Hadoop对Map执行框架的实现(TaskTracker端)

在前一篇文章中（见 http://www.linuxidc.com/Linux/2012-02/54708.htm ），我从客户端详细的讲解了Hadoop对Map执行框架的实现，即客户端可以自己定义或实现给map操作输入怎样的key-value值、map操作、如何根据map输出的key进行排序、如何对map输出的key-value集合进行合并等。用户在提交作业之前对它进行这些进行相应的配置即可。那么，TaskTracker在真正执行作业的任务时是如何根据用户的设置信息来把Map任务相关操作组合成一个有机的整体从而完成作业的map操作呢？这就是本文所要讨论的重点。

任何一个Map任务都被Hadoop抽象成一个MapTask对象，因此，这个Map任务也就是在对应的MapTask中调度执行的了。老规矩，还是先来看看与Map任务真正在TaskTracker端执行相关的具体类吧！

MapTask会在runNewMapper()方法中构造与map任务相关的组件，然后调用map任务执行器Mapper的run()方法来正式的执行map操作，这个过程如下：

下面，我就结合Hadoop的源代码来集体的讲一讲上面的这个过程：

1.构造map任务执行器Mapper

map任务执行器定义了如何对作业的输入数据进行map操作，这个map任务执行器一般是由用户自定义的，但很明显它必须要继承自org.apache.hadoop.mapreduce.Mapper类，并重写它的map(K,V,Context)方法。用户在自定义了自己的map操作之后就可以调用Job的setMapperClass()方法来设置作业的map操作类型。因此，MapTask在构造该任务执行器时通过一条简单的语句就可实例化一个mapper类型的对象：

org.apache.hadoop.mapreduce.Mapper<INKEY,INVALUE,OUTKEY,OUTVALUE>mapper= (org.apache.hadoop.mapreduce.Mapper<INKEY,INVALUE,OUTKEY,OUTVALUE>)ReflectionUtils.newInstance(taskContext.getMapperClass(), job);

2.构造记录读取器RecordReader

记录读取器RecordReader用来读取map任务的原始输入数据，并把这些数据构造成一个key-value结合，这些key-value就是任务执行器Mapper中map(K,V,Context)方法需要的K，V输入。记录读取器RecordReader的创建可能有一点点的复杂，它首先必须来自一个输入格式化类InputFormat的实现，同时InputFormat的实现必须要定义如何对作业的原始输入数据进行切分，每一个切分被保存到对应的InputSplit实现对象中，也就是说一个InputFormat的实现对应一个RecordReader实现和一个InputSplit实现，然后我们可以再对这个RecordReader进行进一步的包装。所以在Hadoop的0.2.2版本实现中MapTask用到的最顶层的记录读取器的实现是NewTractingRecordReader，这个RecordReader实现就是简单地对最原始的RecordReader(直接来自于InputFormat的实现)进行了包装，另外它还包含一个任务报告器，因为可以根据输入数据的读取量来估计当前任务的执行进度。看一下它的代码实现：

//获取用户的InputFormat实现的实例

org.apache.hadoop.mapreduce.InputFormat<INKEY,INVALUE>inputFormat= (org.apache.hadoop.mapreduce.InputFormat<INKEY,INVALUE>) ReflectionUtils.newInstance(taskContext.getInputFormatClass(), job);

//获取用户的InputSplit实现的实例，同时读入map任务对应的输入数据的位置等信息

org.apache.hadoop.mapreduce.InputSplit split = null;

DataInputBuffer splitBuffer = new DataInputBuffer();

splitBuffer.reset(rawSplit.getBytes(), 0, rawSplit.getLength());

SerializationFactory factory = new SerializationFactory(job);

Deserializer<? extends org.apache.hadoop.mapreduce.InputSplit> deserializer = (Deserializer<? extends org.apache.hadoop.mapreduce.InputSplit>) factory.getDeserializer(job.getClassByName(splitClass));

deserializer.open(splitBuffer);

split = deserializer.deserialize(null);

//创建记录读取器

org.apache.hadoop.mapreduce.RecordReader<INKEY,INVALUE> input = new NewTrackingRecordReader<INKEY,INVALUE> (inputFormat.createRecordReader(split, taskContext), reporter);

3.构造记录写入器(map任务输出收集器)RecordWriter

在Hadoop的0.2.2版本实现中MapTask用到的map任务输出收集器有两个实现：NewOutputCollector和NewDirectOutputCollector，当作业中没有设置reduce操作的时候就采用NewDirectOutputCollector实现，否则就采用NewDirectOutputCollector实现；当时无论是NewOutputCollector还是NewDirectOutputCollector，它们都包含一个任务报告器，这是因为可以通过map输出数据的收集情况来估计任务的执行进度。至于这个任务输出收集器在其内部到底干了些什么事，如排序、合并等，我将会后面的博文中讨论。

4.组装Map上下文执行环境Context

组装Map上下文执行环境Context很简单，将是要将与map相关的主要组件记录读取器RecordReader、记录写入器RecordWriter、任务报告器等放入Context对象中。

5.初始化记录读取器RecordReade

初始化RecordReade实际上就是对它做一些初始化工作，如：获取输入数据文件的物理位置、申请数据缓存的内存空间、打开输入文件等。

6.运行map任务执行器Maper

就是调用Maper用户实现的run()方法，该方法也很简单，代码如下：

public void run(Context context) throws IOException, InterruptedException {

setup(context);

while (context.nextKeyValue()) {

map(context.getCurrentKey(), context.getCurrentValue(), context);

}

cleanup(context);

}

我在这里只详细地介绍了与map任务在TaskTracker端真正执行这一过程，对于map任务执行完毕后向它的TaskTracker报告，以及TaskTracker向JobTracker报告等动作，我没有做任何的讨论。