetaInfo()方法,代码如下:
- // 写入作业分片元数据信息
- private static void writeJobSplitMetaInfo(FileSystem fs, Path filename,
- FsPermission p, int splitMetaInfoVersion,
- JobSplit.SplitMetaInfo[] allSplitMetaInfo)
- throws IOException {
- // write the splits meta-info to a file for the job tracker
- // 调用HDFS文件系统FileSystem的create()方法,生成分片元数据信息文件,并获取文件系统数据输出流FSDataOutputStream实例out,
- // 对应文件路径为jobSubmitDir/job.splitmetainfo,jobSubmitDir为参数yarn.app.mapreduce.am.staging-dir指定的路径/作业所属用户user/.staging/作业ID
- // 对应权限为JobSubmissionFiles.JOB_FILE_PERMISSION,即0644,rw-r--r--
- FSDataOutputStream out =
- FileSystem.create(fs, filename, p);
- // 写入分片元数据头部信息UTF-8格式的字符串"META-SPL"的字节数组byte[]
- out.write(JobSplit.META_SPLIT_FILE_HEADER);
- // 写入分片元数据版本号splitMetaInfoVersion,当前为1
- WritableUtils.writeVInt(out, splitMetaInfoVersion);
- // 写入分片元数据个数,为分片元数据信息SplitMetaInfo数组个数allSplitMetaInfo.length
- WritableUtils.writeVInt(out, allSplitMetaInfo.length);
- // 遍历分片元数据信息SplitMetaInfo数组allSplitMetaInfo中每个splitMetaInfo,挨个写入输出流
- for (JobSplit.SplitMetaInfo splitMetaInfo : allSplitMetaInfo) {
- splitMetaInfo.write(out);
- }
- // 关闭输出流out
- out.close();
- }
writeJobSplitMetaInfo()方法的主体逻辑也十分清晰,大体如下:
1、调用HDFS文件系统FileSystem的create()方法,生成分片元数据信息文件,并获取文件系统数据输出流FSDataOutputStream实例out,对应文件路径为jobSubmitDir/job.splitmetainfo,jobSubmitDir为参数yarn.app.mapreduce.am.staging-dir指定的路径/作业所属用户user/.staging/作业ID,对应权限为JobSubmissionFiles.JOB_FILE_PERMISSION,即0644,rw-r--r--;
2、写入分片元数据头部信息UTF-8格式的字符串"META-SPL"的字节数组byte[];
3、写入分片元数据版本号splitMetaInfoVersion,当前为1;
4、写入分片元数据个数,为分片元数据信息SplitMetaInfo数组个数allSplitMetaInfo.length;
5、遍历分片元数据信息SplitMetaInfo数组allSplitMetaInfo中每个splitMetaInfo,挨个写入输出流;
6、关闭输出流out。
我们看下如何序列化JobSplit.SplitMetaInfo,将其写入文件,JobSplit.SplitMetaInfo的write()如下:
- public void write(DataOutput out) throws IOException {
- // 将分片位置个数写入分片元数据信息文件
- WritableUtils.writeVInt(out, locations.length);
- // 遍历位置信息,写入分片元数据信息文件
- for (int i = 0; i < locations.length; i++) {
- Text.writeString(out, locations[i]);
- }
- // 写入分片元数据信息的起始位置
- WritableUtils.writeVLong(out, startOffset);
- // 写入分片大小
- WritableUtils.writeVLong(out, inputDataLength);
- }
每个分片的元数据信息,包括分片位置个数、分片文件位置、分片元数据信息的起始位置、分片大小等内容。
总结
JobSplitWriter被作业客户端用于写分片相关文件,包括分片数据文件job.split和分片元数据信息文件job.splitmetainfo。分片数据文件job.split存储的主要是每个分片对应的HDFS文件路径,和其在HDFS文件中的起始位置、长度等信息,而分片元数据信息文件job.splitmetainfo存储的则是每个分片在分片数据文件job.split中的起始位置、分片大小等信息。
job.split文件内容:文件头 + 分片 + 分片 + ... + 分片
文件头:"SPL" + 版本号1
分片:分片类 + 分片数据,分片类=String类型split对应类名,分片数据=String类型HDFS文件路径全名+Long类型分片在HDFS文件中的起始位置+Long类型分片在HDFS文件中的长度
job.splitmetainfo文件内容:文件头 + 分片元数据个数 + 分片元数据 + 分片元数据 + ... + 分片元数据
文件头:"META-SPL" + 版本号1
分片元数据个数:分片元数据的个数
分片元数据:分片位置个数+分片位置+在分片文件job.split中的起始位置+分片大小
MapReduce源码分析之JobSplitWriter的更多相关文章
- MapReduce源码分析之JobSubmitter(一)
JobSubmitter,顾名思义,它是MapReduce中作业提交者,而实际上JobSubmitter除了构造方法外,对外提供的唯一一个非private成员变量或方法就是submitJobInter ...
