MapReduce理解-深入理解MapReduce

最新推荐文章于 2022-12-05 10:25:18 发布

gongpulin

最新推荐文章于 2022-12-05 10:25:18 发布

阅读量668

点赞数

分类专栏： Hadoop

Hadoop 专栏收录该内容

16 篇文章 0 订阅

订阅专栏

前面的几篇博客主要介绍了Hadoop的存储HDFS，接下来几篇博客主要介绍Hadoop的计算框架MapReduce。本片博客主要讲解MapReduce框架的具体执行流程，以及shuffle过程，当然这方面的技术博客已经特别多而且都写得很优秀，我写本篇博客之前也有过相关阅读，受益匪浅。对一些博客和资料的参考都会才博客下方参考资料中列出。

MapReduce理解

MapRedeuce，我们可以把它分开来理解：

映射（Mapping）：对集合里的每个目标应用同一个操作。即，如果你想把表单里每个单元格乘以二，那么把这个函数单独地应用在每个单元格上的操作就属于mapping（这里体现了移动计算而不是移动数据）；
化简（Reducing）：遍历集合中的元素来返回一个综合的结果。即，输出表单里一列数字的和这个任务属于reducing。

计算框架
一个简单的MapReduce执行流程
简单理解，MapReduce计算框架：

把需要计算的东西放入到MapReduce中进行计算，然后返回一个我们期望的结果。所以首先我们需要一个来源（需要计算的东西）即输入（input），然后MapReduce操作这个输入（input），通过定义好的计算模型，最后得到一个（期望的结果）输出（output）。
计算模型
Map和Reduce
在这里我们主要讨论的是MapReduce计算模型：

在运行一个mapreduce计算任务时候，任务过程被分为两个阶段：map阶段和reduce阶段，每个阶段都是用键值对（key/value）作为输入（input）和输出（output）。而程序员要做的就是定义好这两个阶段的函数：map函数和reduce函数。

实例代码

以MapReduce统计单词次数为例（伪代码），主要四个模块来讲解，如上图计算框架：

Input，数据读入

// 设置数据输入来源
FileInputFormat.setInputPaths(job, args[0]);
FileInputFormat.setInputDirRecursive(job, true); //递归
job.setInputFormatClass(TextInputFormat.class);	//设置输入格式

//TextInputFormat，一种默认的文本输入格式，Mapper一次读取文本中的一行数据。

使用Mapper计算

//设置Job的Mapper计算类和K2、V2类型
job.setMapperClass(WordCountMapper.class);	//1.设置Mapper类
job.setMapOutputKeyClass(Text.class);	//设置Mapper输出Key的类型
job.setMapOutputValueClass(LongWritable.class);//设置Mapper输出Value的类型

//WordCountMapper类
/**
 * 自定义的Map 需要继承Mapper
 * K1 : 行序号
 * V1 : 行信息
 * K2 : 单词
 * V2 : 次数
 */
public static class WordCountMapper extends Mapper<LongWritable,Text,Text,LongWritable> {

    Text k2 = new Text() ;
    LongWritable v2 = new LongWritable();

    @Override
    protected void map(LongWritable key, Text value, Context context) 
            throws IOException, InterruptedException {

        //1. 获取行信息
        String line = value.toString();

        //2. 获取行的所用单词
        String[] words = line.split("\t");//这里假设一行文本单词分隔符为"\t"
        for (String word : words) {
            k2.set(word.getBytes()) ; //设置键
            v2.set(1);                //设置值
            context.write(k2,v2);
        }
        
    }
}

使用Reducer合并计算

//设置Job的Reducer计算类和K3、V3类型
job.setReducerClass(WordCountReducer.class);	//自定义的Reducer类
job.setOutputKeyClass(Text.class);		//输出Key类型
job.setOutputValueClass(LongWritable.class);	//输出Value类型

//WordCountReducer 类
/**
 * 自定义的Reduce 需要继承Reducer
 * K2 : 字符串
 * V3 : 次数（分组）
 * K3 : 字符串
 * V3 : 次数（统计总的）
 */
public static class WordCountReducer extends Reducer<Text,LongWritable,Text,LongWritable>{

    LongWritable v3 = new LongWritable() ;
    int sum  = 0 ;
    @Override
    protected void reduce(Text key, Iterable<LongWritable> values, Context context) 
            throws IOException, InterruptedException {
        sum = 0 ;
        for (LongWritable value : values) {
            sum +=value.get() ;
        }
        v3.set(sum);
        context.write( key , v3 );
    }
}

