Yarn源码分析之MRAppMaster上MapReduce作业处理总流程（一）

我们知道，如果想要在Yarn上运行MapReduce作业，仅需实现一个ApplicationMaster组件即可，而MRAppMaster正是MapReduce在Yarn上ApplicationMaster的实现，由其控制MR作业在Yarn上的执行。如此，随之而来的一个问题就是，MRAppMaster是如何控制MapReduce作业在Yarn上运行的，换句话说，MRAppMaster上MapReduce作业处理总流程是什么？这就是本文要研究的重点。

        通过MRAppMaster类的定义我们就能看出，MRAppMaster继承自CompositeService，而CompositeService又继承自AbstractService，也就是说MRAppMaster也是Hadoop中的一种服务，我们看下服务启动的serviceStart()方法中关于MapReduce作业的处理，关键代码如下：

@SuppressWarnings("unchecked")
@Override
protected void serviceStart() throws Exception {

  // ......省略部分代码

  // 调用createJob()方法创建作业Job实例job
  // /////////////////// Create the job itself.
  job = createJob(getConfig(), forcedState, shutDownMessage);

  // End of creating the job.

  // ......省略部分代码

  // 作业初始化失败标志位initFailed默认为false，即初始化成功，没有错误
  boolean initFailed = false;
  if (!errorHappenedShutDown) {

    // create a job event for job intialization
    // 创建一个Job初始化事件initJobEvent
    JobEvent initJobEvent = new JobEvent(job.getID(), JobEventType.JOB_INIT);

    // Send init to the job (this does NOT trigger job execution)
    // This is a synchronous call, not an event through dispatcher. We want
    // job-init to be done completely here.
    // 调用jobEventDispatcher的handle()方法，处理Job初始化事件initJobEvent，即将Job初始化事件交由事件分发器jobEventDispatcher处理，
    jobEventDispatcher.handle(initJobEvent);

    // If job is still not initialized, an error happened during
    // initialization. Must complete starting all of the services so failure
    // events can be processed.
    // 获取Job初始化结果initFailed
    initFailed = (((JobImpl)job).getInternalState() != JobStateInternal.INITED);

    // JobImpl's InitTransition is done (call above is synchronous), so the
    // "uber-decision" (MR-1220) has been made.  Query job and switch to
    // ubermode if appropriate (by registering different container-allocator
    // and container-launcher services/event-handlers).

    // ......省略部分代码

    // Start ClientService here, since it's not initialized if
    // errorHappenedShutDown is true

    // 启动客户端服务clientService
    clientService.start();
  }

  //start all the components
  // 调用父类的serviceStart()，启动所有组件
  super.serviceStart();

  // finally set the job classloader
  // 最终设置作业类加载器
  MRApps.setClassLoader(jobClassLoader, getConfig());

  if (initFailed) {
    // 如果作业初始化失败，构造作业初始化失败JOB_INIT_FAILED事件，并交由事件分发器jobEventDispatcher处理
    JobEvent initFailedEvent = new JobEvent(job.getID(), JobEventType.JOB_INIT_FAILED);
    jobEventDispatcher.handle(initFailedEvent);
  } else {
    // All components have started, start the job.
    // 调用startJobs()方法启动作业
    startJobs();
  }
}

        通过MRAppMaster服务启动的serviceStart()方法我们大致知道，MapReduce作业在MRAppMaster中经历了创建--初始化--启动三个主要过程，剪去枝叶，保留主干，具体如下：

        1、创建：调用createJob()方法创建作业Job实例job；

        2、初始化：

              2.1、创建一个Job初始化事件initJobEvent；

              2.2、调用jobEventDispatcher的handle()方法，处理Job初始化事件initJobEvent，即将Job初始化事件交由事件分发器jobEventDispatcher处理；

              2.3、获取Job初始化结果initFailed；

              2.4、如果作业初始化失败，构造作业初始化失败JOB_INIT_FAILED事件，并交由事件分发器jobEventDispatcher处理。

        3、启动：调用startJobs()方法启动作业。

         实际上，作业启动后不可能永远都不停止，MRAppMaster最终会将作业停止，这也是作业处理流程的第四步，即最后一步，作业停止！在哪里处理的呢？我们先卖个关子，请您暂时忽略这个问题，我们稍后会给出答案！

        下面，我们针对MapReduce作业的上述三个主要过程，分别展开描述。

        一、创建

        首先看作业创建，createJob()方法如下：

/** Create and initialize (but don't start) a single job.
 * @param forcedState a state to force the job into or null for normal operation.
 * @param diagnostic a diagnostic message to include with the job.
 */
protected Job createJob(Configuration conf, JobStateInternal forcedState,
    String diagnostic) {

