Hadoop OutputFormat浅析

转自：http://hi.baidu.com/_kouu/blog/item/dd2f08fd25da09e0fc037f15.html

在Hadoop中，OutputFormat和InputFormat是相对应的两个东西。相比于InputFormat，OutputFormat似乎没有那么多细节。InputFormat涉及到对输入数据的解析和划分，继而影响到Map任务的数目，以及Map任务的调度（见《Hadoop InputFormat浅析》）。而OutputFormat似乎像其字面意思那样，仅仅是完成对输出数据的格式化。

对于输出数据的格式化，这个应该没什么值得多说的。根据需要，OutputFormat爱把输出写成什么格式就写成什么格式、爱把输出写到数据库就写到数据库、爱把输出通过网络发给其他服务就发给其他服务...

不过，OutputFormat所做的事情其实并不限于此。OutputFormat类包含如下三个方法：

RecordWriter  getRecordWriter(TaskAttemptContext context);

void  checkOutputSpecs(JobContext context);

OutputCommitter  getOutputCommitter(TaskAttemptContext context);

其中：

checkOutputSpecs是在JobClient提交Job之前被调用的（在使用InputFomat进行输入数据划分之前），用于检测Job的输出路径。比如，FileOutputFormat通过这个方法来确认在Job开始之前，Job的Output路径并不存在，然后该方法又会重新创建这个Output路径。这样一来，就能确保Job结束后，Output路径下的东西就是且仅是该Job输出的。

getRecordWriter用于返回一个RecordWriter的实例，Reduce任务在执行的时候就是利用这个实例来输出Key/Value的。（如果Job不需要Reduce，那么Map任务会直接使用这个实例来进行输出。）

RecordWriter有如下两个方法：

void  write(K key, V value);

void  close(TaskAttemptContext context);

前者负责将Reduce输出的Key/Value写成特定的格式，后者负责对输出做最后的确认并关闭输出。

前面提到的OutputFormat的字面含义，其实就是由这个RecordWriter来实现的。

而第三个方法，getOutputCommitter则用于返回一个OutputCommitter的实例。（在Hadoop-0.20中，MapReduce有两套API。getOutputCommitter是在NewAPI中才提供的，OldAPI里面并没有。不过OldAPI同样有OutputCommtter这个东西，只是不能通过OutputFormat来定制而已。）

OutputCommitter用于控制Job的输出环境，它有下面几个方法：

void  setupJob(JobContext jobContext);

void  commitJob(JobContext jobContext);

void  abortJob(JobContext jobContext, JobStatus.State state);

void  setupTask(TaskAttemptContext taskContext);

boolean  needsTaskCommit(TaskAttemptContext taskContext);

void  commitTask(TaskAttemptContext taskContext);

void  abortTask(TaskAttemptContext taskContext);

Job开始被执行之前，框架会调用OutputCommitter.setupJob()为Job创建一个输出路径；

如果Job成功完成，框架会调用OutputCommitter.commitJob()提交Job的输出；

如果Job失败，框架会调用OutputCommitter.abortJob()撤销Job的输出；

对应于Job下的每一个Task，同样牵涉创建、提交和撤销三个动作，分别由OutputCommitter.setupTask()、OutputCommitter.commitTask()、OutputCommitter.abortTask()来完成。而一个Task可能没有输出，从而也就不需要提交，这个可以通过OutputCommitter.needsTaskCommit()来判断；

具体OutputCommitter的这些方法里面完成了什么样的操作，这是由具体的OutputCommitter来定制的，可以任意去实现。比如，FileOutputCommitter完成了如下操作：

setupJob － mkdir ${mapred.output.dir}/_temporary

commitJob － touch ${mapred.output.dir}/_SUCCESS && rm -r ${mapred.output.dir}/_temporary

abortJob － rm -r ${mapred.output.dir}/_temporary

setupTask － <nothing>

needsTaskCommit － test -d ${mapred.output.dir}/_temporary/_${TaskAttemptID}

commitTask － mv ${mapred.output.dir}/_temporary/_${TaskAttemptID}/* ${mapred.output.dir}/

abortTask － rm -r ${mapred.output.dir}/_temporary/_${TaskAttemptID}

（注意，上面这些路径都是HDFS上的，不是某个TaskTracker本地机器上的。）

其中的逻辑是：Job执行的时候，Task的输出放到Output路径下的_temporary目录的以TaskAttemptID命名的子目录中。只有当Task成功了，相应的输出才会被提交到Output路径下。而只有当整个Job都成功了，才会在Output路径下放置_SUCCESS文件。_SUCCESS文件的存在表明了Output路径下的输出信息是正确且完整的；而如果_SUCCESS文件不存在，Output下的信息也依然是正确的（这已经由commitTask保证了），但是不一定是完整的（可能只包含部分Reduce的输出）。

