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 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

/**    *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）

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 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63

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 specification 19         // 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 20 21         if (reduces == 0 ? job.getUseNewMapper() : job.getUseNewReducer()) { 22             org.apache.hadoop.mapreduce.OutputFormat< > output = ReflectionUtils 23                     .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submitSplitFile 31         // 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 job 35         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 fs 46         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。