Hadoop Job提交相關知識點分析

這篇文章主要講解了“Hadoop Job提交相關知識點分析”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“Hadoop Job提交相關知識點分析”吧！

Configuration類是用來訪問hadoop的配置參數的。

Configuration類首先會通過靜態代碼段加載hadoop的配置文件core-default.xml和和core-site.xml，相關代碼如下：

<span >static{ 
    //print deprecation warning if hadoop-site.xml is found in classpath 
    ClassLoader cL = Thread.currentThread().getContextClassLoader(); 
    if (cL == null) { 
      cL = Configuration.class.getClassLoader(); 
    } 
    if(cL.getResource("hadoop-site.xml")!=null) { 
      LOG.warn("DEPRECATED: hadoop-site.xml found in the classpath. " + 
          "Usage of hadoop-site.xml is deprecated. Instead use core-site.xml, " 
          + "mapred-site.xml and hdfs-site.xml to override properties of " + 
          "core-default.xml, mapred-default.xml and hdfs-default.xml " + 
          "respectively"); 
    } 
    addDefaultResource("core-default.xml"); 
    addDefaultResource("core-site.xml"); 
  } </span>

defaultResources是一個ArrayList，用來保存默認的配置文件路徑。如果一個默認的配置文件路徑不在defaultResource里面，就添加進去，這個邏輯是在

addDefaultResource方法中實現的。

properties是一個Properties對象，保存從配置文件中解析出來的配置屬性，如果多個配置文件有相同的key，后者會覆蓋前者的值。

JobConf類用來配置Map/Reduce作業信息的，繼承自Configuration類。

JobConf類首先會通過靜態代碼段加載mapred-default.xml和mapred-site.xml配置屬性文件。

DEFAULT_MAPRED_TASK_JAVA_OPTS=“-Xmx200m”，默認情況下Map/Reduce任務的JAVA命令行選項指定的JAVA虛擬機最大內存是200M。

JobClient類是用戶與JobTracker交互的主要接口，通過它可以提交jobs，追蹤job的進度，訪問task組件的日志，查詢集群的狀態信息等。

提交job是通過runJob方法實現的，相關代碼如下：

<span >public static RunningJob runJob(JobConf job) throws IOException {
    JobClient jc = new JobClient(job);
    RunningJob rj = jc.submitJob(job);
    try {
      if (!jc.monitorAndPrintJob(job, rj)) {
        LOG.info("Job Failed: " + rj.getFailureInfo());
        throw new IOException("Job failed!");
      }
    } catch (InterruptedException ie) {
      Thread.currentThread().interrupt();
    }
    return rj;
  }</span>

首先創建一個JobClient對象，此對象在構造函數中會根據JobConf對象去連接JobTracker。

 JobClient與JobTracker通信是通過jobSubmitClient操作的，jobSubmitClient是JobSubmissionProtocol類型的動態代理類，是通過如下方法產生的：

<span >  private static JobSubmissionProtocol createRPCProxy(InetSocketAddress addr,
      Configuration conf) throws IOException {
    return (JobSubmissionProtocol) RPC.getProxy(JobSubmissionProtocol.class,
        JobSubmissionProtocol.versionID, addr, 
        UserGroupInformation.getCurrentUser(), conf,
        NetUtils.getSocketFactory(conf, JobSubmissionProtocol.class));
  }</span>

getProxy方法的關鍵是Invoker類，Invoker類實現了InvocationHandler接口，主要有兩個成員變量，remoteId是Client.ConnectionId類型，保存連接地址和用戶的ticket，客戶端連接服務器由<remoteAddress，protocol，ticket>唯一標識。從這里我們也可以看到一些配置屬性值，默認的rpcTimeout是0，

ipc.client.connection.maxidletime客戶端連接的最大空閑時間是10s，

ipc.client.connect.max.retries客戶端同服務器建立連接時的最大重試次數是10，

ipc.client.tcpnodelay是否開啟Nagle算法（對TCP/IP進行擁塞控制），如果開啟，會減少延遲，但是會增加小數據報，默認是false。client是Client類，用于IPC通信。client會通過ClientCache類來緩存，如果緩存中沒有，會新建一個Client，否則原client計數加1。Invoker類主要的方法是invoke方法，invoke方法的功能是調用client的方法然后返回結果。動態代理類代理的對象是Client對象。

submitJobInternal方法是真正用來提交job的，具體步驟如下：

1、初始化staging目錄，staging目錄根目錄是由mapreduce.jobtracker.staging.root.dir配置的，默認是/tmp/hadoop/mapred/staging，具體到某個用戶的staging目錄是$ROOT/userName/.staging。