与之对应，FileOutputFormat会让它所创建的RecordWriter将输出写到${mapred.output.dir}/_temporary/_${TaskAttemptID}/下。当然，Map和Reduce任务也可以自己向这个路径put数据。

接下来就是到在哪里去执行这些方法的问题了。

一个Job被提交到JobTracker后会生成若干的Map和Reduce任务，这些任务会被分派到TaskTracker上。对于每一个Task，TaskTracker会使用一个子JVM来执行它们。那么对于Task的setup/commit/abort这些操作，自然应该在执行Task的子JVM里面去完成：

当一个Task被关联到一个子JVM后，在任务初始化阶段，OutputCommitter.setupTask()会被调用；

当一个任务执行成功完成了之后，脱离子JVM之前，OutputCommitter.commitTask()会被调用。不过这里还有两个细节：1、需要先调用OutputCommitter.needsTaskCommit()来确定是否有输出需要提交；2、提交之前还有一个同步逻辑，需要由JobTracker同意提交后才能提交。因为Hadoop有推测执行的逻辑，一个Task可能在多个TaskTracker上同时执行，但是它们之中最多只有一个能得到提交，否则可能导致结果的错乱；

当一个任务执行失败时，OutputCommitter.abortTask()会被调用。这个调用很特殊，它不大可能在执行任务的子JVM里面完成。因为执行任务的子JVM里面跑的是用户提供的Map/Reduce代码，Hadoop框架是无法保证这些代码的稳定性的，所以任务的失败往往伴随着子JVM的异常退出（这也就是为什么要用子JVM来执行Map和Reduce任务的原因，否则异常退出的可能就是整个框架了）。于是，对于失败的任务，JobTracker除了要考虑它的重试之外，还要为其生成一个cleanup任务。这个cleanup任务像普通的Map和Reduce任务一样，会被分派到TaskTracker上去执行（不一定分派到之前执行该任务失败的那个TaskTracker上，因为输出是在HDFS上，是全局的）。而它的执行逻辑主要就是调用OutputCommitter.abortTask()；

而对于Job的setup/commit/abort，则显然不能使用上面的逻辑。

从时间上说，OutputCommitter.setupJob()应该在所有Map和Reduce任务执行之前被调用、OutputCommitter.commitJob()应该在所有Map和Reduce任务执行之后被调用、而OutputCommitter.abortJob()应该在Job确认失败之后被调用；

从地点上说，可能调用这些方法的地方无外乎JobClient、JobTracker、或TaskTracker；

JobClient应该第一个被排除，因为Job的执行并不依赖于JobClient。JobClient在提交完Job之后就可以退出了，它的退出并不会影响Job的继续执行（如果不退出则可以接收JobTracker的进度反馈）。所以，不可能依靠JobClient在Job成功以后来调用OutputCommitter.commitJob()；

JobTracker呢？貌似是个合适的地方，因为JobTracker明确知道Job的开始与结束、成功与失败。但是实际上还是不能由JobTracker来调用这些方法。就像前面说到的OutputCommitter.abortTask()一样，既然JobTracker知道了Task的失败，却不直接为它清理输出，而是通过生成一个对应的cleanup任务来完成清理工作。为什么要这样做呢？其实原因很简单，因为OutputCommitter是独立于Hadoop框架，可以由用户自己定制的。Hadoop框架不能保证用户定制代码的稳定性，当然不能让它直接在JobTracker上执行。必须启动一个新的JVM来执行这些方法，那么正好TaskTracker上已经有这样的逻辑了。

所以，对于Job的setup/commit/abort，跟OutputCommitter.abortTask()类似，JobTracker会生成对应的setup任务和cleanup任务。在初始化Job的时期将Job的setup任务分派给TaskTracker，TaskTracker执行这个setup任务所要做的事情就是调用OutputCommitter.setupJob()；在Job结束时，Job的cleanup任务将分派给TaskTracker，TaskTracker执行这个cleanup任务所要做的事情就是根据Job的执行结果是成功或是失败，来调用OutputCommitter.commitJob()或OutputCommitter.abortJob()。

为了保证OutputCommitter.setupJob()在所有Map和Reduce任务执行之前被调用，在JobTracker上，Job的初始化被分成了两个步骤：一是为Job生成一堆任务，二是将setup任务分派给TaskTracker去执行，并等待它执行完成。在这之后，初始化才算完成，Map和Reduce任务才能得到分派。

 

可见，在Job执行的过程中，除了我们关注的Map和Reduce任务之外，还会有一些隐藏的setup和cleanup任务。不过这些任务都有一个共同点，它们都可以是用户定制的。