Yarn源码分析之参数mapreduce.job.reduce.slowstart.completedmaps介绍

        mapreduce.job.reduce.slowstart.completedmaps是MapReduce编程模型中的一个参数，这个参数的含义是，当Map Task完成的比例达到该值后才会为Reduce Task申请资源，默认是0.05，其在接口MRJobConfig中表示如下：

 // 当Map Task完成的比例达到该值后才会为Reduce Task申请资源，默认是0.05 public static final String COMPLETED_MAPS_FOR_REDUCE_SLOWSTART = "mapreduce.job.reduce.slowstart.completedmaps";

        那么这个参数在Yarn中是如何使用的呢？本文我们将解答这个问题。

        既然这个参数的含义是当Map Task完成的比例达到该值后才会为Reduce Task申请资源，那么在Yarn中关于资源分配申请服务的RMContainerAllocator中，自然会用到它。在服务初始化的serviceInit()方法中，有如下代码：

 // reduceSlowStart取参数mapreduce.job.reduce.slowstart.completedmaps，默认为0.05， // 其代表当Map Task完成的比例达到该值后才会为Reduce Task申请资源 reduceSlowStart = conf.getFloat( MRJobConfig.COMPLETED_MAPS_FOR_REDUCE_SLOWSTART, DEFAULT_COMPLETED_MAPS_PERCENT_FOR_REDUCE_SLOWSTART);

        这个reduceSlowStart就代表当Map Task完成的比例达到该值后才会为Reduce Task申请资源，它取参数mapreduce.job.reduce.slowstart.completedmaps，参数未配置时默认为0.05。而在进行Reduce任务相关资源申请调度时，会传入这个reduceSlowStart，如下：

 scheduleReduces( getJob().getTotalMaps(), completedMaps, scheduledRequests.maps.size(), scheduledRequests.reduces.size(), assignedRequests.maps.size(), assignedRequests.reduces.size(), mapResourceRequest, reduceResourceRequest, pendingReduces.size(), maxReduceRampupLimit, reduceSlowStart);

        scheduleReduces()方法是专门处理Reduce任务相关资源申请调度的，其中对于reduceSlowStart是按照以下方式进行处理的，如下：

 //check for slow start // 在Reduce调度尚未启动时，即标志位reduceStarted为false时 if (!getIsReduceStarted()) {//not set yet // 计算Reduce Task启动时最低要求完成的Map Task数目completedMapsForReduceSlowstar， // 计算公式为reduceSlowStart * totalMaps，向上取整，totalMaps表示Map Task总数目 int completedMapsForReduceSlowstart = (int)Math.ceil(reduceSlowStart * totalMaps); // 如果已完成Map Task数目completedMaps小于上述要求完成的Map Task数目completedMapsForReduceSlowstart， // 记录info级别日志信息：Reduce slow start threshold not met.completedMapsForReduceSlowstart ？ // 即Reduce任务最低启动门槛没有满足，并输出最低启动门槛，即要求已完成的Map Task数目：completedMapsForReduceSlowstart数目，然后返回，不进行资源申请调度 if(completedMaps < completedMapsForReduceSlowstart) { LOG.info("Reduce slow start threshold not met. " + "completedMapsForReduceSlowstart " + completedMapsForReduceSlowstart); return; } else { // 如果达到了最低启动门槛，同样记录info级别日志信息：Reduce slow start threshold reached. Scheduling reduces. // 即Reduce最低启动门槛已达到，开始调度Reduce LOG.info("Reduce slow start threshold reached. Scheduling reduces."); // 并设置标志位reduceStarted为true，即该Reduce资源申请已被调度 setIsReduceStarted(true); } }

        我们看到，在Reduce调度尚未启动时，即标志位reduceStarted为false时：

        1、首先计算Reduce Task启动时最低要求完成的Map Task数目completedMapsForReduceSlowstar，计算公式为reduceSlowStart * totalMaps，向上取整，totalMaps表示Map Task总数目；

        2、如果已完成Map Task数目completedMaps小于上述要求完成的Map Task数目completedMapsForReduceSlowstart，记录info级别日志信息：Reduce slow start threshold not met.completedMapsForReduceSlowstart * ，即表示Reduce任务最低启动门槛没有满足，并输出最低启动门槛，即要求已完成的Map Task数目：completedMapsForReduceSlowstart数目，然后返回，不进行资源申请调度；

        3、如果达到了最低启动门槛，同样记录info级别日志信息：Reduce slow start threshold reached. Scheduling reduces.即Reduce最低启动门槛已达到，开始调度Reduce，并设置标志位reduceStarted为true，即该Reduce资源申请已被调度。

        需要特别注意的是，在JobImpl中，如果处于Uber模式下，会将mapreduce.job.reduce.slowstart.completedmaps参数设置为1，这很好理解，因为不管Map Task，还是Reduce Task，均是串行执行的，所以当Map Task完成的比例达到多少值后才会为Reduce Task申请资源，这个值百分百应该是1。处理该参数相关代码如下：

 if (isUber) { LOG.info("Uberizing job " + jobId + ": " + numMapTasks + "m+" + numReduceTasks + "r tasks (" + dataInputLength + " input bytes) will run sequentially on single node."); // make sure reduces are scheduled only after all map are completed conf.setFloat(MRJobConfig.COMPLETED_MAPS_FOR_REDUCE_SLOWSTART, 1.0f); //......省略后续相关代码