4.3 Map类

   创建Map类和map函数，map函数是org.apache.hadoop.mapreduce.Mapper类中的定义的，当处理每一个键值对的时候，都要调用一次map方法，用户需要覆写此方法。此外还有setup方法和cleanup方法。map方法是当map任务开始运行的时候调用一次，cleanup方法是整个map任务结束的时候运行一次。

4.3.1 Map介绍

   Mapper类是一个泛型类，带有4个参数（输入的键，输入的值，输出的键，输出的值）。在这里输入的键为Object(默认是行)，输入的值为Text（hadoop中的String类型），输出的键为Text（关键字）和输出的值为IntWritable（hadoop中的int类型）。以上所有hadoop数据类型和java的数据类型都很相像，除了它们是针对网络序列化而做的特殊优化。

   MapReduce中的类似于IntWritable的类型还有如下几种：

BooleanWritable:标准布尔型数值、ByteWritable:单字节数值、DoubleWritable:双字节数值、FloatWritable:浮点数、IntWritable:整型数、LongWritable:长整型数、Text:使用UTF8格式存储的文本（类似java中的String）、NullWritable:当<key, value>中的key或value为空时使用。

这些都是实现了WritableComparable接口：

    Map任务是一类将输入记录集转换为中间格式记录集的独立任务。 Mapper类中的map方法将输入键值对(key/value pair)映射到一组中间格式的键值对集合。这种转换的中间格式记录集不需要与输入记录集的类型一致。一个给定的输入键值对可以映射成0个或多个输出键值对。

1 StringTokenizer itr = new StringTokenizer(value.toString());
2       while (itr.hasMoreTokens()) {
3         word.set(itr.nextToken());
4         context.write(word, one);
5       }

    这里将输入的行进行解析分割之后，利用Context的write方法进行保存。而Context是实现了MapContext接口的一个抽象内部类。此处把解析出的每个单词作为key，将整形1作为对应的value，表示此单词出现了一次。map就是一个分的过程，reduce就是合的过程。Map任务的个数和前面的split的数目对应，作为map函数的输入。Map任务的具体执行见下一小节。

4.3.2 Map任务分析

    Map任务被提交到Yarn后，被ApplicationMaster启动，任务的形式是YarnChild进程，在其中会执行MapTask的run方法。无论是MapTask还是ReduceTask都是继承的Task这个抽象类。

    run方法的执行步骤有：

Step1:

    判断是否有Reduce任务，如果没有的话，Map任务结束，就整个提交的作业结束；如果有的话，当Map任务完成的时候设置当前进度为66.7%，Sort完成的时候设置进度为33.3%。

Step2:

    启动TaskReporter线程，用于更新当前的状态。

Step3:

    初始化任务，设置任务的当前状态为RUNNING，设置输出目录等。

Step4:

    判断当前是否是jobCleanup任务、jobSetup任务、taskCleanup任务及相应的处理。

Step5:

   调用runNewMapper方法，执行具体的map。

Step6:

   作业完成之后，调用done方法，进行任务的清理、计数器更新、任务状态更新等。

4.3.3 runNewMapper分析

    下面我们来看看这个runNewMapper方法。代码如下：

 1 private <INKEY,INVALUE,OUTKEY,OUTVALUE>
 2   void runNewMapper(final JobConf job,
 3                     final TaskSplitIndex splitIndex,
 4                     final TaskUmbilicalProtocol umbilical,
 5                     TaskReporter reporter
 6                     ) throws IOException, ClassNotFoundException,
 7                              InterruptedException {
 8     // make a task context so we can get the classes
 9     org.apache.hadoop.mapreduce.TaskAttemptContext taskContext =  new org.apache.hadoop.mapreduce.task.TaskAttemptContextImpl(job, getTaskID(), reporter);
10 
11     // make a mapper 
       org.apache.hadoop.mapreduce.Mapper<INKEY,INVALUE,OUTKEY,OUTVALUE> mapper = (org.apache.hadoop.mapreduce.Mapper<INKEY,INVALUE,OUTKEY,OUTVALUE>)
12     ReflectionUtils.newInstance(taskContext.getMapperClass(), job);
13 
14     // make the input format org.apache.hadoop.mapreduce.InputFormat<INKEY,INVALUE> inputFormat = (org.apache.hadoop.mapreduce.InputFormat<INKEY,INVALUE>) 
16     ReflectionUtils.newInstance(taskContext.getInputFormatClass(), job); 

