http://blog.csdn.net/bingduanlbd/article/details/51924398
MapReduce是用于数据处理的一种编程模型,简单但足够强大,专门为并行处理大数据而设计。
1. 通俗理解MapReduce
MapReduce的处理过程分为两个步骤:map和reduce。每个阶段的输入输出都是key-value的形式,key和value的类型可以自行指定。map阶段对切分好的数据进行并行处理,处理结果传输给reduce,由reduce函数完成最后的汇总。
例如从大量历史数据中找出往年最高气温,NCDC公开了过去每一年的所有气温等天气数据的检测,每一行记录一条观测记录,格式如下:
为了使用MapReduce找出历史上每年的最高温度,我们将行数作为map输入的key,每一行的文本作为map输入的value:
上图中粗体部分分别表示年份和温度。map函数对每一行记录进行处理,提取出(年份,温度)形式的键值对,作为map的输出:
- 1
- 2
- 3
- 4
- 5
很明显,有些数据是脏的,因此map也是进行脏数据处理和过滤的好地方。在map输出被传输到reduce之前,MapReduce框架会对键值对进行排序,根据key进行分组,甚至在key相同的一组内先统计出最高气温,所以reduce收到的数据格式像这样:
- 1
- 2
如果有多个map任务同时运行(通常都是这样),那么每个map任务完成后,都会向reduce发送上面格式的数据,发送数据的过程叫shuffle。
map的输出会作为reduce的输入,reduce收到的是key加上一个列表,然后对这个列表进行处理,天气数据的例子中,就是找出最大值作为最高气温。最后reduce输出即为每年最高气温:
- 1
- 2
整个MapReduce数据流如下图:
其中的3个黑圈圈分别为map,shuffle和reduce过程。在Hadoop中,map和reduce的操作可以由多种语言来编写,例如Java、Python、Ruby等。
在实际的分布式计算中,上述过程由整个集群协调完成,我们假设现在有5年(2011-2015)的天气数据,分布存放在3个文件中: weather1.txt,weather2.txt,weather3.txt。再假设我们现在有一个3台机器的集群,b并且map任务实例数量为3,reduce实例数量2。那么实际运行MapReduce做作业时,整个流程类似于这样:
注意到2014年的数据分布在两个不同的文件中,黄色的粗线部分,代表2014年的2个map作业的输出都统一传输到一个reduce,因为他们的key相同(2014)。其实这个过程非常好理解,现实生活中,比如期末考试完了,那考卷由不同的老师批改,完成后如果想知道全年级最高分,那么可以这么做:
1)各个老师根据自己批改过的所有试卷分数整理出来(map):
- 1
2)各个老师把最高分汇报给系主任(shuffle)
3)系主任统计最高分(reduce)
- 1
当然,如果要多门课程混在一起,系主任工作量太大,于是副主任也上(相当于2个reduce),则老师在汇报最高分的时候,相同课程要汇报给同一个人(相同key传输给同一个reduce),例如数学英语汇报给主任,政治汇报给副主任。
2. 实例及代码实现
life is short , show me the code
MapReduce的概念框架有Google提出,Hadoop提供了经典的开源实现。但是并不是Hadoop特有的,例如在文档型数据库MongoDB中,可以通过JS来编写Map-Reduce,对数据库中的数据进行处理。我们这里以Hadoop为例说明。
数据准备
首先将本地的文件上传到HDFS:
- 1
可以查管理界面查看是否成功上传:
查看一下数据内容:
- 1
编写Java代码
首先实现Mapper类,Mapper在新版本Hadoop中改变为类(旧版为接口)定义如下:
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
实现中我们只覆盖map方法,其他保留不变。具体实现如下:
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
接着实现Reducer,看看定义:
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
我们的Reducer实现主要是找出最高气温:
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
Mapper和Reducer实现后,需要一个入口提交作业到Hadoop集群,在新版本中,使用YARN框架来运行MapReduce作业。作业配置如下:
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
输入输出路径使用FileInputFormat/FileOutputFormat的静态方法来设置,在运行作业之前,输出目录不能存在,这是为了避免覆盖数据导致数据丢失。运行之前如果检测到目录已经存在,作业将无法运行。OK,把项目打包,如果使用Eclipse,使用Export功能。如果使用Maven开发,则直接运行package
命令。假设我们最后的jar包为max-temp.jar
.把jar包上传到你的集群机器上,或者放在安装了Hadoop的客户端机器上,这里假设jar包放在/opt/job目录下。
运行
首先把作业jar包放到CLASSPATH:
- 1
- 2
运行:
- 1
hadoop
会自动把HADOOP_CLASSPAT设置的路径加入到CLASSPATH中,同时把HADOOP相关的依赖包也加入CLASSPATH,然后启动一个JVM运行MaxTemperature这个带有main方法的类。
结果如下:
日志中可以看到作业的一些运行情况,例如map任务数量,reduce任务数量,以及输入输出的记录数,可以看到跟实际情况完全吻合。
我们看一下输出目录/output:
- 1
可以看到该目录下有个成功标识文件_SUCCESS和结果输出文件part-r-0000,每个reducer会输出一个文件。查看一下这个输出文件的内容:
- 1
如上图所示,我们成功得到了1949和1950年的最高温度,无需管结果是否合理,只要按照我们想要的逻辑运行即可。
YARN管理界面也可以看到该作业的情况:
3. 进一步理解MapReduce
一个MapReduce作业通常包括输入数据、MapReduce程序以及一些配置信息。Hadoop把作业分解为task运行,task分为map任务和reduce任务,在新版本的Hadoop中,这些Task通过资源管理框架进行调度,如果任务失败,MapReduce应用框架会重新运行任务。
作业的输入被华为为固定大小的分片,叫input splits,简称splits。然后为每一个split分块创建一个map任务,map任务对每一条记录运行用户定义的map函数。划分为split之后,不同配置的机器就可以根据自己的资源及运算能力运行适当的任务,即使是相同配置的机器,最后运行的任务数也往往不等,这样能有效利用整个集群的计算能力。但是split也不已太多,否则会耗费很多时间在创建map任务上,通常而言,按集群Block大小(默认为128M)来划分split是合理的。
Hadoop会把map任务运行在里数据最近的节点上,最好的情况是直接在数据(split)所在的节点上运行map任务,这样不需要占用带宽,这一优化叫做数据本地优化(data locality optimization)。下图的map选址方案从最优到最次为a,b,c:
关于Hadoop如何衡量两个集群节点的距离,参考我的另一批博客 深入理解HDFS:Hadoop分布式文件系统。但是节点距离不是分配task考虑的唯一因素,还会考虑节点当前负载等因素。
Reduce任务通常无法利用本地数据的优化,大多数情况下,reduce的输入都来自集群的其他节点。reduce针对每一个key运行reduce函数之后,输出结果通常保存在HDFS中,并且存储一定的副本数,第一个副本存在运行reduce任务的本地机器,其他副本根据HDFS写入的管道分别写入节点,关于更多HDFS的数据写入流程,参考这里。
下图是一个单reduce的数据流示例:
如果有多个reduce任务,那么map任务的输出到底该传输到哪一个reduce任务呢?决定某个key的数据(key,[value1, value2,...])
