Yarn源码分析之如何确定作业运行方式Uber or Non-Uber？

在MRAppMaster中，当MapReduce作业初始化时，它会通过作业状态机JobImpl中InitTransition的transition()方法，进行MapReduce作业初始化相关操作，而这其中就包括：

        1、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；

        2、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；

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

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

        5、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。

        相关关键代码如下：

// 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);

// 省略部分代码

// 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);

        由此，我们可以看出，作业运行方式Uber or Non-Uber是通过Job的makeUberDecision()方法，传入作业大小inputLength来确定的，本文，我们将研究这一话题，即如何确定作业运行方式Uber or Non-Uber？

        在《Yarn源码分析之MRAppMaster：作业运行方式Local、Uber、Non-Uber》一文中我们了解了Uber和Non-Uber两种作业运行方式的含义，如下：

        1、Uber模式：为降低小作业延迟而设计的一种模式，所有任务，不管是Map Task，还是Reduce Task，均在同一个Container中顺序执行，这个Container其实也是MRAppMaster所在Container；

        2、Non-Uber模式：对于运行时间较长的大作业，先为Map Task申请资源，当Map Task运行完成数目达到一定比例后再为Reduce Task申请资源。

        在确定了解上述内容后，我们再来看下Job的makeUberDecision()方法，这个Job的实现为JobImpl类，其makeUberDecision()方法代码如下：

 /**
  * Decide whether job can be run in uber mode based on various criteria.
  * @param dataInputLength Total length for all splits
  */
 private void makeUberDecision(long dataInputLength) {
   //FIXME:  need new memory criterion for uber-decision (oops, too late here;
   // until AM-resizing supported,
   // must depend on job client to pass fat-slot needs)
   // these are no longer "system" settings, necessarily; user may override

// 获取系统Uber模式下允许的最大Map任务数sysMaxMaps，
// 取参数mapreduce.job.ubertask.maxmaps，参数未配置默认为9
   int sysMaxMaps = conf.getInt(MRJobConfig.JOB_UBERTASK_MAXMAPS, 9);

   // 获取系统Uber模式下允许的最大Reduce任务数sysMaxReduces，
    // 取参数mapreduce.job.ubertask.maxreduces，参数未配置默认为1
    int sysMaxReduces = conf.getInt(MRJobConfig.JOB_UBERTASK_MAXREDUCES, 1);

   // 获取系统Uber模式下允许的任务包含数据量最大字节数sysMaxBytes，
   // mapreduce.job.ubertask.maxbytes，参数未配置默认为远程作业提交路径remoteJobSubmitDir所在文件系统的默认数据块大小
   long sysMaxBytes = conf.getLong(MRJobConfig.JOB_UBERTASK_MAXBYTES,
       fs.getDefaultBlockSize(this.remoteJobSubmitDir)); // FIXME: this is wrong; get FS from
                                  // [File?]InputFormat and default block size
                                  // from that

   // 获取系统为Uber模式设置的内存资源单元槽Slot大小sysMemSizeForUberSlot，
   // 取参数yarn.app.mapreduce.am.resource.mb，参数未配置默认为1536M
   long sysMemSizeForUberSlot =
       conf.getInt(MRJobConfig.MR_AM_VMEM_MB,
           MRJobConfig.DEFAULT_MR_AM_VMEM_MB);

   // 获取系统为Uber模式设置的CPU资源单元槽Slot大小sysCPUSizeForUberSlot，
   // 取参数yarn.app.mapreduce.am.resource.cpu-vcores，参数未配置默认为1
   long sysCPUSizeForUberSlot =
       conf.getInt(MRJobConfig.MR_AM_CPU_VCORES,
           MRJobConfig.DEFAULT_MR_AM_CPU_VCORES);

   // 获取系统是否允许Uber模式标志位uberEnabled，
   // 取参数mapreduce.job.ubertask.enable，参数未配置默认为false，不启用
   boolean uberEnabled =
       conf.getBoolean(MRJobConfig.JOB_UBERTASK_ENABLE, false);