18     // rebuild the input split
19     org.apache.hadoop.mapreduce.InputSplit split = null;20 
21     split = getSplitDetails(new path(splitIndex.getSplitLocation()), splitIndex.getStartOffset());
24 
25     LOG.info("Processing split: " + split);
26     org.apache.hadoop.mapreduce.RecordReader<INKEY,INVALUE> input =  new NewTrackingRecordReader<INKEY,INVALUE>        (split, inputFormat, reporter, taskContext);   
27 
28     job.setBoolean(JobContext.SKIP_RECORDS, isSkipping());
29     org.apache.hadoop.mapreduce.RecordWriter output = null;   
30 
31     // get an output object
32     if (job.getNumReduceTasks() == 0) {
33       output =  new NewDirectOutputCollector(taskContext, job, umbilical, reporter);
34     } else {
35       output = new NewOutputCollector(taskContext, job, umbilical, reporter);
36     }
37 
38     org.apache.hadoop.mapreduce.MapContext<INKEY, INVALUE, OUTKEY, OUTVALUE>   mapContext =  new MapContextImpl<INKEY, INVALUE, OUTKEY, OUTVALUE>(job, getTaskID(), input, output,  committer, reporter, split);
39     org.apache.hadoop.mapreduce.Mapper<INKEY,INVALUE,OUTKEY,OUTVALUE>.Context  mapperContext =  new WrappedMapper<INKEY, INVALUE, OUTKEY, OUTVALUE>().getMapContext(mapContext); 
40 
41     try {
42       input.initialize(split, mapperContext);
43       mapper.run(mapperContext);
44       mapPhase.complete();
45       setPhase(TaskStatus.Phase.SORT);
46       statusUpdate(umbilical);
47       input.close();
48       input = null;
49       output.close(mapperContext);
50       output = null;
51     } finally {
52       closeQuietly(input);
53       closeQuietly(output, mapperContext);
54     }
55   }

    此方法的主要执行流程是：

Step1：

获取配置信息类对象TaskAttemptContextImpl、自己开发的Mapper的实例mapper、用户指定的InputFormat对象 (默认是TextInputFormat)、任务对应的分片信息split。

其中TaskAttemptContextImpl类实现TaskAttemptContext接口，而TaskAttemptContext接口又继承于JobContext和Progressable接口，但是相对于JobContext增加了一些有关task的信息。通过TaskAttemptContextImpl对象可以获得很多与任务执行相关的类，比如用户定义的Mapper类，InputFormat类等。

Step2：

    根据inputFormat构建一个NewTrackingRecordReader对象，这个对象中的RecordReader<K,V> real是LineRecordReader，用于读取分片中的内容，传递给Mapper的map方法做处理的。

Step3：

然后创建org.apache.hadoop.mapreduce.RecordWriter对象，作为任务的输出，如果没有reducer，就设置此RecordWriter对象为NewDirectOutputCollector(taskContext, job, umbilical, reporter)直接输出到HDFS上；如果有reducer，就设置此RecordWriter对象为NewOutputCollector(taskContext, job, umbilical, reporter)作为输出。

NewOutputCollector是有reducer的作业的map的输出。这个类的主要包含的对象是MapOutputCollector<K,V> collector，是利用反射工具构造出来的：

1 ReflectionUtils.newInstance(job.getClass(JobContext.MAP_OUTPUT_COLLECTOR_CLASS_ATTR, MapOutputBuffer.class, MapOutputCollector.class), job);

如果Reduce的个数大于1，则实例化org.apache.hadoop.mapreduce.Partitioner<K,V> (默认是HashPartitioner.class)，用来对mapper的输出数据进行分区，即数据要汇总到哪个reducer上，NewOutputCollector的write方法会调用collector.collect(key, value,partitioner.getPartition(key, value, partitions))；否则设置分区个数为0。

Step4：

打开输入文件(构建一个LineReader对象，在这实现文件内容的具体读)并且将文件指针指向文件头。由LineRecordReader的initialize方法完成。

实际上读文件内容的是类中的LineReader对象in，该对象在initialize方法中进行了初始化，会根据输入文件的文件类型(压缩或不压缩)传入相应输入流对象。LineReader会从输入流对象中通过：

in.readLine(new Text(), 0, maxBytesToConsume(start));

