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
