【Hadoop代码笔记】Hadoop作业提交之客户端作业提交
一、概要描述
仅仅描述向Hadoop提交作业的第一步，即调用Jobclient的submitJob方法，向Hadoop提交作业。
二、 流程描述
Jobclient使用内置的JobSubmissionProtocol 实例jobSubmitClient 和JobTracker交互，最主要是提交作业、获取作业执行信息等。
在JobClient中作业提交的主要过程如下：
1）通过调用JobTracker的getNewJobId()向jobtracker请求一个新的作业ID
2）获取job的jar、输入分片、作业描述等几个路径信息，以jobId命名。
3）其中getSystemDir()是返回jobtracker的系统目录，来放置job相关的文件。包括：mapreduce的jar文件submitJarFile、分片文件submitSplitFile、作业描述文件submitJobFile
4）检查作业的输出说明，如果没有指定输出目录或输出目录以及存在，则作业不提交。参照org.apache.hadoop.mapreduce.lib.output.FileOutputFormat的checkOutputSpecs方法。如果没有指定，则抛出InvalidJobConfException，文件已经存在则抛出FileAlreadyExistsException
5）计算作业的输入分片。通过InputFormat的getSplits(job)方法获得作业的split并将split序列化封装为RawSplit。返回split数目，也即代表有多个分片有多少个map。详细参见InputFormat获取Split的方法。
6）writeNewSplits 方法把输入分片写到JobTracker的job目录下。
7）将运行作业所需的资源（包括作业jar文件，配置文件和计算所得的输入分片）复制到jobtracker的文件系统中一个以作业ID命名的目录下。
8）使用句柄JobSubmissionProtocol通过RPC远程调用的submitJob()方法，向JobTracker提交作业。JobTracker作业放入到内存队列中，由作业调度器进行调度。并初始化作业实例。JobTracker创建job成功后会给JobClient传回一个JobStatus对象用于记录job的状态信息，如执行时间、Map和Reduce任务完成的比例等。JobClient会根据这个JobStatus对象创建一个 NetworkedJob的RunningJob对象，用于定时从JobTracker获得执行过程的统计数据来监控并打印到用户的控制台。
mapreduce 作业提交和执行
引用下Hadoop: The Definitive Guide, Second Edition中的一张经典图。这里仅仅描述上图中的左上角第一个框部分内容，即本步骤的最终输出仅仅是将作业提交到JobTracker。其他后续文章会继续描述。
三、代码详细
Jobclient：JobClient是向JobTracker提交作业的接口，可以理解为Hadoop的Mapreduce作业框架向用户开放的作业提交入口。可以提交作业，监视作业状态等
JobSubmissionProtocol（为什么0.20.1的javadoc中找不到这个接口，虽然0.20.1 0.20.2代码中都是相同的用法，知道2.2.0貌似重命名为被ClientProtocol替换）：JobClient和JobTracker进行通信的一个协议。JobClient实际上是用这个句柄来提交锁业并且监视作业的执行状况。
这个接口有两个实现：LocalJobRunner(conf)当mapred-site.xml中的mapred.job.tracker值为local是为此对象。表示在单机上执行；如果为一个地址的话则是JobTracker的对象，表示分布式执行。
详细可参照JobClient中 的初始化代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
/**
*如果是非local的就会 连接到指定的JobTracker
*/
public void init ( JobConf conf ) throws IOException { String tracker = conf . get ( “mapred.job.tracker” , “local” ) ; if ( “local” . equals ( tracker ) ) { this . jobSubmitClient = new LocalJobRunner ( conf ) ; } else { this . jobSubmitClient = createRPCProxy ( JobTracker . getAddress ( conf ) , conf ) ; } } /*
* RPC不是本次主题重点，可参照后续发表的专题内容
*/
private JobSubmissionProtocol createRPCProxy ( InetSocketAddress addr , Configuration conf ) throws IOException { return ( JobSubmissionProtocol ) RPC . getProxy ( JobSubmissionProtocol . class , JobSubmissionProtocol . versionID , addr , getUGI ( conf ) , conf , NetUtils . getSocketFactory ( conf , JobSubmissionProtocol . class ) ) ; } |
Split重要，但暂不展开（此处会有链接）
RowSplit要，但暂不展开（此处会有链接）
通过代码来了解流程，了解如何调用JobClient向Hadoop集群提交作业。
|
1
2
3
4
5
6
7
8
9
10
|
public RunningJob submitJob ( JobConf job ) throws FileNotFoundException , IOException { try { return submitJobInternal ( job ) ; } catch ( InterruptedException ie ) { throw new IOException ( “interrupted” , ie ) ; } catch ( ClassNotFoundException cnfe ) { throw new IOException ( “class not found” , cnfe ) ; } } |
实际方法的执行是submitJobInternal方法。着重看下这个方法的内部执行。主要的逻辑部分比较详细的进行了注释。（有些想继续展开，感觉太细了，后面的文章中部分重要的会有涉及，不想深度遍历了，到时会回过头来互相链接）
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
|
1 public RunningJob submitJobInternal ( JobConf job ) 2 throws FileNotFoundException , ClassNotFoundException , 3 InterruptedException , IOException { 4 5 // 1）通过调用JobTracker的getNewJobId()向jobtracker请求一个新的作业ID 6 JobID jobId = jobSubmitClient . getNewJobId ( ) ; 7 // 2）获取job的jar、输入分片、作业描述等几个路径信息，以jobId命名。 8 // 3）其中getSystemDir()是返回jobtracker的系统目录，来放置job相关的文件。包括：mapreduce的jar文件submitJarFile、分片文件submitSplitFile、作业描述文件submitJobFile 9
10
Path submitJobDir = new Path ( getSystemDir ( ) , jobId . toString ( ) ) ;