2、從JobTracker那里取得新的job id，job id從1開始遞增。

3、獲得提交job的目錄submitJobDir=用戶的staging目錄/jobid，并且將這個目錄設置成mapreduce.job.dir的值。

 4、copyAndConfigureFiles拷貝和初始化文件，首先從配置屬性mapred.submit.replication取得replication值，默認為10。然后判斷submitJobDir目錄是否存在，如果存在拋異常；否則創建submitJobDir目錄；取得job的分布式緩存文件路徑=submitJobDir/files；取得job的分布式緩存存檔路徑=submitJobDir/archives；取得job的分布式緩存libjars路徑=submitJobDir/libjars；如果命令行參數有tmpfiles，則將這些文件拷貝到分布式緩存文件路徑下，同時將這個路徑加入到分布式緩存中；如果命令行參數有tmpjars，則將這些文件拷貝到分布式緩存libjars路徑下，同時將這個路徑加入到分布式緩存中；如果命令行參數有tmparchives，則將這些文件拷貝到分布式緩存存檔路徑下，同時將這個路徑加入到分布式緩存中；根據mapred.jar屬性取得jar包的路徑，如果沒有指定job的名字，那么將使用jar包的名字作為job名字；取得job jar的存儲路徑=submitJobDir/job.jar；將用戶指定的jar包拷貝到job jar的存儲路徑；設置工作目錄，默認是配置屬性mapred.working.dir指定的值。

5、取得job配置文件的路徑submitJobFile=submitJobDir/job.xml；設置

mapreduce.job.submithostaddress為本機ip地址，設置

mapreduce.job.submithost為本機主機名。

6、為job創建輸入分區，這是由writeSplits方法完成的。以old api為例，首先調用InputFormat的getSplits方法得到一個InputSplit分區數組，FileInputFormat類的getSplits方法實現過程如下：

通過listStatus方法取得輸入文件路徑列表，過濾掉_和.開頭的路徑以及根據設置的mapred.input.pathFilter.class過濾；

在JobConf中設置mapreduce.input.num.files為輸入文件數；

計算出所有輸入文件的總大小totalSize，目標分區大小goalSize=totalSize/numSplits(由mapred.map.tasks配置，默認為1)，最小分區大小minSize=mapred.min.split.size配置和1之間的較大值，對于每一個輸入文件，如果這個文件的長度不等于0并且是可切分的，計算分區大小splitSize=Math.max(minSize,Math.min(goalSize,blockSize))，blockSize為HDFS存儲文件的塊大小，對于每一個分區大小，計算對其貢獻最大的主機數組（根據機架以及塊的字節大小確定），然后將這個分區加入到分區列表；然后根據分區大長度從大到小對分區列表進行排序；然后將分區列表寫入到分區文件，分區文件名=submitJobDir/job.split，分區文件的存儲格式：SPL字節信息，分區版本號，{InputSplit類名，InputSplit類信息}+；SplitMetaInfo數組記錄每個分區信息在文件中的偏移，主機信息和長度；將分區Meta信息SplitMetaInfo數組寫入到文件submitJobDir/job.splitmetainfo。

7、JobConf設置mapred.map.tasks為分區數。

8、根據mapred.job.queue.name獲得job提交的隊列的名字，默認是default，然后根據這個隊列名字獲得訪問控制列表。

9、將重新配置過的JobConf寫入到submitJobDir/job.xml文件。

10、將jobid，submitJobDir信息傳給JobTracker正式提交job，并通過NetworkedJob對象跟蹤job的狀態。

monitorAndPrintJob方法監控job的運行并且實時打印job的狀態。

感謝各位的閱讀，以上就是“Hadoop Job提交相關知識點分析”的內容了，經過本文的學習后，相信大家對Hadoop Job提交相關知識點分析這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！