   // 判断Map任务数是否满足系统为Uber模式设定的限制条件，结果赋值给smallNumMapTasks
   boolean smallNumMapTasks = (numMapTasks <= sysMaxMaps);
   // 判断Reduce任务数是否满足系统为Uber模式设定的限制条件，结果赋值给smallNumReduceTasks
   boolean smallNumReduceTasks = (numReduceTasks <= sysMaxReduces);
   // 判断任务包含数据量大小是否满足系统为Uber模式设定的限制条件，结果赋值给smallInput
   boolean smallInput = (dataInputLength <= sysMaxBytes);
   // ignoring overhead due to UberAM and statics as negligible here:

   // 获取系统配置的Map任务要求的内存大小requiredMapMB，
   // 取参数mapreduce.map.memory.mb，参数未配置默认为0
   long requiredMapMB = conf.getLong(MRJobConfig.MAP_MEMORY_MB, 0);

   // 获取系统配置的Map任务要求的内存大小requiredReduceMB，
   // 取参数mapreduce.reduce.memory.mb，参数未配置默认为0
   long requiredReduceMB = conf.getLong(MRJobConfig.REDUCE_MEMORY_MB, 0);

   // 计算要求的任务内存大小requiredMB，
   // 取Map任务要求的内存大小requiredMapMB与Reduce任务要求的内存大小requiredReduceMB中的较大者
   long requiredMB = Math.max(requiredMapMB, requiredReduceMB);

   // 获取系统uber模式下Map任务要求的CPU核数requiredMapCores，
    // 取参数mapreduce.map.cpu.vcores，参数未配置默认为1
   int requiredMapCores = conf.getInt(
           MRJobConfig.MAP_CPU_VCORES,
           MRJobConfig.DEFAULT_MAP_CPU_VCORES);

   // 获取系统uber模式下Reduce任务要求的CPU核数requiredReduceCores，
    // 取参数mapreduce.reduce.cpu.vcores，参数未配置默认为1
   int requiredReduceCores = conf.getInt(
           MRJobConfig.REDUCE_CPU_VCORES,
           MRJobConfig.DEFAULT_REDUCE_CPU_VCORES);

   // 计算要求的任务需要CPU核数requiredCores，
   // 取Map任务要求的CPU核数requiredMapCores与Reduce任务要求的CPU核数requiredReduceCores中的较大者
   int requiredCores = Math.max(requiredMapCores, requiredReduceCores);

   // 特殊处理：如果Reduce任务数目为0，即当为Map-Only任务时，
   // 要求的内存大小、CPU核数，以Map任务要求的为准
   if (numReduceTasks == 0) {
     requiredMB = requiredMapMB;
     requiredCores = requiredMapCores;
   }

   // 当MR作业中任务要求的内存大小requiredMB小于等于系统为Uber模式设置的内存资源单元槽Slot大小sysMemSizeForUberSlot时，
   // 或者sysMemSizeForUberSlot被设定为不受限制时，
   // 确定为小内存要求，即标志位smallMemory为true
   boolean smallMemory =
       (requiredMB <= sysMemSizeForUberSlot)
       || (sysMemSizeForUberSlot == JobConf.DISABLED_MEMORY_LIMIT);

   // 当MR作业中任务要求的CPU核数requiredCores小于等于系统为Uber模式设置的CPU资源单元槽Slot大小sysCPUSizeForUberSlot时，
   // 确定为小CPU要求，即标志位smallCpu为true
   boolean smallCpu = requiredCores <= sysCPUSizeForUberSlot;

   // 确定作业是否为链式作业，并赋值给标志位notChainJob，ture表示非链式作业，false表示为链式作业
   boolean notChainJob = !isChainJob(conf);

   // User has overall veto power over uberization, or user can modify
   // limits (overriding system settings and potentially shooting
   // themselves in the head).  Note that ChainMapper/Reducer are
   // fundamentally incompatible with MR-1220; they employ a blocking
   // queue between the maps/reduces and thus require parallel execution,
   // while "uber-AM" (MR AM + LocalContainerLauncher) loops over tasks
   // and thus requires sequential execution.