方法每次读取一行放入Text对象str中，并返回读取数据的长度。

LineRecordReader.nextKeyValue()方法会设置两个对象key和value，key是一个偏移量指的是当前这行数据在输入文件中的偏移量(注意这个偏移量可不是对应单个分片内的偏移量，而是针对整个文中的偏移量)，value是通过LineReader的对象in读取的一行内容：

1 in.readLine(value, maxLineLength, Math.max(maxBytesToConsume(pos), maxLineLength));

如果没有数据可读了，这个方法会返回false，否则true。

另外，getCurrentKey()和getCurrentValue()是获取当前的key和value，调用这俩方法之前需要先调用nextKeyValue()为key和value赋新值，否则会重复。

这样就跟org.apache.hadoop.mapreduce.Mapper中的run方法关联起来了。

Step5：

    执行org.apache.hadoop.mapreduce.Mapper的run方法。

 1 public void run(Context context) throws IOException, InterruptedException { 
 3     setup(context); 
 5     try { 
 7       while (context.nextKeyValue()) { 
 9         map(context.getCurrentKey(), context.getCurrentValue(), context); 
11       } 
13     } finally { 
15       cleanup(context); 
17     } 
19   }

Step5.1：

首先会执行setup方法，用于设定用户自定义的一些参数等，方便在下面的操作步骤中读取。参数是设置在Context中的。此对象的初始化在MapTask类中的runNewMapper方法中：

1 org.apache.hadoop.mapreduce.Mapper<INKEY,INVALUE,OUTKEY,OUTVALUE>.Context
3         mapperContext = new WrappedMapper<INKEY, INVALUE, OUTKEY, OUTVALUE>().getMapContext(mapContext);

会将LineRecordReader的实例对象和NewOutputCollector的实例对象传进去，下面的nextKeyValue()、getCurrentValue()、getCurrentKey()会调用reader的相应方法，从而实现了Mapper.run方法中的nextKeyValue()不断获取key和value。

Step5.2：

循环中的map方法就是用户自定的map。map方法逻辑处理完之后，最后都会有context.write(K,V)方法用来将计算数据输出。此write方法最后调用的是NewOutputCollector.write方法，write方法会调用MapOutputBuffer.collect(key, value,partitioner.getPartition(key, value, partitions))方法，用于汇报进度、序列化数据并将其缓存等，主要是里面还有个Spill的过程，下一小节会详细介绍。

Step5.3：

当读完数据之后，会调用cleanup方法来做一些清理工作，这点我们同样可以利用，我们可以根据自己的需要重写cleanup方法。

Step6：

最后是输出流的关闭output.close(mapperContext)，该方法会执行MapOutputBuffer.flush()操作会将剩余的数据也通过sortAndSpill()方法写入本地文件，并在最后调用mergeParts()方法合并所有spill文件。sortAndSpill方法在4.3.4小节中会介绍。

4.3.4 Spill分析

Spill的汉语意思是溢出，spill处理就是溢出写。怎么个溢出法呢？Spill过程包括输出、排序、溢写、合并等步骤，有点复杂，如图所示：

    每个Map任务不断地以<key, value>对的形式把数据输出到在内存中构造的一个环形数据结构中。使用环形数据结构是为了更有效地使用内存空间，在内存中放置尽可能多的数据。

这个数据结构其实就是个字节数组，叫kvbuffer，这里面不只有<key, value>数据，还放置了一些索引数据，并且给放置索引数据的区域起了一个kvmeta的别名。

      kvbuffer = new byte[maxMemUsage];
      bufvoid = kvbuffer.length;
      kvmeta = ByteBuffer.wrap(kvbuffer).order(ByteOrder.nativeOrder()).asIntBuffer();
      setEquator(0);
      bufstart = bufend = bufindex = equator;
      kvstart = kvend = kvindex;

kvmeta是对记录Record<key, value>在kvbuffer中的索引，是个四元组，包括：value的起始位置、key的起始位置、partition值、value的长度，占用四个Int长度，kvmeta的存放指针kvindex每次都是向下跳四步，然后再向上一个坑一个坑地填充四元组的数据。比如kvindex初始位置是-4，当第一个<key, value>写完之后，(kvindex+0)的位置存放value的起始位置、(kvindex+1)的位置存放key的起始位置、(kindex+2)的位置存放partition的值、(kvindex+3)的位置存放value的长度，然后kvindex跳到-8位置，等第二个<key, value>和索引写完之后，kvindex跳到-32位置。