  // create single job
/ 创建一个作业Job实例newJob，其实现为JobImpl
  Job newJob =
      new JobImpl(jobId, appAttemptID, conf, dispatcher.getEventHandler(),
          taskAttemptListener, jobTokenSecretManager, jobCredentials, clock,
          completedTasksFromPreviousRun, metrics,
          committer, newApiCommitter,
          currentUser.getUserName(), appSubmitTime, amInfos, context,
          forcedState, diagnostic);

  // 将新创建的作业newJob的jobId与其自身的映射关系存储到应用运行上下文信息context中的jobs集合中
  ((RunningAppContext) context).jobs.put(newJob.getID(), newJob);

  // 异步事件分发器dispatcher注册作业完成事件JobFinishEvent对应的事件处理器，通过createJobFinishEventHandler()方法获得
  dispatcher.register(JobFinishEvent.Type.class,
      createJobFinishEventHandler());
  // 返回新创建的作业newJob
  return newJob;
} // end createJob()

        其主要逻辑如下：

        1、创建一个作业Job实例newJob，其实现为JobImpl，传入作业艾迪jobId、应用尝试艾迪appAttemptID、任务尝试监听器taskAttemptListener、输出提交器committer、用户名currentUser.getUserName()、应用运行上下文信息context等关键成员变量；

        2、将新创建的作业newJob的jobId与其自身的映射关系存储到应用运行上下文信息context中的jobs集合中；

        3、异步事件分发器dispatcher注册作业完成事件JobFinishEvent对应的事件处理器，通过createJobFinishEventHandler()方法获得；

        4、返回新创建的作业newJob。

        关于作业创建中的一些细节，我们暂时先不做过多关注，留待以后的文章专门进行分析。这里，我们先重点看看第3步，异步事件分发器dispatcher注册作业完成事件JobFinishEvent对应的事件处理器，通过createJobFinishEventHandler()方法获得，而createJobFinishEventHandler()方法代码如下：

/**
 * create an event handler that handles the job finish event.
 * @return the job finish event handler.
 */
protected EventHandler<JobFinishEvent> createJobFinishEventHandler() {
  return new JobFinishEventHandler();
}

        也就是说，当作业被创建后，它就被定义了作业完成事件JobFinishEvent的处理器为JobFinishEventHandler，而JobFinishEventHandler的定义如下：

private class JobFinishEventHandler implements EventHandler<JobFinishEvent> {
  @Override
  public void handle(JobFinishEvent event) {
    // Create a new thread to shutdown the AM. We should not do it in-line
    // to avoid blocking the dispatcher itself.
    new Thread() {

      @Override
      public void run() {
        shutDownJob();
      }
    }.start();
  }
}

        这就是我们上面没有详细介绍的第四步--作业停止，它最终是调用的shutDownJob()方法，并开启一个新的线程来完成作业停止的，我们稍后再做介绍。

        二、初始化

        我们再来看作业的初始化，它是通过创建一个Job初始化事件JobEvent实例initJobEvent，事件类型为JobEventType.JOB_INIT，然后交由事件分发器jobEventDispatcher处理的。我们先来看下这个jobEventDispatcher的定义及实例化，如下：

// 作业事件分发器
private JobEventDispatcher jobEventDispatcher;

         jobEventDispatcher是一个JobEventDispatcher类型的作业事件分发器，其实例化为：

this.jobEventDispatcher = new JobEventDispatcher();

        而JobEventDispatcher的定义如下：

private class JobEventDispatcher implements EventHandler<JobEvent> {
  @SuppressWarnings("unchecked")
  @Override
  public void handle(JobEvent event) {
    // 从应用运行上下文信息context中根据jobId获取Job实例，即JobImpl对象，调用其handle()方法，处理对应事件
    ((EventHandler<JobEvent>)context.getJob(event.getJobId())).handle(event);
  }
}

        很简单，从应用运行上下文信息context中根据jobId获取Job实例，即JobImpl对象，调用其handle()方法，处理对应事件，而这个Job实例，还记得上面描述的吗，就是在Job最初被创建时，被添加到应用运行上下文信息context中jobs集合中的，key为jobId，value就是JobImpl对象。context的实现RunningAppContext中，根据jobId获取job实例的代码如下：