   // 判断是否为Uber模式，赋值给isUber，
   // 判断的依据为，以下七个条件必须全部满足：
   // 1、参数mapreduce.job.ubertask.enable配置为true，即系统允许Uber模式；
   // 2、Map任务数满足系统为Uber模式设定的限制条件，即小于等于参数mapreduce.job.ubertask.maxmaps配置的值，如果参数未配置，则应该小于等于9；
   // 3、Reduce任务数满足系统为Uber模式设定的限制条件，即小于等于参数mapreduce.job.ubertask.maxreduces配置的值，如果参数未配置，则应该小于等于1；
   // 4、任务包含数据量大小满足系统为Uber模式设定的限制条件，即任务数据量小于等于参数mapreduce.job.ubertask.maxbytes配置的值，如果参数未配置，则应小于等于远程作业提交路径remoteJobSubmitDir所在文件系统的默认数据块大小；
   // 5、MR作业中任务要求的内存大小requiredMB小于等于系统为Uber模式设置的内存资源单元槽Slot大小sysMemSizeForUberSlot时，或者sysMemSizeForUberSlot被设定为不受限制；
   // 6、MR作业中任务要求的CPU核数requiredCores小于等于系统为Uber模式设置的CPU资源单元槽Slot大小sysCPUSizeForUberSlot；
   // 7、作业为非链式作业；
   isUber = uberEnabled && smallNumMapTasks && smallNumReduceTasks
       && smallInput && smallMemory && smallCpu
       && notChainJob;

   if (isUber) {// 当作业为Uber模式运行时，设置一些必要的参数
     LOG.info("Uberizing job " + jobId + ": " + numMapTasks + "m+"
         + numReduceTasks + "r tasks (" + dataInputLength
         + " input bytes) will run sequentially on single node.");

     // make sure reduces are scheduled only after all map are completed
     // mapreduce.job.reduce.slowstart.completedmaps参数设置为1，
     // 即全部Map任务完成后才会为Reduce任务分配资源
     conf.setFloat(MRJobConfig.COMPLETED_MAPS_FOR_REDUCE_SLOWSTART,
                       1.0f);
     // uber-subtask attempts all get launched on same node; if one fails,
     // probably should retry elsewhere, i.e., move entire uber-AM:  ergo,
     // limit attempts to 1 (or at most 2?  probably not...)
     // Map、Reduce任务的最大尝试次数均为1
     conf.setInt(MRJobConfig.MAP_MAX_ATTEMPTS, 1);
     conf.setInt(MRJobConfig.REDUCE_MAX_ATTEMPTS, 1);

     // disable speculation
     // 禁用Map、Reduce任务的推测执行机制
     conf.setBoolean(MRJobConfig.MAP_SPECULATIVE, false);
     conf.setBoolean(MRJobConfig.REDUCE_SPECULATIVE, false);
   } else {// 当作业为Non-Uber模式时，通过info级别日志，输出作业不能被判定为Uber模式的原因，根据上述7个标志位判断即可
     StringBuilder msg = new StringBuilder();
     msg.append("Not uberizing ").append(jobId).append(" because:");
     if (!uberEnabled)
    // Uber模式开关未打开，这种模式被禁用了
       msg.append(" not enabled;");
     if (!smallNumMapTasks)
    // 有太多的Map任务
       msg.append(" too many maps;");
     if (!smallNumReduceTasks)
    // 有太多的Reduce任务
       msg.append(" too many reduces;");
     if (!smallInput)
    // 有太大的输入
       msg.append(" too much input;");
     if (!smallCpu)
    // 需要占用过多的CPU
       msg.append(" too much CPU;");
     if (!smallMemory)
    // 需要占用过多的内存
       msg.append(" too much RAM;");
     if (!notChainJob)
    // 是一个链式作业，无法使用Uber模式
       msg.append(" chainjob;");

     // 记录无法使用Uber模式的日志信息
     LOG.info(msg.toString());
   }
 }

        makeUberDecision()方法的逻辑十分清晰，但是涉及到的判断条件、参数比较多，总的来说，一个MapReduce是使用Uber模式还是Non-Uber模式运行，要综合考虑以下7个因素，这些条件缺一不可：

