前言 ：本文旨在理清在Hadoop中一个MapReduce作业（Job）在提交到框架后的整个生命周期过程，权作总结和日后参考，如有问题，请不吝赐教。本文不涉及Hadoop的架构设计，如有兴趣请参考相关书籍和文献。在梳 理过程中，我对一些感兴趣的源码也会逐行研究学习，以期强化基础。
作者
：Jaytalent
开始日期
：2013年9月9日参考资料：【1】《Hadoop技术内幕--深入解析MapReduce架构设计与实现原理》董西成【2】Hadoop 1.0.0 源码
【3】《Hadoop技术内幕--深入解析Hadoop Common和HDFS架构设计与实现原理》蔡斌 陈湘萍
一个MapReduce作业的生命周期大体分为5个阶段
【1】：
【1】：
1.
作业提交与初始化
作业提交与初始化
2. 任务调度与监控
3. 任务运行环境准备
4. 任务执行
5. 作业完成
现逐一学习。
由于作业提交是在客户端完成，而初始化在JobTracker完成，本文只关注前者，后者留待下一篇文章学习研究。
一、作业提交与初始化
以WordCount作业为例，先看作业提交的代码片段：
Job job = new Job(conf, "word count");
job.setJarByClass(WordCount.class);
job.setMapperClass(TokenizerMapper.class);
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
这里使用的新的MapReduce API。job.waitForCompletion(true)函数调用开始作业提交过程。接下来，依次调用：job.submit --> JobClient.submitJobInternal方法，真正实现作业提交。在JobClient.submitJobInternal方法中，主要有以下准备工作：
1. 获取作业ID
JobID jobId = jobSubmitClient.getNewJobId();
作业ID时从JobTracker获取的，这是一次RPC调用，方法为getNewJobId，定义在JobSubmissionProtocol接口。
private JobSubmissionProtocol jobSubmitClient;
Hadoop的RPC机制是基于动态代理实现的。客户端代码使用RPC类提供的代理对象调用服务器的方法。MapReduce中定义了一系列协议接口用于RPC通信。这些协议包括：
a. JobSubmissionProtocol
b. RefreshUserMappingsProtocol
c. RefreshAuthorizationPolicyProtocol
d. AdminOperationsProtocol
e. InterTrackerProtocol
f. TaskUmbilicalProtocol
前面四个协议用于客户端，最后两个协议位于MapReduce内部。这里使用的getNewJobId方法即协议JobSubmissionProtocol所定义：
/**
* Allocate a name for the job.
* @return a unique job name for submitting jobs.
* @throws IOException
*/
public JobID getNewJobId() throws IOException;
用户使用该协议通过JobTracker提交作业，查看作业状态等。
2. 作业文件上传
JobClient会根据作业配置信息将作业所需文件上传到JobTracker的文件系统，通常是HDFS。配置信息由JobConf类对象维护。在新的API中，JobConf对象作为JobContext对象的组成部分，作业类Job即继承于JobContext类。
在上传文件前，需要在HDFS上创建必要的目录。上传文件的具体过程从 JobClient.submitJobInternal方法中这句调用开始：
copyAndConfigureFiles(jobCopy, submitJobDir);
在配置了提交副本数（mapred.submit.replication，默认为10）等信息后，主要代码分析如下（为了清晰起见，省略了一些日志和异常处理）：
// Retrieve command line arguments placed into the JobConf
// by GenericOptionsParser.