@Override
public Job getJob(JobId jobID) {
  return jobs.get(jobID);
}

        好了，我们就看下JobImpl中handle()方法是如何对类型为JobEventType.JOB_INIT的JobEvent进行处理的吧！

@Override
/**
 * The only entry point to change the Job.
 */
public void handle(JobEvent event) {
  if (LOG.isDebugEnabled()) {
    LOG.debug("Processing " + event.getJobId() + " of type "
        + event.getType());
  }
  try {
    writeLock.lock();
    JobStateInternal oldState = getInternalState();
    try {
       getStateMachine().doTransition(event.getType(), event);
    } catch (InvalidStateTransitonException e) {
      LOG.error("Can't handle this event at current state", e);
      addDiagnostic("Invalid event " + event.getType() +
          " on Job " + this.jobId);
      eventHandler.handle(new JobEvent(this.jobId,
          JobEventType.INTERNAL_ERROR));
    }
    //notify the eventhandler of state change
    if (oldState != getInternalState()) {
      LOG.info(jobId + "Job Transitioned from " + oldState + " to "
               + getInternalState());
      rememberLastNonFinalState(oldState);
    }
  }

  finally {
    writeLock.unlock();
  }
}

        最核心的就是通过语句getStateMachine().doTransition(event.getType(), event)进行处理，实际上这牵着到了Yarn中MapReduce作业的状态机，为了本文叙述的流畅性、简洁性、重点明确性，我们对于作业状态机先不做解释，这部分内容留待以后的文章专门进行介绍，这里你只要知道作业初始化最终是通过JobImpl静态内部类InitTransition的transition()方法来实现的就行。我们看下InitTransition的transition()方法，如下：

/**
     * Note that this transition method is called directly (and synchronously)
     * by MRAppMaster's init() method (i.e., no RPC, no thread-switching;
     * just plain sequential call within AM context), so we can trigger
     * modifications in AM state from here (at least, if AM is written that
     * way; MR version is).
     */
    @Override
    public JobStateInternal transition(JobImpl job, JobEvent event) {

      // 调用作业度量指标体系metrics的submittedJob()方法，提交作业
      job.metrics.submittedJob(job);

      // 调用作业度量指标体系metrics的preparingJob()方法，开始作业准备
      job.metrics.preparingJob(job);

      // 新旧API创建不同的作业上下文JobContextImpl实例
      if (job.newApiCommitter) {
        job.jobContext = new JobContextImpl(job.conf,
            job.oldJobId);
      } else {
        job.jobContext = new org.apache.hadoop.mapred.JobContextImpl(
            job.conf, job.oldJobId);
      }

      try {

        // 调用setup()方法，完成作业启动前的部分初始化工作
        setup(job);

        // 设置作业job对应的文件系统fs
        job.fs = job.getFileSystem(job.conf);

        //log to job history
        // 创建作业已提交事件JobSubmittedEvent实例jse
        JobSubmittedEvent jse = new JobSubmittedEvent(job.oldJobId,
              job.conf.get(MRJobConfig.JOB_NAME, "test"),
            job.conf.get(MRJobConfig.USER_NAME, "mapred"),
            job.appSubmitTime,
            job.remoteJobConfFile.toString(),
            job.jobACLs, job.queueName,
            job.conf.get(MRJobConfig.WORKFLOW_ID, ""),
            job.conf.get(MRJobConfig.WORKFLOW_NAME, ""),
            job.conf.get(MRJobConfig.WORKFLOW_NODE_NAME, ""),
            getWorkflowAdjacencies(job.conf),
            job.conf.get(MRJobConfig.WORKFLOW_TAGS, ""));

        // 将作业已提交事件JobSubmittedEvent实例jse封装成作业历史事件JobHistoryEvent交由作业的时事件处理器eventHandler处理
        job.eventHandler.handle(new JobHistoryEvent(job.jobId, jse));
        //TODO JH Verify jobACLs, UserName via UGI?

        // 调用createSplits()方法，创建分片，并获取任务分片元数据信息TaskSplitMetaInfo数组taskSplitMetaInfo
        TaskSplitMetaInfo[] taskSplitMetaInfo = createSplits(job, job.jobId);

        // 确定Map Task数目numMapTasks：分片元数据信息数组的长度，即有多少分片就有多少numMapTasks
        job.numMapTasks = taskSplitMetaInfo.length;
        // 确定Reduce Task数目numReduceTasks，取作业参数mapreduce.job.reduces，参数未配置默认为0
        job.numReduceTasks = job.conf.getInt(MRJobConfig.NUM_REDUCES, 0);

        // 确定作业的map和reduce权重mapWeight、reduceWeight
        if (job.numMapTasks == 0 && job.numReduceTasks == 0) {
          job.addDiagnostic("No of maps and reduces are 0 " + job.jobId);
        } else if (job.numMapTasks == 0) {
          job.reduceWeight = 0.9f;
        } else if (job.numReduceTasks == 0) {
          job.mapWeight = 0.9f;
        } else {
          job.mapWeight = job.reduceWeight = 0.45f;
        }

        checkTaskLimits();

        // 根据分片元数据信息计算输入长度inputLength，也就是作业大小
        long inputLength = 0;
        for (int i = 0; i < job.numMapTasks; ++i) {
          inputLength += taskSplitMetaInfo[i].getInputDataLength();
        }

        // 根据作业大小inputLength，调用作业的makeUberDecision()方法，决定作业运行模式是Uber模式还是Non-Uber模式
        job.makeUberDecision(inputLength);