        1、 参数mapreduce.job.ubertask.enable配置为true，即系统允许Uber模式，这是一个Uber模式的开关；

        2、Map任务数满足系统为Uber模式设定的限制条件，即小于等于参数mapreduce.job.ubertask.maxmaps配置的值，如果参数未配置，则应该小于等于9；

        3、Reduce任务数满足系统为Uber模式设定的限制条件，即小于等于参数mapreduce.job.ubertask.maxreduces配置的值，如果参数未配置，则应该小于等于1；

        4、任务包含数据量大小满足系统为Uber模式设定的限制条件，即任务数据量小于等于参数mapreduce.job.ubertask.maxbytes配置的值，如果参数未配置，则应小于等于远程作业提交路径remoteJobSubmitDir所在文件系统的默认数据块大小；

        5、MR作业中任务要求的内存大小requiredMB小于等于系统为Uber模式设置的内存资源单元槽Slot大小sysMemSizeForUberSlot时，或者sysMemSizeForUberSlot被设定为不受限制；

        6、MR作业中任务要求的CPU核数requiredCores小于等于系统为Uber模式设置的CPU资源单元槽Slot大小sysCPUSizeForUberSlot；

        7、作业为非链式作业。

        前面6个条件在上面的描述和makeUberDecision()方法代码及其注释中都描述的很清晰，读者可自行查阅。

        下面，我们重点看看第7个条件：作业为非链式作业，这个条件是如何判断的呢？它是通过isChainJob()方法来判断的，代码如下：

/**
 * ChainMapper and ChainReducer must execute in parallel, so they're not
 * compatible with uberization/LocalContainerLauncher (100% sequential).
 */
private boolean isChainJob(Configuration conf) {
  boolean isChainJob = false;
  try {

    // 获取取Map类名mapClassName，取参数mapreduce.job.map.class
    String mapClassName = conf.get(MRJobConfig.MAP_CLASS_ATTR);
    if (mapClassName != null) {
    // 通过Map类名mapClassName获取Map类Class实例mapClass
      Class<?> mapClass = Class.forName(mapClassName);

      // 通过Class的isAssignableFrom()方法，看看mapClass是否为ChainMapper的子类，或者就是ChainMapper，
      // 是的话，我们认为它就是一个链式作业
      if (ChainMapper.class.isAssignableFrom(mapClass))
        isChainJob = true;
    }
  } catch (ClassNotFoundException cnfe) {
    // don't care; assume it's not derived from ChainMapper
  } catch (NoClassDefFoundError ignored) {
  }
  try {

    // 获取取Reduce类名reduceClassName，取参数mapreduce.job.reduce.class
    String reduceClassName = conf.get(MRJobConfig.REDUCE_CLASS_ATTR);
    if (reduceClassName != null) {

    // 通过Reduce类名reduceClassName获取Reduce类Class实例reduceClass
      Class<?> reduceClass = Class.forName(reduceClassName);

      // 通过Class的isAssignableFrom()方法，看看reduceClass是否为ChainReducer的子类，或者就是ChainReducer，
      // 是的话，我们认为它就是一个链式作业
      if (ChainReducer.class.isAssignableFrom(reduceClass))
        isChainJob = true;
    }
  } catch (ClassNotFoundException cnfe) {
    // don't care; assume it's not derived from ChainReducer
  } catch (NoClassDefFoundError ignored) {
  }
  return isChainJob;
}

        它实际上就是看Map或Reduce是否是ChainMapper或ChainReducer的直接或间接子类，或者就是二者，通过参数mapreduce.job.map.class、mapreduce.job.reduce.class取类名并利用Class.forName构造Class实例，然后通过Class的isAssignableFrom()方法判断Map或Reduce是否是ChainMapper或ChainReducer的直接或间接子类，或者就是二者，就是这么简单。

