MapReduce源代码分析之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submitJobInternal()方法，它是提交Job的内部方法，实现了提交Job的全部业务逻辑。

本文，我们将深入研究MapReduce中用于提交Job的组件JobSubmitter。

首先，我们先看下JobSubmitter的类成员变量。例如以下：

  // 文件系统FileSystem实例
  private FileSystem jtFs;
  // client通信协议ClientProtocol实例
  private ClientProtocol submitClient;
  // 提交作业的主机名
  private String submitHostName;
  // 提交作业的主机地址
  private String submitHostAddress;

它一共同拥有四个类成员变量，分别为：

1、文件系统FileSystem实例jtFs：用于操作作业执行须要的各种文件等。

2、client通信协议ClientProtocol实例submitClient：用于与集群交互。完毕作业提交、作业状态查询等；

3、提交作业的主机名submitHostName。

4、提交作业的主机地址submitHostAddress。

当中，client通信协议ClientProtocol实例submitClient是通过Cluster的client通信协议ClientProtocol实例client来赋值的，我们在《MapReduce源代码分析之新API作业提交（二）：连接集群》一文中以前提到过。它依据MapReduce中參数mapreduce.framework.name的配置为yarn或local。有Yarn模式的YARNRunner和Local模式的LocalJobRunner两种情况。

接下来，我们再看下JobSubmitter的构造函数，例如以下：

  JobSubmitter(FileSystem submitFs, ClientProtocol submitClient)
  throws IOException {
 
	// 依据入參赋值成员变量submitClient、jtFs
    this.submitClient = submitClient;
    this.jtFs = submitFs;
  }

非常easy，依据入參赋值成员变量submitClient、jtFs而已。

关键的来了，我们看下JobSubmitter唯一的对外核心功能方法submitJobInternal()，它被用于提交作业至集群，代码例如以下：

  /**
   * Internal method for submitting jobs to the system.
   *
   * <p>The job submission process involves:
   * <ol>
   *   <li>
   *   Checking the input and output specifications of the job.
   *   </li>
   *   <li>
   *   Computing the {@link InputSplit}s for the job.
   *   </li>
   *   <li>
   *   Setup the requisite accounting information for the
   *   {@link DistributedCache} of the job, if necessary.
   *   </li>
   *   <li>
   *   Copying the job's jar and configuration to the map-reduce system
   *   directory on the distributed file-system.
   *   </li>
   *   <li>
   *   Submitting the job to the <code>JobTracker</code> and optionally
   *   monitoring it's status.
   *   </li>
   * </ol></p>
   * @param job the configuration to submit
   * @param cluster the handle to the Cluster
   * @throws ClassNotFoundException
   * @throws InterruptedException
   * @throws IOException
   */
  JobStatus submitJobInternal(Job job, Cluster cluster)
  throws ClassNotFoundException, InterruptedException, IOException {
 
    //validate the jobs output specs
	// 调用checkSpecs()方法，校验作业输出路径是否配置，且是否已存在，
	// 正确的情况应该是已配置且未存在，输出路径配置參数为mapreduce.output.fileoutputformat.outputdir，
	// 之前WordCount作业的输出路径配置为hdfs://nameservice1/output/output
    checkSpecs(job);
 
    // 从作业job中获取配置信息conf
    Configuration conf = job.getConfiguration();
 
    // 调用addMRFrameworkToDistributedCache()方法加入应用框架路径到分布式缓存中
    addMRFrameworkToDistributedCache(conf);
 
    // 通过JobSubmissionFiles的getStagingDir()静态方法获取作业运行时阶段区域路径jobStagingArea
    // 取參数yarn.app.mapreduce.am.staging-dir。參数未配置默觉得/tmp/hadoop-yarn/staging
	// 然后后面是/提交作业username/.staging
	// 通过之前的WordCount任务的运行，我们查看历史记录，得知參数yarn.app.mapreduce.am.staging-dir配置的为/user。
	// 而提交作业username为hdfs，所以完整的路径应该为/user/hdfs/.staging
    Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);
 
    //configure the command line options correctly on the submitting dfs
    // 获取当前本机地址
    InetAddress ip = InetAddress.getLocalHost();
 
