Hadoop学习笔记(9)

——源码初窥

之前我们把Hadoop算是入了门，下载的源码，写了HelloWorld，简要分析了其编程要点，然后也编了个较复杂的示例。接下来其实就有两条路可走了，一条是继续深入研究其编程及部署等，让其功能使用的淋漓尽致。二是停下来，先看看其源码，研究下如何实现的。在这里我就选择第二条路。

研究源码，那我们就来先看一下整个目录里有点啥：

这个是刚下完代码后，目录列表中的内容。

进入src目录，我们看到了：

这些目录及文件命名及分布还是很清晰的，基本上根据命名也能猜出其意思来了。当我们拿到这些文件时，做了两件事，编译和运行，接下来我们一块块仔细来看看。

编译

当我们拿到手时，第一章中讲到，我们用了以下命令就完成了编译：

~/hadoop-0.20.2$ant

~/hadoop-0.20.2$ant jar

~/hadoop-0.20.2$ant examples

在编译完后，我们发现，目录中多了一个build文件夹。这个文件夹下，我们发现有大量的子文件夹，再深入看，可以找到了N多个.class文件。那这个正是java程序的编译产出物。

我们在第5章中，简要的描述了java程序与.net的差别。一个.java程序对应一个.class文件，手动的话用javac来编译。我们要将这么多的java文件都要编译成一个个的.class文件，敲javac命令肯定是不行的，我们得找个打包处理的办法。这个就是ant。简单的说ant就是将编译命名进行打包处理的程序，这个程序有一个配置文件就是build.xml。所以我们进入hadoop根目录后输入了ant后就开始运行了，因为它在当前目录下找到了build.xml文件。那ant能做啥，其实百度上一搜就有很多了。这里就不详述了。我们简要的来看一下build.xml。 打开一看，build.xml文件貌似很复杂，有1千8百多行。不要怕，简单看下：

一上来，定义了一个project，看来这是一个工程，有名称和default属性（default后面看是啥）。

接下来发现是一堆的property，然后是name-value的健值。应该猜的出，这些就是后面真正执行用的一些变量或参数。

再往下，看到有这些：

看到有target，然后取了个名，字面意思是目标，然后看看子结点，发现是mkdir，好熟悉的字眼，这不是在创建目录么，看下第一个dir是啥，${build.dir}。然后立即跑回上面property中，看下是否有呢？

果然，这个就是在编译后的产生的目录，第一步创建之，很正常。

既然这样，这个target就是一个个目标，然后往下拖一下，发现下面的都是一个个的目录，全文搜索一下：

发现里面有106个。

继续搜，发现了亮点：

这个target（目标）好眼熟，~/hadoop-0.20.2$ant jar 没错，当时在编译时，输入这个命令后，就产出了一个jar文件。看来这个target就是在形成jar文件，略看下其子命令，的确就是在生成jar包了。

简单了解了这个target后，就可以继续找找，我们的examples命令了。现回想起来，在编译时第一个命令是~/hadoop-0.20.2$ant，而这个好象没有写target么？又想到了：

难道这个default就是传说中的默认目标？ compile。 熬不住了，立即展开搜索：

果然，猜的没错。找到了这个默认目录，然后发现好多target后还有depends，字面意思，依赖吧，然后可以继续找，依赖里面的目录，也是一个个的target。

了解了这个之后，我们又在想，现在知道的target也就 默认、jar、example，还有哪些呢，我们就可以搜target name="这个字符。当然会发现有很多，但是不是每个都对我们有用，因为好多是为了编写方便，将一个大的拆成多个小的，以便于维护。至于哪些有用的，这里我就不一一列出。可以自己看看。 比如clean就不错，可以把编译后的结果清理掉，还原到开始状态。

编译成.class包括jar包现在都没问题了。我们知道hadoop是用java写的，在src下可找到大量java类文件。难道这个hadoop就没有引用一个第三方的组件？答案是有的，一开始没看到几个，在lib下就只有几个。 但是在ant完后，在build下搜，发现有好多个jar文件。 哪来的？ 下载的。谁负责下载的，为什么知道要下载这些文件？

我们发现，在build.xml中，第一个target init就有depends:

然后就可以一级级查到，是通用ivy进行下载的，至于下载哪些，在ivy.xml中就有配置。好了，这块并不是我们的重点，了解到这里就够了，反正所用到的lib文件都下来了。

运行

在第一章中，我们了解到启用整个hadoop，全到了这个命令：bin/start-all.sh，关闭是用到了bin/stop-all.sh。而这个又是什么文件，我们来研究一下看。