该发送给那个reduce的过程叫partition。默认情况下,MapReduce使用key的哈希函数进行分桶,这通常工作的很好。如果需要自行指定分区函数,可以自己实现一个Partitioner并配置到作业中。key相同的map任务输出一定会发送到同一个reduce任务。map任务的输出数据传输到reduce任务所在节点的过程,叫做shuffle。下面是一个更通用的MapReduce数据流图:
当然,有些作业中我们可能根本不需要有reduce任务,所有工作在map任务并行执行完之后就完毕了,例如Hadoop提供的并行复制工作distcp,其内部实现就是采用一个只有Mapper,没有Reducer的MapReduce作业,在map完成文件复制之后作业就完成了,如下图所示:
在上面计算最高天气的例子中,每个map将每一条记录所产生的(年份,温度)记录都shuffle到reduce节点,当数据量较大时,将占用很多带宽,耗费很长时间。事实上,可以在map任务所在的节点上做更多工作。map任务运行完之后,可以把所有结果按年份分组,并统计出每一年的最高温度(类似于sql中的 select max(temperature) from table group by year
),这个最高温度是局部的,只在本任务重产生的数据做比较。做完局部统计之后,将结果发送给reduce做最终的汇总,找出 全局最高温度。过程示意图如下:
这么做之所以符合逻辑,是基于以下的事实:
- 1
符合上述性质的函数称为是commutative和associative,有时候也成为是distributive。如果是计算平均温度,则不能使用这一的方式。
上述的局部计算在Hadoop中使用Combiner来表示。为了在作业中使用Combiner,我们需要明确指定,在前面的例子中,可以直接使用Reducer作为Combiner,因为两者逻辑是一样的:
- 1
- 2
- 3
- 4
4. Hadoop Streaming
Hadoop完全允许我们使用Java以外的语言来编写map和reduce函数。Hadoop Streaming使用Unix标准流作为Hadoop和其他应用程序的接口。数据流的大致示意图如下:
整个数据在Hadoop MapReduce与Ruby应用、标准输入输出之间流转,因此叫Streaming。我们继续使用前面气温的例子来说明,先使用ruby来编写map和reduce,然后使用unix的管道来模拟整个过程,最后迁移到Hadoop上运行。
Ruby版本的map函数从标准流中读取数据,运算后将结果输出到标准输出流:
- 1
- 2
- 3
- 4
- 5
- 6
逻辑与Java版本完全一样,STDIN是ruby的标准输入,each_line针对每一行进行操作,逻辑封装在do和end之间。puts是ruby标准输出函数,打印tab分割的记录到标准输出流。
因为这个脚本与标准输入输出交互,所以很容易结合linux的管道来测试:
- 1
一样用ruby脚本来完成reduce的功能:
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
map处理完之后,同一个key的一组键值对中,value是排序的,所以当前读到的key如果不同于上一个key,表示这个key的所有值都处理完了(前文提到会在切换key之前reset输入)。我们使用sort命令来替代MapReduce中的排序过程,把map的标准输出作为sort的输入,sort通过管道连接到map:
- 1
输出结果如下图,与前文完全一致。
很好,我们在Hadoop上运行这个作业。非Java语言的MapReduce作业,需要使用Hadoop Streaming来运行。Hadoop Streaming会负责作业的Task分解,把输入数据作为标准输入流传递给Ruby写的map脚本,并接受来自map脚本的标准输出,排序后shuffle到reduce节点上,并以标准输入传递给reduce,最后把reduce的标准输出保存到HDFS文件中。
我们使用hadoop jar命令,同时指定输入输出目录,脚本位置等。
- 1
-file参数把这些文件上传到集群中。注意map和reduce脚本需要在CLASSPATH下,我是在当前目录下运行的,默认加入到类路径中。另外请确保集群中的所有机器都安装了ruby,否则可能出现类似subprocess failed with code 127
。这里的输出文件是/outp/max-tem-ruby,MapReduce不允许多个作业输出到同一个目录。
查看输出文件,与Java版本完全一致。OK,我们设置combiner,然后在大的数据集上感受一下:
- 1
计算结果:
map和reduce也一样可以用Python来实现,用与Ruby一样的方式来运行,这里不多介绍。
参考
本文主要内容来自《Hadoop权威指南》,感谢作者的优秀书籍。