MapReduce组件功能分析

JobClient

每一个job 都会在客户端通过JobClient类将应用程序以及作业的配置参数打包成jar文件存储在HDFS，并把作业提交给 JobTracker。

JobClient.runJob()创建一个新的 JobClient实例，调用其submitJob()函数。

JobClient将作业提交给JobTracker之前，需要进行一些初始化工作，由JobClient.subnitJobInternal(job)完成，包括：（1）向JobTracker请求一个新的 job ID；（2）检测 job的output 配置;（3）计算 job的input splits；（4）将Job运行所需的资源上传到JobTracker的文件系统（HDFS）中的文件夹中，包括 job jar文件，job.xml 配置文件。这些 MapReduce文件的上传以及下载是有 Hadoop的数据分发工具DistributedCache完成。

JobTracker

JobTracker是一个master服务，主要完成作业的控制和资源的管理。作业的控制主要包括作业的分解和状态的监控，作业的监控是由三层树状结构表示，自顶向下为JobInProgress、TaskInProgress和Task Attempt。资源的管理主要包括资源的表示和分配，MRv1基于slot表示资源，MRv2基于Linux Container表示资源，资源的分配是由TaskScheduler完成，即JobClient通过RPC调用的方法submitJob，会为该作业创建JobInProgress对象，用于追踪正在运行作业的状态和进度，并通知TaskScheduler初始化作业，默认为JobQueueTaskScheduler，也即按照 FIFO的方式调度任务，然后TaskScheduler将任务列表分配给TaskTracker。

TaskTracker

TaskTracker是运行于多个节点上的slave服务，主要完成向JobTracker汇报心跳和执行JobTracker的命令。汇报心跳的信息包括结点状态、资源使用情况、任务的执行进度、任务的运行状态以及Counter值。JobTracker收到TaskTracker汇报的心跳信息后，根据这些信息以及作业的运行状况给TaskTracker下达命令，包括LaunchTaskAction、CommitTaskAction、KillTaskAction、KillJobAction和TaskTrackerReinitAction。

TaskTracker主动与JobTracker通信，接收作业并负责直接执行每一个任务。TaskTracker作为一个单独的JVM来运行，TaskTracker周期性的向JobTracker发送heartbeat。在heartbeat中，TaskTracker告知JobTracker其已经准备运行一个新的task，JobTracker 将分配给其一个task。

TaskTracker被分配了一个task，下面便要运行此task。首先，TaskTracker将此job的jar从共享文件系统中拷贝到TaskTracker的文件系统HDFS中。TaskTracker从DistributedCache 中将job运行所需要的文件拷贝到本地磁盘。其次，其为每个task创建一个本地的工作目录，将jar解压缩到文件目录中。其三，TaskRunner创建一个新的JVM来运行task 。

Map过程

Map Task从input split 中读取一个个的 record，然后依次调用Mapper的 map函数，将结果写入缓存memory buffer。当 buffer中数据的到达一定的大小，一个后台线程 SpillThread将数据开始写入硬盘。在写入硬盘之前，将 buffer中的数据通过Partitioner分成多个 partition。Partitioner接口根据key或value及reduce的数量来决定当前的key/value对最终应该交由哪个reduce task处理。在同一个 partition中，SpillThread 线程会将数据按照 key在内存中排序。每次从内存向硬盘 flush数据，都生成一个新的spill文件。当此 task结束之前，所有的spill文件被合并为一个整的被 partition的而且排好序的文件。reducer可以通过 http协议请求map 的输出文件， tracker.http.threads可以设置http 服务线程数。

Reduce过程

Reduce Task同时启动多个MapOutputCopier线程，从 schedulerCopies列表中获取Map Task 的输出位置，通过 Http Get从各个Map Task 上远程拷贝数据，先写入内存，其大小超过一定阈值，这时写入磁盘。与此同时， Reduce Task启动LocalFSMerger 和InMemFSMergerThread两个线程分别对磁盘和内存中的数据进行合并。当所有的 map输出都拷贝到Reduce Task后，进入sort过程，将所有的map输出合并为大的排好序的文件。最后进入reduce过程，调用reducer 的reduce函数，处理排好序的输出的每个 key，最后的结果写入HDFS。

Shuffle过程

shuffle位于Map过程和Reduce过程之间，下面从map端和reduce端分别介绍。

map端：

1、在map task执行时，读取split，经过mapper的运行后，输出key/value对，将key/value对写入内存缓冲区中，减少磁盘IO的影响。key/value对以及Partition的结果都会被写入缓冲区。写入之前，key与value值都会被序列化成字节数组;
2、内存缓冲区是有大小限制的，默认是100MB，在一定条件下将缓冲区中的数据临时Spill（溢写）到磁盘，然后重新利用这块缓冲区。溢写是由单独线程来完成，不影响往缓冲区写map结果的线程。整个缓冲区溢写的比例spill.percent，默认0.8，溢写线程启动，锁定这80MB的内存，执行溢写过程。Map task的输出结果还可以往剩下的20MB内存中写。溢写线程启动后，需要对这80MB空间内的key做排序(Sort)。写到磁盘中的溢写文件是对不同的reduce端的数值做过合并（combine）。
3、每次溢写会在磁盘上生成一个溢写文件，当map task完成时，内存缓冲区中的数据也全部溢写到磁盘中形成一个溢写文件，最后将所有溢写文件归并到一起（Merge）。

reduce端：
map端的所有工作都已结束，每个reduce task不断地通过RPC从JobTracker那里获取map task是否完成的信息，如果reduce task得到通知，获知某台TaskTracker上的map task执行完成，Shuffle的后半段过程开始启动。
1、Copy过程。Reduce进程启动一些数据copy线程、，通过HTTP方式请求map task所在的TaskTracker获取map task的输出文件。
2、Merge阶段。Copy过来的数据会先放入内存缓冲区中，这里的缓冲区大小要比map端的更为灵活，它基于JVM的heap size设置，因为Shuffle阶段Reducer不运行，所以应该把绝大部分的内存都给Shuffle用。当内存中的数据量到达一定阈值，就启动内存到磁盘的merge。与map端类似，进行溢写和合并（执行Combiner），然后在磁盘中生成了多个的溢写文件。内存到磁盘的merge一直在运行，直到没有map端的数据时才结束，然后启动磁盘到磁盘的merge方式生成最终的Reducer的输入文件。
3、Reducer的输入文件。当Reducer的输入文件已定，整个Shuffle才最终结束。然后就是Reducer执行，把结果放到HDFS上。