不急看start-all， 我们打开bin目录看一下：

在bin下有很多个sh文件，hadoop这个命令，虽然没有后缀，但打开看后，发现跟其他sh文件样，类似的脚本。

什么是sh文件？ 在windows中我们知道bat文件，就是将若干个命令放到一个文件中，依次执行，称之为批处理文件。在Linux中，这个bat文件就是sh文件了。

先不急着打开文件内容，我们观察下所以文件，看到下面8个，很有规律，4个startXXX.sh然后4个stopXXX.sh文件。看来这些就是用户启动和关闭hadoop用的。

打开start-all.sh，发现内容并不多，也很好理解：

这里，先调了一下hadoop-config.sh，字面意思，设置配置文件。然后再调了start-dfs 和start-mapred。这里就很明显了，start-all是启动整个hadoop，然后里面包含了两个动作，启动dfs和mapreduce。 同理，如果我想只启动dfs，那么只需要运行start-dfs.sh即可。

同样，打开stop-all.sh文件，也可以看到比较简单，

发现是分别调了stop-mapred.sh和stop-dfs.sh这两个文件。

这里我们就不每个文件进行分析了,我们只挑几个关键文件看一下。

继续前行，打开start-dfs.sh和stop-dfs.sh文件，发现里面

和

大家可以打开其他所有的startXX和stopXX文件，发现所有的操作都又转入了hadoop-daemon.sh和hadoop-daemons.sh这两个命令，同时传入了参数—config stop/start 名称 （opt参数）。

继续，打开hadoop-daemons.sh，发现内容也很简单：

这里，先调用了slaves.sh后，又调回来hadoop-daemon.sh，所以现在目标焦点就只有两个了hadoop-daemon.sh和slaves.sh了。打开slaves.sh看一下：

这个文件的字面意思应该就是启动各分布式子机的hadoop咯。看一下代码，第一个if与fi之间，可以看到是取得conf文件夹下的slaves文件。记得在配置分配布式里面，在slaves中配置写了是node1 node2用回车换行隔开。 所以第二段代码，for循环slaves中的文件，然后调用ssh命令，调到了子系统中的相应的命令，这里，就完全可以想通了，为什么子系统中部署的hadoop目录需要与主目录相同，然后slaves中配置的是子系统机器的名称。

到这里，整个bin目录的脚本，就集中在剩下的两个hadoop-daemon.sh和hadoop了。胜利在望了。先看hadoop-daemon.sh。

一开始，代码是在取参数，startstop和command，从前面的传入可以看到，startstop参数传的是start和stop，看来是启动和关闭， command是namenode、datanode之类的。

继续往下看：

case语句下进行了分类，将start和stop命令分开处理。在start时，先是创建一个文件夹PID_DIR，具体值可以看上面，然后第一段if，是在判断进程有没有启动，然后最关健是执行nohup nice …. /bin/hadoop。也就是说归根到底又都是在执行hadoop命令了。这里nohup，是指启动进程后不被卡住，即转为后台进程，又称守护进程，所以该sh文件命名为daemon也不为过。

然后stop段时，把进程进行kill掉。这里有疑问了，启动的命令kill里需要知道进程的PID，而kill里哪里获取呢，在启动时，将启动进程后的pid记录在PID文件夹内，然后kill时就可以跟据这些PID来处理了。这块在代码中，也比较清晰的体现了。

在执行hadoop命令时，又将namenode、datanode、secondarynamenode等命令传入。所以现在可以打开hadoop命令文件了：（这里直接跳入重点看）

这里，看到有大量的if语句，条件是command判断，然后执行中对class和hadoop_opts进行了赋值。 继续往下看：（在最后）

我们发现，是在执行java命令，传入的main函数入口正是上面条件处理中的CLASS变量。换句话说，这个CLASS应该对应一个个的main函数咯？ 验证一下，找一个，比如dataNode，其CLASS是org.apache.hadoop.hdfs.server.datanode.DataNode。按这路径在src中找到文件DataNode.java，打开，然后搜main：

果然，完全应正了我们的想法。

总结一下：整个hadoop程序，是一个java为主的程序，在编译是将.class文件生成在build目录，在运行时，虽然执行的是.sh文件，但一步步，最终都是在执行java命令，传入的入口，就是各个子程序的main函数入口。

想法1：看了这个sh命令后，又有一个想法，之前通过starg-all.sh就把整个程序启动起来了，而且是在后台运行的，输出内容只能从log文件夹内看，能否直接从命令行启动呢？ 当然行，输入 bin/hadoop namenode试试，果然，启动了namenode程序，然后日志信息也直接打印在屏幕上了。

想法2：既然从hadoop这个sh文件夹内，可以看到所有的入口，那就可以整理一下，所有的入口成一个列表，方便以后找到其main函数。

至此整个目录有了一个初步的了解，接下来，那就可以顺着这些入口深入研究了。且慢，还差个调试环境呢！ 下一章来。