hadoop map任务Combiner被调用的源码逻辑简要分析

玩龙天子

 

从MapTask类中分析下去，看一下map任务是如何被调用并执行的。

 

入口方法是MapTask的run方法，看一下run方法的相关介绍：

 

org.apache.hadoop.mapred.Task
public abstract void run(JobConf job,
TaskUmbilicalProtocol umbilical)
throws IOException,
ClassNotFoundException,
InterruptedException
Run this task as a part of the named job. This method is executed in the child process and is what invokes user-supplied map, reduce, etc. methods.
Parameters:
umbilical - for progress reports
 

 

可以看出，这个方法接收两个参数，jobconf就是任务的相关配置，而umbilical是作为任务进度reporter的身份存在的。

 

map任务根据是否有reduce部分，而将进度分成两种样式，

// If there are no reducers then there won't be any sort. Hence the map
// phase will govern the entire attempt's progress.
if (conf.getNumReduceTasks() == 0) {
mapPhase = getProgress().addPhase("map", 1.0f);
} else {
// If there are reducers then the entire attempt's progress will be
// split between the map phase (67%) and the sort phase (33%).
mapPhase = getProgress().addPhase("map", 0.667f);
sortPhase  = getProgress().addPhase("sort", 0.333f);
}
 

 

如果没有reduce任务，就没有必要为map的结果进行归并排序操作了，那么整个map过程将以100%进度执行；相反，如果其中含有reduce任务，那么map的任务被分成两部分，map函数执行的部分占整个进度的66.7%（此时我们在RecordReader中的getProgress仅仅给出的是相对这部分的百分比值），剩下的33.3%赋予归并排序的过程。

 

是否使用当前的new-api执行会有所不同，建议都使用最新的api，org.apache.hadoop.mapreduce是最新的api，org.apache.hadoop.mapred是旧的api，我们这里分析的也是new-api。

if (useNewApi) {
runNewMapper(job, splitMetaInfo, umbilical, reporter);
} else {
runOldMapper(job, splitMetaInfo, umbilical, reporter);
}
 

 

整个map执行过程大概如下：

    
input.initialize(split, mapperContext);
mapper.run(mapperContext);
mapPhase.complete();
setPhase(TaskStatus.Phase.SORT);
statusUpdate(umbilical);
input.close();
input = null;
output.close(mapperContext);
output = null;
 

 

首先，初始化RecordReader，执行map具体的函数，待所有的map函数执行完成之后，进入SORT阶段，排序完成后，整个map过程就执行完成了。

 

在new-api中的map函数执行的具体过程：

public void run(Context context) throws IOException, InterruptedException {
setup(context);
try {
while (context.nextKeyValue()) {
map(context.getCurrentKey(), context.getCurrentValue(), context);
}
} finally {
cleanup(context);
}
}
 

 

执行完初始化方法之后，从RecordReader中依次执行nextKeyValue()方法，当返回true时，拿到其key和value，并执行map函数，直到该分片内的数据都已经读取完毕（nextKeyValue()返回false），最后执行清理操作。由于new-api与old-api的差异比较大，分析这段代码可以让我们更加深入地理解这个过程，避免陷入新的编程模型的坑。

 

在MapTask执行时，根据是否有Reduce任务，其RecordWriter(OutputCollector) 也会有所不同，如果没有直接返回不需要排序，否则构造一个NewOutputCollector类。在NewOutputCollector的构造函数中，会调用方法createSortingCollector(job, reporter)，会根据job的参数：mapreduce.job.map.output.collector.class构造一个OutputCollector（需要实现接口：org.apache.hadoop.mapred.MapOutputCollector，主要负责Map端数据的收集，虽然好像很少有人定制这个），默认使用org.apache.hadoop.mapred.MapOutputBuffer类。

 

在初始化init方法中，mapreduce.map.sort.spill.percent用于控制缓冲区达到哪个百分比后，开始进行Spill操作，默认值80%，只能是[0, 1]中间的数；mapreduce.task.io.sort.mb确定缓冲区的大小，默认值100M，这部分是占用Map堆内存的，设置太大，Map端堆内存也需要设置较大，设置太小，spill的次数可能变多，最大不能设置操作32G，需要具体情况衡量；

 

//sanity checks
final float spillper =
job.getFloat(JobContext.MAP_SORT_SPILL_PERCENT, (float)0.8);
final int sortmb = job.getInt(JobContext.IO_SORT_MB, 100);
indexCacheMemoryLimit = job.getInt(JobContext.INDEX_CACHE_MEMORY_LIMIT,
INDEX_CACHE_MEMORY_LIMIT_DEFAULT);
if (spillper > (float)1.0 || spillper <= (float)0.0) {
throw new IOException("Invalid \"" + JobContext.MAP_SORT_SPILL_PERCENT +
"\": " + spillper);
}
if ((sortmb & 0x7FF) != sortmb) {
throw new IOException(
"Invalid \"" + JobContext.IO_SORT_MB + "\": " + sortmb);
}
sorter = ReflectionUtils.newInstance(job.getClass("map.sort.class",
QuickSort.class, IndexedSorter.class), job);
 

 

甚至map.sort.class排序的类都可以定制，默认使用的是快速排序。

 

 