- MapReduce源码分析之新API作业提交(二):连接集群
MapReduce作业提交时连接集群是通过Job的connect()方法实现的,它实际上是构造集群Cluster实例cluster,代码如下: private synchronized void co ...
- MapReduce源码分析之LocatedFileStatusFetcher
LocatedFileStatusFetcher是MapReduce中一个针对给定输入路径数组,使用配置的线程数目来获取数据块位置的实用类.它的主要作用就是利用多线程技术,每个线程对应一个任务,每个任 ...
- mapreduce源码分析总结
一 MapReduce概述 Map/Reduce是一个用于大规模数据处理的分布式计算模型,它最初是由Google工程师设计并实现的,Google已经将它完整的MapReduce论 文公开发布了.其中对 ...
- MapReduce源码分析之作业Job状态机解析(一)简介与正常流程浅析
作业Job状态机维护了MapReduce作业的整个生命周期,即从提交到运行结束的整个过程.Job状态机被封装在JobImpl中,其主要包括14种状态和19种导致状态发生的事件. 作业Job的全部状态维 ...
- MapReduce源码分析之Task中关于对应TaskAttempt存储Map方案的一些思考
我们知道,MapReduce有三层调度模型,即Job——>Task——>TaskAttempt,并且: 1.通常一个Job存在多个Task,这些Task总共有Map Task和Redcue ...
- MapReduce源码分析之InputFormat
InputFormat描述了一个Map-Reduce作业中的输入规范.Map-Reduce框架依靠作业的InputFormat实现以下内容: 1.校验作业的输入规范: 2.分割输入文件(可能为多个), ...
- Hadoop2源码分析-MapReduce篇
1.概述 前面我们已经对Hadoop有了一个初步认识,接下来我们开始学习Hadoop的一些核心的功能,其中包含mapreduce,fs,hdfs,ipc,io,yarn,今天为大家分享的是mapred ...
- Yarn源码分析之MRAppMaster上MapReduce作业处理总流程(二)
本文继<Yarn源码分析之MRAppMaster上MapReduce作业处理总流程(一)>,接着讲述MapReduce作业在MRAppMaster上处理总流程,继上篇讲到作业初始化之后的作 ...
随机推荐
- HttpWebRequest 请求 Api 及 异常处理
HttpWebRequest request = WebRequest.CreateHttp(url); request.Method = "post"; request.Head ...
- MySQL注入工具sqlsus
MySQL注入工具sqlsus sqlsus是使用Perl语言编写的MySQL注入和接管工具.它可以获取数据库结构,实施注入查询,下载服务器的文件,爬取可写目录并写入后门,以及复制数据库文件等功能 ...
- noip2017集训测试赛(十一)Problem C: 循环移位
题面 Description 给定一个字符串 ss .现在问你有多少个本质不同的 ss 的子串 t=t1t2⋯tm(m>0)t=t1t2⋯tm(m>0) 使得将 tt 循环左移一位后变成的 ...
- android中的开机自启动
android中的开机自启动 android中的开机自启动可分为两步: 1.写一个BroadcastReceiver: public class BootReceiver extends Broadc ...
- Creating and Flashing UBIFS with MTD Utils
转:http://wiki.atlas-embedded.com/index.php?title=Creating_and_Flashing_UBIFS_with_MTD_Utils Contents ...
- md5是哈希算法的改进加强,因为不同原始值可能hash结果一样,但md5则改善了用于验证消息完整性,不同md5值原始值也必将不一样
md5是哈希算法的改进加强,因为不同原始值可能hash结果一样,但md5则改善了用于验证消息完整性,不同md5值原始值也必将不一样
- N++ 道ASP.NET面试题
InterviewQuestions-ASP.NET N++ 道ASP.NET面试题 1. 简述 private. protected. public. internal 修饰符的访问权限. 答 . ...
- Java迭代器原理
1迭代器模式 迭代器是一种设计模式,这种模式用于顺序访问集合对象的元素,不需要知道集合对象的底层表示. 一般实现方式如下:(来自)
- vue笔记一
一.Vue基本知识点 1.声明式渲染 <div id="app">{{ msg }}</div> <script> var app = new ...
- odoo12新特性: 会计改进
改进分析会计 分析会计层级结构 分析分配 分析分录增加了表格视图 ============== SPECIFICATIONS ============== a. Hierarchy - Cr ...