    // 确定提交作业的主机地址、主机名，并设置入配置信息conf，相应參数分别为
    // mapreduce.job.submithostname
    // mapreduce.job.submithostaddress
    if (ip != null) {
      submitHostAddress = ip.getHostAddress();
      submitHostName = ip.getHostName();
      conf.set(MRJobConfig.JOB_SUBMITHOST,submitHostName);
      conf.set(MRJobConfig.JOB_SUBMITHOSTADDR,submitHostAddress);
    }
 
    // 生成作业ID。即JobID实例jobId
    JobID jobId = submitClient.getNewJobID();
 
    // 将jobId设置入job
    job.setJobID(jobId);
 
    // 构造提交作业路径Path实例submitJobDir，jobStagingArea后接/jobId。比方/job_1459913635503_0005
    // 之前WordCount作业的完整路径为/user/hdfs/.staging/job_1459913635503_0005
    Path submitJobDir = new Path(jobStagingArea, jobId.toString());
    JobStatus status = null;
 
    // 设置作业一些參数：
    try {
 
      // 设置mapreduce.job.user.name为当前用户。之前的WordCount演示样例配置的为hdfs用户
      conf.set(MRJobConfig.USER_NAME,
          UserGroupInformation.getCurrentUser().getShortUserName());
 
      // 设置hadoop.http.filter.initializers为AmFilterInitializer
      conf.set("hadoop.http.filter.initializers",
          "org.apache.hadoop.yarn.server.webproxy.amfilter.AmFilterInitializer");
 
      // 设置mapreduce.job.dir为submitJobDir，比方/user/hdfs/.staging/job_1459913635503_0005
      conf.set(MRJobConfig.MAPREDUCE_JOB_DIR, submitJobDir.toString());
      LOG.debug("Configuring job " + jobId + " with " + submitJobDir
          + " as the submit dir");
 
      // get delegation token for the dir
      // 获取路径的授权令牌：调用TokenCache的obtainTokensForNamenodes()静态方法
      TokenCache.obtainTokensForNamenodes(job.getCredentials(),
          new Path[] { submitJobDir }, conf);
 
      // 获取密钥和令牌。并将它们存储到令牌缓存TokenCache中
      populateTokenCache(conf, job.getCredentials());
 
      // generate a secret to authenticate shuffle transfers
      if (TokenCache.getShuffleSecretKey(job.getCredentials()) == null) {
        KeyGenerator keyGen;
        try {
 
          int keyLen = CryptoUtils.isShuffleEncrypted(conf)
              ? conf.getInt(MRJobConfig.MR_ENCRYPTED_INTERMEDIATE_DATA_KEY_SIZE_BITS,
                  MRJobConfig.DEFAULT_MR_ENCRYPTED_INTERMEDIATE_DATA_KEY_SIZE_BITS)
              : SHUFFLE_KEY_LENGTH;
          keyGen = KeyGenerator.getInstance(SHUFFLE_KEYGEN_ALGORITHM);
          keyGen.init(keyLen);
        } catch (NoSuchAlgorithmException e) {
          throw new IOException("Error generating shuffle secret key", e);
        }
        SecretKey shuffleKey = keyGen.generateKey();
        TokenCache.setShuffleSecretKey(shuffleKey.getEncoded(),
            job.getCredentials());
      }
 
      // 复制而且配置相关文件
      copyAndConfigureFiles(job, submitJobDir);
 
      // 获取配置文件路径：job.xml
      Path submitJobFile = JobSubmissionFiles.getJobConfPath(submitJobDir);
 
      // Create the splits for the job
      LOG.debug("Creating splits at " + jtFs.makeQualified(submitJobDir));
 
      // 调用writeSplits()方法，写分片数据文件job.split和分片元数据文件job.splitmetainfo，
      // 并获得计算得到的map任务数目maps
      int maps = writeSplits(job, submitJobDir);
 
      // 配置信息中设置map任务数目mapreduce.job.maps为上面得到的maps
      conf.setInt(MRJobConfig.NUM_MAPS, maps);
 
      LOG.info("number of splits:" + maps);
 
      // write "queue admins of the queue to which job is being submitted"
      // to job file.
 
