背景
《Hadoop权威指南》这本书上关于MapReduce的工作机制进行了详细的介绍，job运行过程每一步的讲解比较清晰，在此进行整理和汇总。我的个人博客 http://www.wangjialong.cc
MapReduce1 简介
MapReduce1 是Hadoop2.0之前的MapReduce程序调度机制，也就是YARN出现之前的经典调度模型，最顶层包含了4个独立的实体。
- 客户端， 提交MapReduce程序
- jobtracker，协调作业的运行。它是一个Java应用程序，主类为JobTracker，扮演的角色是一个协调者的角色，是一个调度中心。负责的工作是作业的分配，tasktracker的监控
- tasktracker，运行作业划分后的任务。也是一个Java应用程序，主类为TaskTracker，它是MapReduce程序实际的运行者，受jobtracker的调度和指挥，并向jobtracker报告自己的状态，可以分为maptask、reducetask等
- 分布式文件系统（一般为HDFS），用于存放共享作业，如作业的jar文件，配置文件，计算所得的输入分片等，不存放计算的中间数据，中间数据存放在task所在节点的磁盘上。
下图简单介绍了MapReduce程序的工作流程及上述几个实体扮演的角色
一个job的完整流程包括了作业的提交，作业的初始化，任务的分配，任务的执行，进度和状态的更新，作业的完成六大步骤，下面进行分步介绍。为了方便，下面将job执行的工作原理图放上，并添加标题，方便后面文字说明时进行查找。
作业（job）的提交
job的提交涉及到的实体是客户端（job client）、JobTracker和分布式文件系统（HDFS）。它的步骤主要是工作原理图中的第1-4步。
1.启动job。会创建一个JobSubmmiter对象，之后的作业提交交给它来完成。
2. 向JobTracker请求一个作业ID（调用JobTracker的getNewJobId方法）
3. 在作业信息发给HDFS之前，需要先检查作业的输出、输出路劲是否存在，满足后将作业JAR文件、配置文件和输入分片等复制到一个以作业ID命名的目录下（位于JobTracker的文件系统子目录中）。作业jar有多个副本，默认为10，运行作业是以供tasktracker访问
4. 告知jobtracker准备执行（调用JobTracker的submitJob方法）
提交作业后，waitForCompletion()每秒轮询作业的进度，更新进度报告。作业完成后，若成功，则输出作业计数器，否则，报告作业失败信息。
作业的初始化
5.JobTracker将提交上来的作业进行初始化，创建一个表示作业的对象，用于封装任务和记录信息，以便跟踪任务状态。之后，将他们放入一个内部队列中，交由job scheduler来调度。
6. job scheduler创建任务运行列表。首先从HDFS中获取客户端计算好的输入分片，为每个分片创建一个map任务。然后根据Job中设置的mapred.reduce.tasks属性n创建相应数量的reduce任务，并指定任务ID。同时创建作业创建和作业清理两个任务，他们在tasktracker中运行，负责map之前的创建作业和reduce之后的作业清理。
任务的分配
7.tasktracker定期发送“心跳信息”给jobtracker，来表示自己的存活和是否准备好运行任务。jobtracker为ready状态的tasktracker分配一个任务（map或reduce）。 任务的分配取决于调度算法，如tasktracker上有固定的map槽和reduce槽（取决于tasktracker的核和内存)，默认调度算法优先占用map槽。但对于map任务，jobtracker会考虑距离输入分片文件最近的tasktracker进行调度，map任务调度可能有数据本地化（任务运行在输入分片所在的节点上）、机架本地化（运行在所在机架），无本地化三种状态。
任务的执行
8.taskTracker将作业的jar文件从HDFS上复制到本地，然后将应用所需的全部文件从分布式缓存复制到本地磁盘，然后创建一个本地目录，将jar文件内容解压到该目录下。之后tasktracker新建一个TaskRunner对象。
9. TaskRunner启动一个新的jvm来运行每一个任务，以便用户定义的map和reduce不会影响到tasktracker。
10. 任务在JVM中运行，并定期汇报自己的进度，直到任务完成。
进度和状态的更新
MapReduce程序是一个耗时较长的任务，对于用户来说，需要得知作业的进度。任务在运行时，对于map任务来说，进度是已经处理的输入所占的比例。对于reduce任务来说，系统会估计已处理reduce输入的比例。
MapReduce中改变进度状态的操作为：
- 读入一条输入记录（mapper或reducer）
- 写入一条输出记录
- 在一个Reporter中设置状态描述
- 增加计数器(Reporter)
- 调用Reporter的progress()任务
进度最终会由tasktracker汇总到JobTracker中，JobClient每秒查询JobTracker来获取最新状态，也可以显式调用Job的getStatus方法来获取所有状态信息。
作业的完成
作业完成后，客户端从waitForCompletion()方法返回，Job的统计信息和计数值也输出到控制台。最后JobTracker清空作业的工作状态，并指示tasktracker也清空作业的工作状态(如删除中间输出)
感想
第一代的MapReduce虽然已经不在被使用，但对于学习MapReduce程序的流程还是有很大的帮助的，通过整理，了解了一些细微的知识点，相信对于理解YARN也会有很大的帮助。
Know one thing, Know it well.