<key, value>数据区域和索引数据区域在kvbuffer中是相邻不重叠的两个区域，用一个分界点来划分两者，而分割点是变化的，每次Spill之后都会更新一次。初始的分界点是0，<key, value>数据的存储方向是向上增长，索引数据的存储方向是向下增长，如图所示：

其中，kvbuffer的大小maxMemUsage的默认是100M。涉及到的变量有点多：

(1)kvstart是有效记录开始的下标；

(2)kvindex是下一个可做记录的位置；

(3)kvend在开始Spill的时候它会被赋值为kvindex的值，Spill结束时，它的值会被赋给kvstart，这时候kvstart==kvend。这就是说，如果kvstart不等于kvend，系统正在spill，否则，kvstart==kvend，系统处于普通工作状态；

(4)bufvoid，用于表明实际使用的缓冲区结尾；

(5)bufmark，用于标记记录的结尾；

(6)bufindex初始值为0，一个Int型的key写完之后，bufindex增长为4，一个Int型的value写完之后，bufindex增长为8

在kvindex和bufindex之间(包括equator节点)的那一坨数据就是未被Spill的数据。如果这部分数据所占用的空间大于等于Spill的指定百分比(默认是80%),则开始调用startSpill方法进行溢写。对应的方法为：

 1 private void startSpill() {
 2 
 3       assert !spillInProgress;
 4 
 5       kvend = (kvindex + NMETA) % kvmeta.capacity();
 6 
 7       bufend = bufmark;
 8 
 9       spillInProgress = true;
10 
11       LOG.info("Spilling map output");
12 
13       LOG.info("bufstart = " + bufstart + "; bufend = " + bufmark +
14 
15                "; bufvoid = " + bufvoid);
16 
17       LOG.info("kvstart = " + kvstart + "(" + (kvstart * 4) +
18 
19                "); kvend = " + kvend + "(" + (kvend * 4) +
20 
21                "); length = " + (distanceTo(kvend, kvstart,
22 
23                      kvmeta.capacity()) + 1) + "/" + maxRec);
24 
25       spillReady.signal();
26 
27     }

这里会触发信号量，使得在MapTask类的init方法中正在等待的SpillThread线程继续运行。

 1     while (true) { 
 3             spillDone.signal(); 
 5             while (!spillInProgress) { 
 7               spillReady.await(); 
 9             }
10 
11             try {
13               spillLock.unlock();
15               sortAndSpill(); 
17             } catch (Throwable t) { 
19               sortSpillException = t; 
21             } finally { 
23               spillLock.lock(); 
25               if (bufend < bufstart) { 
27                 bufvoid = kvbuffer.length; 
29               }
30 
31               kvstart = kvend; 
33               bufstart = bufend; 
35               spillInProgress = false; 
37             } 
39           }

继续调用sortAndSpill方法，此方法负责将buf中的数据刷到磁盘。主要是根据排过序的kvmeta把每个partition的<key, value>数据写到文件中，一个partition对应的数据搞完之后顺序地搞下个partition，直到把所有的partition遍历完(partiton的个数就是reduce的个数)。

Step1:

先计算写入文件的大小；

1 final long size = (bufend >= bufstart
3           ? bufend - bufstart
5           : (bufvoid - bufend) + bufstart) +
7                   partitions * APPROX_HEADER_LENGTH;

Step2:

    然后获取写到本地(非HDFS)文件的文件名，会有一个编号，例如output/spill2.out；命名格式对应的代码为：

1 return lDirAlloc.getLocalPathForWrite(MRJobConfig.OUTPUT + "/spill"
2 
3         + spillNumber + ".out", size, getConf());

Step3:

使用快排对缓冲区kvbuffe中区间[bufstart,bufend)内的数据进行排序，先按分区编号partition进行升序，然后按照key进行升序。这样经过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照key有序；

Step4:

构建一个IFile.Writer对象将输出流传进去，输出到指定的文件当中，这个对象支持行级的压缩。

1 writer = new Writer<K, V>(job, out, keyClass, valClass, codec, spilledRecordsCounter);