11
Path submitJarFile = new Path ( submitJobDir , “job.jar” ) ;
12
Path submitSplitFile = new Path ( submitJobDir , “job.split” ) ;
13
configureCommandLineOptions ( job , submitJobDir , submitJarFile ) ;
14
Path submitJobFile = new Path ( submitJobDir , “job.xml” ) ;
15
int reduces = job . getNumReduceTasks ( ) ;
16
JobContext context = new JobContext ( job , jobId ) ;
17
18
// Check the output specification
19
// 4）检查作业的输出说明，如果没有指定输出目录或输出目录以及存在，则作业不提交。参照org.apache.hadoop.mapreduce.lib.output.FileOutputFormat的checkOutputSpecs方法。如果没有指定，则抛出InvalidJobConfException，文件已经存在则抛出FileAlreadyExistsException
20
21
if ( reduces == 0 ? job . getUseNewMapper ( ) : job . getUseNewReducer ( ) ) {
22
org . apache . hadoop . mapreduce . OutputFormat & lt ; & gt ; output = ReflectionUtils
23
. newInstance ( context . getOutputFormatClass ( ) , job ) ;
24
output . checkOutputSpecs ( context ) ;
25
} else {
26
job . getOutputFormat ( ) . checkOutputSpecs ( fs , job ) ;
27
}
28
29
// 5）计算作业的输入分片。详细参见FormatInputFormat获取Split的方法。
30
// 6）writeNewSplits 方法把输入分片写到JobTracker的job目录下，名称是submitSplitFile
31
// job.split名称。
32
// 7）将运行作业所需的资源（包括作业jar文件，配置文件和计算所得的输入分片）复制到jobtracker的文件系统中一个以作业ID命名的目录下。
33
34
// Create the splits for the job
35
LOG . debug ( “Creating splits at “ + fs . makeQualified ( submitSplitFile ) ) ;
36
int maps ;
37
if ( job . getUseNewMapper ( ) ) {
38
maps = writeNewSplits ( context , submitSplitFile ) ;
39
} else {
40
maps = writeOldSplits ( job , submitSplitFile ) ;
41
}
42
job . set ( “mapred.job.split.file” , submitSplitFile . toString ( ) ) ;
43
job . setNumMapTasks ( maps ) ;
44
45
// Write job file to JobTracker’s fs
46
FSDataOutputStream out = FileSystem . create ( fs , submitJobFile ,
47
new FsPermission ( JOB_FILE_PERMISSION ) ) ;
48
49
try {
50
job . writeXml ( out ) ;
51
} finally {
52
out . close ( ) ;
53
}
54
55
// 8）使用句柄JobSubmissionProtocol通过RPC远程调用的submitJob()方法，向JobTracker提交作业。JobTracker根据接收到的submitJob()方法调用后，把调用放入到内存队列中，由作业调度器进行调度。并初始化作业实例。
56
57
JobStatus status = jobSubmitClient . submitJob ( jobId ) ;
58
if ( status != null ) {
59
return new NetworkedJob ( status ) ;
60
} else {
61
throw new IOException ( “Could not launch job” ) ;
62
}
63
} |
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
|
/**
* JobTracker.submitJob() kicks off a new job.
*
* Create a ‘JobInProgress’ object, which contains both JobProfile
* and JobStatus. Those two sub-objects are sometimes shipped outside
* of the JobTracker. But JobInProgress adds info that’s useful for
* the JobTracker alone.
*/
public synchronized JobStatus submitJob ( JobID jobId ) throws IOException { if ( jobs . containsKey ( jobId ) ) { //job already running, don’t start twice return jobs . get ( jobId ) . getStatus ( ) ; } JobInProgress job = new JobInProgress ( jobId , this , this . conf ) ; String queue = job . getProfile ( ) . getQueueName ( ) ; if ( ! ( queueManager . getQueues ( ) . contains ( queue ) ) ) { new CleanupQueue ( ) . addToQueue ( conf , getSystemDirectoryForJob ( jobId ) ) ; throw new IOException ( “Queue /”” + queue + “/” does not exist” ) ; } // check for access try { checkAccess ( job , QueueManager . QueueOperation . SUBMIT_JOB ) ; } catch ( IOException ioe ) { LOG . warn ( “Access denied for user “ + job . getJobConf ( ) . getUser ( ) + “. Ignoring job “ + jobId , ioe ) ; new CleanupQueue ( ) . addToQueue ( conf , getSystemDirectoryForJob ( jobId ) ) ; throw ioe ; } return addJob ( jobId , job ) ; } |
原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/tech/bigdata/9174.html