        // 根据作业的Map、Reduce任务数目之和，外加10，
        // 初始化任务尝试完成事件TaskAttemptCompletionEvent列表taskAttemptCompletionEvents
        job.taskAttemptCompletionEvents =
            new ArrayList<TaskAttemptCompletionEvent>(
                job.numMapTasks + job.numReduceTasks + 10);

        // 根据作业的Map任务数目，外加10，
        // 初始化Map任务尝试完成事件TaskCompletionEvent列表mapAttemptCompletionEvents
        job.mapAttemptCompletionEvents =
            new ArrayList<TaskCompletionEvent>(job.numMapTasks + 10);

        // 根据作业的Map、Reduce任务数目之和，外加10，
        // 初始化列表taskCompletionIdxToMapCompletionIdx
        job.taskCompletionIdxToMapCompletionIdx = new ArrayList<Integer>(
            job.numMapTasks + job.numReduceTasks + 10);

        // 确定允许Map、Reduce任务失败百分比，
        // 取参数mapreduce.map.failures.maxpercent、mapreduce.reduce.failures.maxpercent，
        // 参数未配置均默认为0，即不允许Map和Reduce任务失败
        job.allowedMapFailuresPercent =
            job.conf.getInt(MRJobConfig.MAP_FAILURES_MAX_PERCENT, 0);
        job.allowedReduceFailuresPercent =
            job.conf.getInt(MRJobConfig.REDUCE_FAILURES_MAXPERCENT, 0);

        // create the Tasks but don't start them yet
        // 创建Map Task
        createMapTasks(job, inputLength, taskSplitMetaInfo);
        // 创建Reduce Task
        createReduceTasks(job);

        // 调用作业度量指标体系metrics的endPreparingJob()方法，结束作业准备
        job.metrics.endPreparingJob(job);

        // 返回作业内部状态，JobStateInternal.INITED，即已经初始化
        return JobStateInternal.INITED;
      } catch (Exception e) {

        // 记录warn级别日志信息:Job init failed，并打印出具体异常
        LOG.warn("Job init failed", e);
        // 调用作业度量指标体系metrics的endPreparingJob()方法，结束作业准备
        job.metrics.endPreparingJob(job);
        job.addDiagnostic("Job init failed : "
            + StringUtils.stringifyException(e));
        // Leave job in the NEW state. The MR AM will detect that the state is
        // not INITED and send a JOB_INIT_FAILED event.

        // 返回作业内部状态，JobStateInternal.NEW，即初始化失败后的新建
        return JobStateInternal.NEW;
      }
    }

        为了主体逻辑清晰，我们去掉部分细节，保留主干，将作业初始化总结如下：

        1、调用setup()方法，完成作业启动前的部分初始化工作，实际上最重要的两件事就是：

               1.1、获取并设置作业远程提交路径remoteJobSubmitDir；

               1.2、获取并设置作业远程配置文件remoteJobConfFile；

        2、调用createSplits()方法，创建分片，并获取任务分片元数据信息TaskSplitMetaInfo数组taskSplitMetaInfo：

             通过SplitMetaInfoReader的静态方法readSplitMetaInfo()，从作业远程提交路径remoteJobSubmitDir中读取作业分片元数据信息，也就是每个任务的分片元数据信息，以此确定Map任务数、作业运行方式等一些列后续内容；

        3、确定Map Task数目numMapTasks：分片元数据信息数组的长度，即有多少分片就有多少numMapTasks；

        4、确定Reduce Task数目numReduceTasks，取作业参数mapreduce.job.reduces，参数未配置默认为0；

        5、根据分片元数据信息计算输入长度inputLength，也就是作业大小；

        6、根据作业大小inputLength，调用作业的makeUberDecision()方法，决定作业运行模式是Uber模式还是Non-Uber模式：

              小作业会通过Uber模式运行，相反，大作业会通过Non-Uber模式运行，可参见《Yarn源码分析之MRAppMaster：作业运行方式Local、Uber、Non-Uber》一文！

        7、确定允许Map、Reduce任务失败百分比，取参数mapreduce.map.failures.maxpercent、mapreduce.reduce.failures.maxpercent，参数未配置均默认为0，即不允许Map和Reduce任务失败；

        8、创建Map Task；

        9、创建Reduce Task；

        10、返回作业内部状态，JobStateInternal.INITED，即已经初始化；

        11、如果出现异常：

                11.1、记录warn级别日志信息:Job init failed，并打印出具体异常；

                11.2、返回作业内部状态，JobStateInternal.NEW，即初始化失败后的新建；

         未完待续，后续作业初始化部分详细描述、作业启动、作业停止等内容，请关注《Yarn源码分析之MRAppMaster上MapReduce作业处理总流程（二）》。