SpillThread就是控制溢写的线程，是一个守护线程，在MapOutputBuffer中被调用：

 

spillThread.setDaemon(true);
spillThread.setName("SpillThread");
spillLock.lock();
try {
spillThread.start();
while (!spillThreadRunning) {
spillDone.await();
}
} catch (InterruptedException e) {
throw new IOException("Spill thread failed to initialize", e);
} finally {
spillLock.unlock();
}
if (sortSpillException != null) {
throw new IOException("Spill thread failed to initialize",
sortSpillException);
}
 

 

spillLock是一个可重入锁对象，带有两种类型的条件，done以及ready，分别表示溢写完成和准备开始溢写。

final ReentrantLock spillLock = new ReentrantLock();
final Condition spillDone = spillLock.newCondition();
final Condition spillReady = spillLock.newCondition();
 

 

根据代码理解，当累积的index内存超出mapreduce.task.index.cache.limit.bytes的限制后(1024*1024)，就会将索引的文件放到本地磁盘上，否则一直在内存里。

 

indexCacheMemoryLimit = job.getInt(JobContext.INDEX_CACHE_MEMORY_LIMIT,
INDEX_CACHE_MEMORY_LIMIT_DEFAULT);
if (totalIndexCacheMemory >= indexCacheMemoryLimit) {
// create spill index file
Path indexFilename =
mapOutputFile.getSpillIndexFileForWrite(numSpills, partitions
* MAP_OUTPUT_INDEX_RECORD_LENGTH);
spillRec.writeToFile(indexFilename, job);
} else {
indexCacheList.add(spillRec);
totalIndexCacheMemory +=
spillRec.size() * MAP_OUTPUT_INDEX_RECORD_LENGTH;
}
 

 

 在spill的过程中，还会同时进行Combine操作：

if (combinerRunner == null) {
// spill directly
DataInputBuffer key = new DataInputBuffer();
while (spindex < mend &&
kvmeta.get(offsetFor(spindex % maxRec) + PARTITION) == i) {
final int kvoff = offsetFor(spindex % maxRec);
int keystart = kvmeta.get(kvoff + KEYSTART);
int valstart = kvmeta.get(kvoff + VALSTART);
key.reset(kvbuffer, keystart, valstart - keystart);
getVBytesForOffset(kvoff, value);
writer.append(key, value);
++spindex;
}
} else {
int spstart = spindex;
while (spindex < mend &&
kvmeta.get(offsetFor(spindex % maxRec)
+ PARTITION) == i) {
++spindex;
}
// Note: we would like to avoid the combiner if we've fewer
// than some threshold of records for a partition
if (spstart != spindex) {
combineCollector.setWriter(writer);
RawKeyValueIterator kvIter =
new MRResultIterator(spstart, spindex);
combinerRunner.combine(kvIter, combineCollector);
}
}
 

 

如果combineRunner是空，表示没有设置Combine Class，这时就会直接溢写；否则，就可能进行Combiner过程。

 

注意下面的注释，”在某个partition的记录数量过少时，会避免使用Combiner”，可以理解为，为了性能考虑，避免无用的一些操作。

 

执行Combiner的方法，CombinerRunner.combine，由于要兼容老版本的类型，分为Old/NewCombineRunner，我们查看的是NewCombineRunner，

 

public void combine(RawKeyValueIterator iterator,
OutputCollector<K,V> collector
) throws IOException, InterruptedException,
ClassNotFoundException {
// make a reducer
org.apache.hadoop.mapreduce.Reducer<K,V,K,V> reducer =
(org.apache.hadoop.mapreduce.Reducer<K,V,K,V>)
ReflectionUtils.newInstance(reducerClass, job);
org.apache.hadoop.mapreduce.Reducer.Context
reducerContext = createReduceContext(reducer, job, taskId,
iterator, null, inputCounter,
new OutputConverter(collector),
committer,
reporter, comparator, keyClass,
valueClass);
reducer.run(reducerContext);
}
 

 

从代码中可以看出，Combiner就是Map端的Reducer，执行方式所有参数都与Reducer没有差别。

 

Combine会在两个时间点被调用，当map端缓冲区内存占用达到mapreduce.map.sort.spill.percent时，SpillThread进行，进行完成后，会执行一次Combine操作(合理地设置内存大小能够避免过多地spill，尽量放到内存操作)；还有一次，就是当Map端Collector收集数据完成之后，在MapOutputBuffer.flush()方法刷新缓冲区之后，也会调用sortAndSpill操作。

 

但是要注意，combine调用的不确定性，一定不能根据combine执行的次数编程，要做到Combine是幂等操作(@Idempotence, hadoop的源码中这种操作非常多)。

 

Spill的时候可以打印出来的一些日志：

2014-11-27 21:06:35,113 INFO [main] org.apache.hadoop.mapred.MapTask: Spilling map output
2014-11-27 21:06:35,113 INFO [main] org.apache.hadoop.mapred.MapTask: bufstart = 328052900; bufend = 93461297; bufvoid = 536870912
2014-11-27 21:06:35,113 INFO [main] org.apache.hadoop.mapred.MapTask: kvstart = 82013220(328052880); kvend = 50208864(200835456); length = 31804357/33554432
2014-11-27 21:06:35,113 INFO [main] org.apache.hadoop.mapred.MapTask: (EQUATOR) 125876129 kvi 31469028(125876112)
2014-11-27 21:07:04,801 INFO [main] org.apache.hadoop.mapred.MapTask: Finished spill 99
 


最后合理地使用Combiner可以大大减少中间结果的大小，同时带来Reducer端数据处理速度的提升，下面就是我们加入Combiner之后的输入输出纪录对比：