大数据学习笔记——hadoop1.2.1 MapReduce简介

在此仅记录MapReduce的概念和配置运行，至于采用MapReduce架构的编程本篇不涉及，以后的文章中会记录。

1.MapReduce介绍

MapReduce是hadoop的计算框架。MapReduce采用”分而治之”的思想，把对大规模数据集的操作，分发给一个主节点管理下的各个分节点共同完成，然后通过整合各个节点的中间结果，得到最终结果。简单地说，MapReduce就是”任务的分解与结果的汇总”。在分布式计算中，MapReduce框架负责处理了并行编程中分布式存储、工作调度、负载均衡、容错均衡、容错处理以及网络通信等复杂问题，把处理过程高度抽象为两个函数：map和reduce，map负责把任务分解成多个任务，reduce负责把分解后多任务处理的结果汇总起来。
MapReduce是一主多从架构，其主是指JobTracker、从指TaskTracker

• 主JobTracker
  负责调度分配每一个子任务task运行于TaskTracker上，如果发现有失败的task就重新分配其任务到其他节点。每一个hadoop集群中只有一个JobTracker，一般它运行于Master节点上。
• 从TaskTracker
  TaskTracker主动与JobTracker通信，接受作业，并负责直接指向每一个任务，为了减少网络带宽TaskTracker最好运行在HDFS的DataNode上。

下图是一副介绍MapReduce架构经典例子（统计单词个数）的截图

从上图我们可以看到，MapReduce框架包含Map端、Reduce端，中间还有一个shuffle过程，下面是一副MapReduce框架处理数据的示意图：

• Map端
  1）每个输入分片会让一个map任务来处理，默认情况下，以HDFS的一个块的大小（默认为64M）为一个分片，当然我们也可以设置块的大小。map输出的结果会暂且放在一个环形内存缓冲区中（该缓冲区的大小默认为100M，由io.sort.mb属性控制），当该缓冲区快要溢出时（默认为缓冲区大小的80%，由io.sort.spill.percent属性控制），会在本地文件系统中创建一个溢出文件，将该缓冲区中的数据写入这个文件。
  2）在写入磁盘之前，线程首先根据reduce任务的数目将数据划分为相同数目的分区，也就是一个reduce任务对应一个分区的数据（这样做是为了数据负载平衡，避免有些reduce任务分配到大量数据，而有些reduce任务却分到很少数据，甚至没有分到数据的尴尬局面），其实分区就是对数据进行hash的过程。然后对每个分区中的数据进行排序，如果此时设置了Combiner，将排序后的结果进行Combiner操作，这样做的目的是让尽可能少的数据写入到磁盘。
  3）当map任务输出最后一个记录时，可能会有很多的溢出文件，这时需要将这些文件合并。合并的过程中会不断地进行排序和combiner操作，目的有两个：1.尽量减少每次写入磁盘的数据量；2.尽量减少下一复制阶段网络传输的数据量。最后合并成了一个已分区且已排序的文件。为了减少网络传输的数据量，这里可以将数据压缩，只要将mapred.compress.map.out设置为true就可以了。
  4）将分区中的数据拷贝给相对应的reduce任务。分区中的数据匹配对应的reduce的过程：map任务一直和其父TaskTracker保持联系，而TaskTracker又一直和JobTracker保持心跳。所以JobTracker中保存了整个集群中的宏观信息。只要reduce任务向JobTracker获取对应的map输出的位置就行。
• Reduce端
  1）Reduce会接收到不同map任务传来的数据，并且每个map传来的数据都是有序的。如果reduce端接收的数据量相当小，则直接存储在内存中（缓冲区大小由mapred.job.shuffle.input.buffer.percent属性控制，表示用作此用途的堆空间的百分比），如果数据量超过了该缓冲区大小的一定比例（由mapred.job.shuffle.merge.percent决定），则将数据合并后溢写到磁盘中。
  2）随着溢写文件的增多，后台线程会将它们合并成一个更大的有序的文件，这样做是为了给后面的合并节省时间。其实不管在map端还是reduce端，MapReduce都是反复地执行排序，合并操作。这就是问什么很多人说“排序是hadoop的灵魂”。
  3）合并的过程中会产生许多的中间文件（写入磁盘了），但MapReduce会让写入磁盘的数据尽可能地少，并且最后一次合并的结果并没有写入磁盘，而是直接输入到reduce函数。
• Shuffle
  Shuffle是map和reduce之间的过程，包含combine和partition（在上面的map和reduce的描述中已经涉及到了shuffle）
  combine和partition都是函数。
  combine分为map端和reduce端，作用是把同一个key的键值对合并在一起，可以自定义。具体描述就是：把一个map函数产生的{key,value}对（多个key,value）合并成一个新的{key2,value2}.将新的{key2,value2}作为输入，送到reduce函数中。这个合并的目的是为了减少网络传输。
  partition是分割map每个节点的结果，按照key分别映射给不同的reduce，也是可以自定义的。这里其实可以理解归类。默认的mapreduce使用哈希HashPartitioner帮我们归类了，这块儿也可以自行定义。
  下图是一副Shuffle的处理流程图：
  