      // 获取作业队列名queue，取參数mapreduce.job.queuename，參数未配置默觉得default，
      // 之前的WordCount任务演示样例中，作业队列名queue就为default
      String queue = conf.get(MRJobConfig.QUEUE_NAME,
          JobConf.DEFAULT_QUEUE_NAME);
 
      // 获取队列的訪问权限控制列表AccessControlList实例acl，通过client通信协议ClientProtocol实例submitClient的getQueueAdmins()方法。传入队列名queue。
      // 实际上之前的WordCount任务演示样例中，这里获取的是*
      AccessControlList acl = submitClient.getQueueAdmins(queue);
 
      // 配置信息中设置队列參数mapred.queue.default.acl-administer-jobs
      // 之前的WordCount任务演示样例中。该參数被设置成为*
      conf.set(toFullPropertyName(queue,
          QueueACL.ADMINISTER_JOBS.getAclName()), acl.getAclString());
 
      // removing jobtoken referrals before copying the jobconf to HDFS
      // as the tasks don't need this setting, actually they may break
      // because of it if present as the referral will point to a
      // different job.
      // 清空缓存的令牌
      TokenCache.cleanUpTokenReferral(conf);
 
      // 依据參数确定是否须要追踪令牌ID
      // 取參数mapreduce.job.token.tracking.ids.enabled，參数未配置默觉得false
      if (conf.getBoolean(
          MRJobConfig.JOB_TOKEN_TRACKING_IDS_ENABLED,
          MRJobConfig.DEFAULT_JOB_TOKEN_TRACKING_IDS_ENABLED)) {
 
    	// 通过job获取令牌ID。并存储到trackingIds列表中
    	// Add HDFS tracking ids
        ArrayList<String> trackingIds = new ArrayList<String>();
        for (Token<? extends TokenIdentifier> t :
            job.getCredentials().getAllTokens()) {
          trackingIds.add(t.decodeIdentifier().getTrackingId());
        }
 
        // 将trackingIds列表中的内容设置到參数mapreduce.job.token.tracking.ids中
        conf.setStrings(MRJobConfig.JOB_TOKEN_TRACKING_IDS,
            trackingIds.toArray(new String[trackingIds.size()]));
      }
 
      // Set reservation info if it exists
      // 如有必要，设置存在的预订信息
      // 參数为mapreduce.job.reservation.id
      ReservationId reservationId = job.getReservationId();
      if (reservationId != null) {
        conf.set(MRJobConfig.RESERVATION_ID, reservationId.toString());
      }
 
      // Write job file to submit dir
      // 调用writeConf()方法，写入作业配置信息至文件job.xml
      writeConf(conf, submitJobFile);
 
      //
      // Now, actually submit the job (using the submit name)
      // 调用printTokens()方法打印令牌信息到Log文件
      printTokens(jobId, job.getCredentials());
 
      // 通过client通信协议ClientProtocol实例submitClient的submitJob()方法提交作业，
      // 并获取作业状态JobStatus实例status
      // 由集群连接一文的分析我们能够知道，这个submitClient实际上是YARNRunner或LocalJobRunner对象，
      // 终于调用的是二者的submitJob()方法。我们留待以后分析
      status = submitClient.submitJob(
          jobId, submitJobDir.toString(), job.getCredentials());
 
      // 假设作业状态JobStatus实例status不为null。直接返回，否则抛出无法载入作业的IO异常
      if (status != null) {
        return status;
      } else {
        throw new IOException("Could not launch job");
      }
    } finally {
 
      // 终于。抛出无法载入作业的IO异常前，调用文件系统FileSystem实例jtFs的delete()方法。
      // 删除作业提交的相关文件夹或文件submitJobDir
      if (status == null) {
        LOG.info("Cleaning up the staging area " + submitJobDir);
        if (jtFs != null && submitJobDir != null)
          jtFs.delete(submitJobDir, true);
 
      }
    }
  }

submitJobInternal()方法篇幅比較长，逻辑也非常复杂，本文先介绍下它的大体逻辑。兴许分文会介绍各个环节的具体内容，且以下涉及到的之前WordCount作业演示样例在《Hadoop2.6.0版本号MapReudce演示样例之WordCount（一）》及其姊妹篇中。敬请注意！submitJobInternal()方法大体逻辑例如以下：