String files = job.get("tmpfiles");
String libjars = job.get("tmpjars");
String archives = job.get("tmparchives");
首先，从配置中获取不同类型文件的名称和路径，这些配置在作业提交时从命令行（Hadoop Shell）指定。files表示作业依赖的普通文件，比如文本文件；libjars表示应用程序依赖的第三方jar包；archives表示应用程序使用的多个文件打包而成的压缩文件。
// Create a number of filenames in the JobTracker's fs namespace
FileSystem fs = submitJobDir.getFileSystem(job);
submitJobDir = fs.makeQualified(submitJobDir);
FsPermission mapredSysPerms = new FsPermission(JobSubmissionFiles.JOB_DIR_PERMISSION);
FileSystem.mkdirs(fs, submitJobDir, mapredSysPerms);
Path filesDir = JobSubmissionFiles.getJobDistCacheFiles(submitJobDir);
Path archivesDir = JobSubmissionFiles.getJobDistCacheArchives(submitJobDir);
Path libjarsDir = JobSubmissionFiles.getJobDistCacheLibjars(submitJobDir);
接下来，在JobTracker的文件系统（通常为HDFS）的命名空间创建一系列文件路径名，其中包括前述三种文件类型。
有了路径名后，在HDFS上创建路径并将这些文件拷贝到对应的目录中，代码如下：
// add all the command line files/ jars and archive
// first copy them to jobtrackers filesystem if (files != null) {
FileSystem.mkdirs(fs, filesDir, mapredSysPerms);
String[] fileArr = files.split(",");
for (String tmpFile: fileArr) {
URI tmpURI;
tmpURI = new URI(tmpFile); Path tmp = new Path(tmpURI);
Path newPath = copyRemoteFiles(fs,filesDir, tmp, job, replication);
URI pathURI = getPathURI(newPath, tmpURI.getFragment());
DistributedCache.addCacheFile(pathURI, job);
DistributedCache.createSymlink(job);
}
}
if (libjars != null) {
FileSystem.mkdirs(fs, libjarsDir, mapredSysPerms);
String[] libjarsArr = libjars.split(",");
for (String tmpjars: libjarsArr) {
Path tmp = new Path(tmpjars);
Path newPath = copyRemoteFiles(fs, libjarsDir, tmp, job, replication);
DistributedCache.addArchiveToClassPath
(new Path(newPath.toUri().getPath()), job, fs);
}
}
if (archives != null) {
FileSystem.mkdirs(fs, archivesDir, mapredSysPerms);
String[] archivesArr = archives.split(",");
for (String tmpArchives: archivesArr) {
URI tmpURI;
tmpURI = new URI(tmpArchives);
Path tmp = new Path(tmpURI);
Path newPath = copyRemoteFiles(fs, archivesDir, tmp, job, replication);
URI pathURI = getPathURI(newPath, tmpURI.getFragment());
DistributedCache.addCacheArchive(pathURI, job);
DistributedCache.createSymlink(job);
}
注意，MapReduce作业文件的上传和下载是通过DistributedCache工具完成的，它是一个数据分发工具。用户指定的文件会被分发到各个TaskTracker上以运行Task。这里暂不涉及该工具的细节，留待日后讨论。
最后，将作业对应的jar文件拷贝到HDFS中：
String originalJarPath = job.getJar();
if (originalJarPath != null) { // copy jar to JobTracker's fs
// use jar name if job is not named.
if ("".equals(job.getJobName())){
job.setJobName(new Path(originalJarPath).getName());
}
Path submitJarFile = JobSubmissionFiles.getJobJar(submitJobDir);
job.setJar(submitJarFile.toString());
fs.copyFromLocalFile(new Path(originalJarPath), submitJarFile);
fs.setReplication(submitJarFile, replication);
fs.setPermission(submitJarFile,
new FsPermission(JobSubmissionFiles.JOB_FILE_PERMISSION));
}
注意，在每次上传一种类型的文件后，都会将这种文件的路径配置到JobConf对象中，具体的工作由
DistributedCache.addCacheFile(pathURI, job);
DistributedCache.addArchiveToClassPath(new Path(newPath.toUri().getPath()), job, fs);
DistributedCache.addCacheArchive(pathURI, job);
job.setJar(submitJarFile.toString());
这四行代码完成。顺便提一句，Path类Hadoop文件系统在java.net.URI的基础上抽象了文件系统中的路径 【3】 。Java的File类和URL类分别抽象了不同的事物，Path可以说将二者统一起来。
3. 生成InputSplit文件
JobClient调用InputFormat的getSplits方法将用户提交的输入文件生成InputSplit相关信息。
// Create the splits for the job
FileSystem fs = submitJobDir.getFileSystem(jobCopy);
int maps = writeSplits(context, submitJobDir);
jobCopy.setNumMapTasks(maps);
jobCopy是一个JobConf对象。其中，writeSplits方法会实际调用InputSplit.getSplits方法生成splits信息，并将splits原始信息和元信息写入HDFS对应的目录和文件中。有关split的生成过程日后研究，这里不展开了。最后，将作业对应的JobConf对象以XML配置文件形式写入到HDFS中：
// Write job file to JobTracker's fs
FSDataOutputStream out =
FileSystem.create(fs, submitJobFile,
new FsPermission(JobSubmissionFiles.JOB_FILE_PERMISSION)); try {
jobCopy.writeXml(out);
} finally {
out.close();
}
至此，作业文件上传才算正式完毕。
接下来，作业将被提交到JobTracker，请关注下篇文章：
MapReduce调度与执行原理之作业初始化