上面是MapReduce框架的主要构成部分的介绍，在第一张图中我们还可看到在map前还有一个阶段是split阶段，下面简单对这个阶段做个介绍：
输入分片（input split）：在进行map计算之前，mapreduce会根据输入文件计算输入分片（input split），每个输入分片针对一个map任务，输入分片存储的并非数据本身，而是一个分片长度和一个记录数据的位置的数组，输入分片往往和hdfs的block（块）关系很密切，假如我们设定hdfs的块的大小是64mb，如果我们输入有三个文件，大小分别是3mb、65mb和127mb，那么mapreduce会把3mb文件分为一个输入分片，65mb则是两个输入分片，而127mb也是两个输入分片，换句话说我们如果在map计算前做输入分片调整，例如合并小文件，那么就会有5个map任务将执行，而且每个map执行的数据大小不均，这个也是mapreduce优化计算的一个关键点。因此map任务前进行数据的合并也对提升性能有帮助。

下面这张图也是介绍MapReduce架构的经典图（即：在hadoop中如何运行MapReduce的）

最后从物理实体讲一下MapReduce作业执行的4个独立实体，即：
1）客户端（client）：编写MapReduce程序，配置作业，提交作业。（由程序员来完成）
2）JobTracker：初始化作业，分配作业，与TaskTracker通信，协调整个作业的执行。
3）TaskTracker：保持与JobTracker的通信，在分配的数据片段上执行Map或Reduce任务，TaskTracker和JobTracker的不同有个很重要的方面，就是在执行任务时候TaskTracker可以有n多个，JobTracker则只会有一个（JobTracker只能有一个就和hdfs里namenode一样存在单点故障）
4）Hdfs：保存作业的数据、配置信息等等，最后的结果也是保存在hdfs上面。

2.MapReduce在Hadoop中的配置

在Hadoop中我们需要配置MapReduce的JobTracker节点，我们需要在”hadoop源文件/conf/”文件夹下修改mapred-site.xml文件，如下图，图中我们配置的JobTracker节点为namenode这台机器：

我们不仅需要配置NameNode这台机器的mapred-site文件，其他的datanode节点也需要配置，通过scp命令将配置好的mapred-site.xml文件复制到其他datanode机器上

root@namenode:/usr/lib/hadoop-1.2.1/bin#  scp /usr/lib/hadoop-1.2.1/conf/mapred-site.xml >> root@ datanode1:/usr/lib/hadoop-1.2.1/conf/

通过bin/start-all.sh启动hadoop，我们会看到如下信息：

下图是datanode节点上的启动进程界面：

下图是从浏览器端看的MapReduce程序界面，web端的接口是50030，如下图：

本篇主要介绍MapReduce的运行机制和在hadoop上的环境配置。而MapReduce的编程、MapReduce程序的发布、Eclipse插件查看hadoop数据文件，这些将再以后进行记录。