如果用户设置了Combiner(实际上是一个Reducer)，则写入文件之前会对每个分区中的数据进行一次聚集操作，通过combinerRunner.combine(kvIter, combineCollector)实现，进而会执行reducer.run方法，只不过输出和正常的reducer不一样而已，这里最终会调用IFile.Writer的append方法实现本地文件的写入。

Step5:

将元数据信息写到内存索引数据结构SpillRecord中。如果内存中索引大于1MB，则写到文件名类似于output/spill2.out.index的文件中，“2”就是当前Spill的次数。

 1 if (totalIndexCacheMemory >= indexCacheMemoryLimit) {
 2 
 3           // create spill index file
 4 
 5           Path indexFilename =
 6 
 7               mapOutputFile.getSpillIndexFileForWrite(numSpills, partitions
 8 
 9                   * MAP_OUTPUT_INDEX_RECORD_LENGTH);
10 
11           spillRec.writeToFile(indexFilename, job);
12 
13         } else {
14 
15           indexCacheList.add(spillRec);
16 
17           totalIndexCacheMemory +=
18 
19             spillRec.size() * MAP_OUTPUT_INDEX_RECORD_LENGTH;
20 
21         }

index文件中不光存储了索引数据，还存储了crc32的校验数据。index文件不一定在磁盘上创建，如果内存（默认1M空间）中能放得下就放在内存中。

out文件、index文件和partition数据文件的对应关系为：

索引文件的信息主要包括partition的元数据的偏移量、大小、压缩后的大小等。

Step6：

    Spill结束的时候，会调用resetSpill方法进行重置。

 1 private void resetSpill() {
 2 
 3       final int e = equator;
 4 
 5       bufstart = bufend = e;
 6 
 7       final int aligned = e - (e % METASIZE);
 8 
 9       // set start/end to point to first meta record
10 
11       // Cast one of the operands to long to avoid integer overflow
12 
13       kvstart = kvend = (int)
14 
15         (((long)aligned - METASIZE + kvbuffer.length) % kvbuffer.length) / 4;
16 
17       LOG.info("(RESET) equator " + e + " kv " + kvstart + "(" +
18 
19         (kvstart * 4) + ")" + " kvi " + kvindex + "(" + (kvindex * 4) + ")");
20 
21     }

也就是取kvbuffer中剩余空间的中间位置，用这个位置设置为新的分界点。

4.3.5 合并

    Map任务如果输出数据量很大，可能会进行好几次Spill，out文件和Index文件会产生很多，分布在不同的磁盘上。这时候就需要merge操作把这些文件进行合并。

Merge会从所有的本地目录上扫描得到Index文件，然后把索引信息存储在一个列表里，最后根据列表来创建一个叫file.out的文件和一个叫file.out.Index的文件用来存储最终的输出和索引。

每个artition都应一个段列表，记录所有的Spill文件中对应的这个partition那段数据的文件名、起始位置、长度等等。所以首先会对artition对应的所有的segment进行合并，合并成一个segment。当这个partition对应很多个segment时，会分批地进行合并，类似于堆排序。最终的索引数据仍然输出到Index文件中。对应mergeParts方法。

4.3.6 相关配置选项

    Map的东西大概的就这么多。主要是读取数据然后写入内存缓冲区，缓存区满足条件就会快排，并设置partition，然后Spill到本地文件和索引文件；如果有combiner，Spill之前也会做一次聚集操作，等数据跑完会通过归并合并所有spill文件和索引文件，如果有combiner，合并之前在满足条件后会做一次综合的聚集操作。map阶段的结果都会存储在本地中(如果有reducer的话)，非HDFS。

在上面的分析，包括过程的梳理中，主要涉及到以下几种配置选项：

mapreduce.job.map.output.collector.class，默认为MapTask.MapOutputBuffer；

mapreduce.map.sort.spill.percent配置内存开始溢写的百分比值，默认为0.8；

mapreduce.task.io.sort.mb配置内存bufer的大小，默认是100mb；

map.sort.class配置排序实现类，默认为QuickSort，快速排序；

mapreduce.map.output.compress.codec配置map的输出的压缩处理程序；

mapreduce.map.output.compress配置map输出是否启用压缩，默认为false