        那么问题又来了，什么是链式作业？为什么继承了ChainMapper或ChainReducer就不能在Uber模式下运行？下面我们一一解答。

        首先，链式作业是什么呢？有些时候，你会发现，一个单独的MapReduce Job无法实现你的业务需求，你需要更多的MapReduce Job来处理你的数据，而此时，将多个MapReduce Job串成一条链就形成一个更大的MapReduce Job，这就是链式作业。而链式作业实现的一个根本条件就是其Mapper或Reducer分别继承自ChainMapper和ChainReducer。

        那么，为什么继承了ChainMapper或ChainReducer就不能在Uber模式下运行？连同什么是ChainMapper、ChainReducer这个问题，我们一起来做一个最直接最简单的解答，更多详细内容请查看关于专门介绍ChainMapper或ChainReducer的文章。

        首先看下ChainMapper的实现，在其内部，有一个Chain类型的成员变量chain，定义并在setup()方法中初始化如下：

private Chain chain;

protected void setup(Context context) {
  chain = new Chain(true);
  chain.setup(context.getConfiguration());
}

        而Chain中有两个最关键的变量，Mapper列表mappers和Thread列表threads如下：

private List<Mapper> mappers = new ArrayList<Mapper>();

private List<Thread> threads = new ArrayList<Thread>();

        在ChainMapper的run()方法内，会将Chain的mappers中每个Mapper通过chain的addMapper()方法添加至chain中，而chain的addMapper()方法本质上就是基于每个Mapper生成一个MapRunner线程，然后添加到threads列表内，然后再由Mapper启动chain中所有线程threads，关键代码如下：

        ChainMapper的run()方法

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

  setup(context);

  int numMappers = chain.getAllMappers().size();
  if (numMappers == 0) {
    return;
  }

  ChainBlockingQueue<Chain.KeyValuePair<?, ?>> inputqueue;
  ChainBlockingQueue<Chain.KeyValuePair<?, ?>> outputqueue;
  if (numMappers == 1) {
    chain.runMapper(context, 0);
  } else {
    // add all the mappers with proper context
    // add first mapper
    outputqueue = chain.createBlockingQueue();
    chain.addMapper(context, outputqueue, 0);
    // add other mappers
    for (int i = 1; i < numMappers - 1; i++) {
      inputqueue = outputqueue;
      outputqueue = chain.createBlockingQueue();
      chain.addMapper(inputqueue, outputqueue, context, i);
    }
    // add last mapper
    chain.addMapper(outputqueue, context, numMappers - 1);
  }

  // start all threads
  chain.startAllThreads();

  // wait for all threads
  chain.joinAllThreads();
}

        Chain的其中一个addMapper()方法

/**
 * Add mapper that reads and writes from/to the queue
 */
@SuppressWarnings("unchecked")
void addMapper(ChainBlockingQueue<KeyValuePair<?, ?>> input,
    ChainBlockingQueue<KeyValuePair<?, ?>> output,
    TaskInputOutputContext context, int index) throws IOException,
    InterruptedException {
  Configuration conf = getConf(index);
  Class<?> keyClass = conf.getClass(MAPPER_INPUT_KEY_CLASS, Object.class);
  Class<?> valueClass = conf.getClass(MAPPER_INPUT_VALUE_CLASS, Object.class);
  Class<?> keyOutClass = conf.getClass(MAPPER_OUTPUT_KEY_CLASS, Object.class);
  Class<?> valueOutClass = conf.getClass(MAPPER_OUTPUT_VALUE_CLASS,
      Object.class);
  RecordReader rr = new ChainRecordReader(keyClass, valueClass, input, conf);
  RecordWriter rw = new ChainRecordWriter(keyOutClass, valueOutClass, output,
      conf);
  MapRunner runner = new MapRunner(mappers.get(index), createMapContext(rr,
      rw, context, getConf(index)), rr, rw);
  threads.add(runner);
}

        可以看出，ChainMapper实际上实现了一种多重Mapper，即multiple Mapper，它不再依托一个单独的Map Task，执行一种Map任务，而是依托多个Map Task，执行多种Map任务，所以，它肯定不适合Uber模式，因为Uber模式只限于Map、Reduce等各个任务的单线程串行执行。
        ChainReducer也是如此，不再做特别的说明。