1、调用checkSpecs()方法，校验作业输出路径是否配置。且是否已存在：

正确的情况应该是已配置且未存在。输出路径配置參数为mapreduce.output.fileoutputformat.outputdir，之前WordCount作业的输出路径配置为hdfs://nameservice1/output/output。

2、从作业job中获取配置信息conf；

3、调用addMRFrameworkToDistributedCache()方法加入应用框架路径到分布式缓存中；

4、通过JobSubmissionFiles的getStagingDir()静态方法获取作业运行时阶段区域路径jobStagingArea：

取參数yarn.app.mapreduce.am.staging-dir，參数未配置默觉得/tmp/hadoop-yarn/staging，然后后面是/提交作业username/.staging，通过之前的WordCount任务的运行，我们查看历史记录，得知參数yarn.app.mapreduce.am.staging-dir配置的为/user，而提交作业username为hdfs，所以完整的路径应该为/user/hdfs/.staging；

5、获取当前本机地址ip。

6、确定提交作业的主机地址、主机名。并设置入配置信息conf，相应參数分别为mapreduce.job.submithostname、mapreduce.job.submithostaddress；

7、生成作业ID。即JobID实例jobId：

通过client通信协议ClientProtocol实例submitClient的getNewJobID()方法生成作业ID。即JobID实例jobId；

8、 将jobId设置入job；

9、构造提交作业路径Path实例submitJobDir：

jobStagingArea后接/jobId。比方/job_1459913635503_0005，之前WordCount作业的完整路径为/user/hdfs/.staging/job_1459913635503_0005；

10、设置作业一些參数：

10.1、设置mapreduce.job.user.name为当前用户。之前的WordCount演示样例配置的为hdfs用户。

10.2、设置hadoop.http.filter.initializers为AmFilterInitializer；

10.3、设置mapreduce.job.dir为submitJobDir，比方/user/hdfs/.staging/job_1459913635503_0005。

11、获取路径的授权令牌：调用TokenCache的obtainTokensForNamenodes()静态方法；

12、通过populateTokenCache()方法获取密钥和令牌。并将它们存储到令牌缓存TokenCache中；

14、复制而且配置相关文件：通过copyAndConfigureFiles()方法实现；

15、获取配置文件路径：job.xml;

16、调用writeSplits()方法。写分片数据文件job.split和分片元数据文件job.splitmetainfo，并获得计算得到的map任务数目maps；

17、配置信息中设置map任务数目mapreduce.job.maps为上面得到的maps。

18、获取作业队列名queue。取參数mapreduce.job.queuename。參数未配置默觉得default。之前的WordCount任务演示样例中。作业队列名queue就为default；

19、获取队列的訪问权限控制列表AccessControlList实例acl：

通过client通信协议ClientProtocol实例submitClient的getQueueAdmins()方法，传入队列名queue。实际上之前的WordCount任务演示样例中，这里获取的是*。

20、配置信息中设置队列參数mapred.queue.default.acl-administer-jobs，之前的WordCount任务演示样例中，该參数被设置成为*。

21、清空缓存的令牌：通过TokenCache的cleanUpTokenReferral()方法实现；

22、依据參数确定是否须要追踪令牌ID，假设须要的话：

取參数mapreduce.job.token.tracking.ids.enabled，參数未配置默觉得false。通过job获取令牌ID，并存储到trackingIds列表中。将trackingIds列表中的内容设置到參数mapreduce.job.token.tracking.ids中；

23、如有必要。设置存在的预订信息：參数为mapreduce.job.reservation.id；

24、调用writeConf()方法，写入作业配置信息至文件job.xml；

25、调用printTokens()方法打印令牌信息到Log文件；

26、通过client通信协议ClientProtocol实例submitClient的submitJob()方法提交作业。并获取作业状态JobStatus实例status：

由集群连接一文的分析我们能够知道，这个submitClient实际上是YARNRunner或LocalJobRunner对象。终于调用的是二者的submitJob()方法。我们留待以后分析。

27、假设作业状态JobStatus实例status不为null，直接返回，否则抛出无法载入作业的IO异常：

终于，抛出无法载入作业的IO异常前，调用文件系统FileSystem实例jtFs的delete()方法，删除作业提交的相关文件夹或文件submitJobDir。

总体流程如上，对于关键步骤的主要细节。限于篇幅。敬请关注《MapReduce源代码分析之JobSubmitter（二）》！