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< 20000 div class="crayon-num crayon-striped-num" data-line="crayon-572168432fd7d341078793-2" style="margin: 0px; padding: 0px 5px; border: 0px; outline: 0px; vertical-align: baseline; font-family: inherit; text-align: center; height: 15px; font-size: inherit !important; line-height: inherit !important; font-weight: inherit !important; background: 0px 50%;">23456789101112131415161718192021

/** *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)); }

InputFormat重要，但暂不展开（此处会有链接）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

publicRunningJobsubmitJob(JobConfjob)throwsFileNotFoundException, IOException{ try{ returnsubmitJobInternal(job); }catch(InterruptedExceptionie){ thrownewIOException("interrupted",ie); }catch(ClassNotFoundExceptioncnfe){ thrownewIOException("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）

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263

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 specification19 // 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FileAlreadyExistsException20 21 if (reduces == 0 ? job.getUseNewMapper() : job.getUseNewReducer()) {22 org.apache.hadoop.mapreduce.OutputFormat< > output = ReflectionUtils23 .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submitSplitFile31 // 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 job35 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 fs46 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. */ publicsynchronizedJobStatussubmitJob(JobIDjobId)throwsIOException{ if(jobs.containsKey(jobId)){ //job already running, don't start twice returnjobs.get(jobId).getStatus(); } JobInProgressjob=newJobInProgress(jobId,this,this.conf); Stringqueue=job.getProfile().getQueueName(); if(!(queueManager.getQueues().contains(queue))){ newCleanupQueue().addToQueue(conf,getSystemDirectoryForJob(jobId)); thrownewIOException("Queue \""+queue+"\" does not exist"); } // check for access try{ checkAccess(job,QueueManager.QueueOperation.SUBMIT_JOB); }catch(IOExceptionioe){ LOG.warn("Access denied for user "+job.getJobConf().getUser() +". Ignoring job "+jobId,ioe); newCleanupQueue().addToQueue(conf,getSystemDirectoryForJob(jobId)); throwioe; } returnaddJob(jobId,job); }

完。