Output，数据写出

1	FileOutputFormat.setOutputPath(job, new Path(args[1]));

运行机制

下面从两个角度来讲解MapReduce的运行机制：

各个角色实体;
运行的时间先后顺序。
MapReduce计算模型的运行机制

各个角色实体

程序运行时过程设计到的一个角色实体
1.1. Client：编写mapreduce程序，配置作业，提交作业的客户端；
1.2. ResourceManager：集群中的资源分配管理；
1.3. NodeManager：启动和监管各自节点上的计算资源；
1.4. ApplicationMaster：每个程序对应一个AM，负责程序的任务调度，本身也是运行在NM的Container中；
1.5. HDFS：分布式文件系统，保存作业的数据、配置信息等等。
客户端提交Job
2.1. 客户端编写好Job后，调用Job实例的Submit()或者waitForCompletion()方法提交作业；
2.2. 客户端向ResourceManager请求分配一个Application ID，客户端会对程序的输出、输入路径进行检查，如果没有问题，进行作业输入分片的计算。
Job提交到ResourceManager
3.1. 将作业运行所需要的资源拷贝到HDFS中（jar包、配置文件和计算出来的输入分片信息等）；
3.2. 调用ResourceManager的submitApplication方法将作业提交到ResourceManager。
给作业分配ApplicationMaster
4.1. ResourceManager收到submitApplication方法的调用之后会命令一个NodeManager启动一个Container ；
4.2. 在该NodeManager的Container上启动管理该作业的ApplicationMaster进程。
ApplicationMaster初始化作业
5.1. ApplicationMaster对作业进行初始化操作；
5.2. ApplicationMaster从HDFS中获得输入分片信息(map、reduce任务数)
任务分配
6.1. ApplicationMaster为其每个map和reduce任务向RM请求计算资源；
6.2. map任务优先于reduce任，map数据优先考虑本地化的数据。
任务执行，在 Container 上启动任务（通过YarnChild进程来运行），执行map/reduce任务。

时间先后顺序

输入分片（input split）
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128M，可以设置）为一个分片。map输出的结果会暂且放在一个环形内存缓冲区中（默认mapreduce.task.io.sort.mb=100M）,当该缓冲区快要溢出时（默认mapreduce.map.sort.spill.percent=0.8）,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；
map阶段：由我们自己编写，最后调用 context.write(…)；
partition分区阶段
3.1. 在map中调用 context.write(k2,v2)方法输出，该方法会立刻调用 Partitioner类对数据进行分区，一个分区对应一个 reduce task。
3.2. 默认的分区实现类是 HashPartitioner ，根据k2的哈希值 % numReduceTasks，可能出现“数据倾斜”现象。
3.3. 可以自定义 partition ，调用 job.setPartitioner(…)自己定义分区函数。
combiner合并阶段：将属于同一个reduce处理的输出结果进行合并操作
4.1. 是可选的；
4.2. 目的有三个：1.减少Key-Value对；2.减少网络传输；3.减少Reduce的处理。
shuffle阶段：即Map和Reduce中间的这个过程
5.1. 首先 map 在做输出时候会在内存里开启一个环形内存缓冲区，专门用来做输出，同时map还会启动一个守护线程；
5.2. 如缓冲区的内存达到了阈值的80%，守护线程就会把内容写到磁盘上，这个过程叫spill，另外的20%内存可以继续写入要写进磁盘的数据；
5.3. 写入磁盘和写入内存操作是互不干扰的，如果缓存区被撑满了，那么map就会阻塞写入内存的操作，让写入磁盘操作完成后再继续执行写入内存操作;
5.4. 写入磁盘时会有个排序操作，如果定义了combiner函数，那么排序前还会执行combiner操作；
5.5. 每次spill操作也就是写入磁盘操作时候就会写一个溢出文件，也就是说在做map输出有几次spill就会产生多少个溢出文件，等map输出全部做完后，map会合并这些输出文件，这个过程里还会有一个Partitioner操作（如上）
5.6. 最后 reduce 就是合并map输出文件，Partitioner会找到对应的map输出文件，然后进行复制操作，复制操作时reduce会开启几个复制线程，这些线程默认个数是5个（可修改），这个复制过程和map写入磁盘过程类似，也有阈值和内存大小，阈值一样可以在配置文件里配置，而内存大小是直接使用reduce的tasktracker的内存大小，复制时候reduce还会进行排序操作和合并文件操作，这些操作完了就会进行reduce计算了。
reduce阶段：由我们自己编写，最终结果存储在hdfs上的。

参考

https://github.com/kite-sdk/kite/wiki/Hadoop-MapReduce-Tutorial
http://www.cnblogs.com/sharpxiajun/p/3151395.html
http://blog.csdn.net/qq1010885678/article/details/51337323
http://blog.csdn.net/u014313009/article/details/38072269 （Shuffle阶段讲的很好）

gongpulin

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
MapReduce理解-深入理解MapReduce

前面的几篇博客主要介绍了Hadoop的存储HDFS，接下来几篇博客主要介绍Hadoop的计算框架MapReduce。本片博客主要讲解MapReduce框架的具体执行流程，以及shuffle过程，当然这方面的技术博客已经特别多而且都写得很优秀，我写本篇博客之前也有过相关阅读，受益匪浅。对一些博客和资料的参考都会才博客下方参考资料中列出。MapReduce理解MapRedeuce，我们可以把它分开来理...
复制链接

扫一扫