网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
- [2 .Hadoop2 MR在Yarn上运行流程](#2_Hadoop2_MRYarn_78)
- [3. YARN](#3_YARN_104)
+ [三、MapReduce 原理分析](#MapReduce__120)
前言
Hadoop MapReduce / MR 是一个软件计算框架,可以轻松地编写应用程序,以可靠,容错的方式并行处理大型硬件集群(数千个节点)上的大量数据(多达TB数据集) 。
一 、MapReduce 介绍
1. 基本介绍
MapReduce框架由一个主资源管理器,一个集群节点一个工作器NodeManager和每个应用程序MRAppMaster组成(请参阅YARN体系结构指南)。应用程序通过适当的接口和/或抽象类的实现来指定输入/输出位置和供应图,并减少功能。这些以及其他作业参数构成作业配置。然后,Hadoop 作业客户端将作业(jar /可执行文件等)和配置提交给ResourceManager,然后由ResourceManager负责将软件/配置分发给工作人员,安排任务并对其进行监视,为工作提供状态和诊断信息,客户。
计算节点和存储节点是相同的,也就是说,MapReduce框架和Hadoop分布式文件系统(HDFS)在同一组节点上运行。此配置使框架可以在已经存在数据的节点上有效地调度任务,从而在整个群集中产生很高的聚合带宽。
尽管Hadoop框架是用Java实现的,但MapReduce应用程序不必用Java编写。
Hadoop Streaming是一个实用程序,它允许用户使用任何可执行程序(例如Shell实用程序)作为映射器和/或reducer创建和运行作业。
2. MR 数据流程方向
输入(格式化k,v)数据集 -> map映射成一个中间数据集(k,v) -> reduce
3. MR 核心思想
相同的key为一组,调用一次reduce方法,方法内迭代这一组数据, 进行计算(sum count max min)
4. MR运行原理
宏观角度
InputSplit(输入分片)
MapReduce 作业通常将输入数据集拆分为独立的块,这些任务由Map Task以完全并行的方式进行处理。框架对map的输出进行排序,然后将其输入到reduce任务。通常,作业的输入和输出都存储在文件系统中。该框架负责安排任务,监视任务并重新执行失败的任务。
注意 :
一个切片对应一个Map
切片以一条记录为单位调用一次Map
map数量由切片决定的 , reduce 数据由人来决定的
左边矩形 Map Task( 块/block ) , 小矩形 map方法
右边矩形 Reduce Task( 分区/partition ) , 小矩形 Reduce 方法
微观角度
Shuffle阶段 数据从Map输出到Reduce输入的过程
- Shuffler<洗牌>:框架内部实现机制(数据分发)
补充: 面试问如何理解shuffle?(在MapReduce环境下)
1.shuffle就是在reduce启动后 ,在map中拉回属于自己的数据的过程(动作角度)
2.如果面试官说不对,就说是从map输出完数据之后, 算出属于的分区号 /reduce开始 ,一直到拉取并计算数据这一整个过程(逻辑角度)
shuffle :动作 :拷贝 ; 逻辑: 数据规划,整理,拉取 - 分布式计算节点数据流转:连接MapTask与 ReduceTask
- Reduce分组和排序强依赖 Map输出的结果: .Reduce没有排序的能力, 只是对map的结果做归并
理解运行原理角色模型:
- Map:
读懂数据
映射为KV模型
并行分布式
计算向数据移动: / 移动计算 - Reduce:
数据全量/分量加工
Reduce中可以包含不同的key
相同的Key汇聚到一个Reduce中
相同的Key调用一次reduce方法
排序实现key的汇聚 - K,V使用自定义数据类型
作为参数传递,节省开发成本,提高程序自由度
Writable序列化:使能分布式程序数据交互
Comparable比较器:实现具体排序(字典序,数值序等)
5. 块 、切片 、 map 、reduce 、组 、分区 、输出文件之间的关系
6. 计算框架
计算框架 Map
计算框架Reduce
计算框架MR图例演示
二、Hadoop 2.x-MapReduce
Apache Hadoop YARN (Yet Another Resource Negotiator,另一种资源协调者)是一种新的 Hadoop 资源管理器,它是一个通用资源管理系统,可为上层应用提供统一的资源管理和调度,它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处。
1. Hadoop YARN
2 .Hadoop2 MR在Yarn上运行流程
1、YARN:解耦资源与计算
- ResourceManager /RM
主,核心
集群节点资源管理 - NodeManager /NM
向RM汇报资源
管理Container生命周期
计算框架中的角色都以Container表示 - Container:【节点NM,CPU,MEM,I/O大小,启动命令】
默认NodeManager启动线程监控Container大小,超出申请资源额度,kill
支持Linux内核的Cgroup
2、MR :
- MR-ApplicationMaster-Container
作业为单位,避免单点故障,负载到不同的节点
创建Task需要和RM申请资源(Container) - Task-Container
3.、Client:
- RM-Client:请求资源创建AM
- AM-Client:与AM交互
3. YARN
Apache Hadoop YARN (Yet Another Resource Negotiator,另一种资源协调者)是一种新的 Hadoop 资源管理器,它是一个通用资源管理系统,可为上层应用提供统一的资源管理和调度,它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处。
Hadoop 2.0新引入的资源管理系统,直接从MRv1演化而来的。
核心思想:
将MRv1中JobTracker的资源管理和任务调度两个功能分开,分别由ResourceManager和ApplicationMaster进程实现
ResourceManager:
负责整个集群的资源管理和调度
ApplicationMaster:
负责应用程序相关的事务,比如任务调度、任务监控和容错等
YARN的引入,使得多个计算框架可运行在一个集群中 ,每个应用程序对应一个ApplicationMaster
目前多个计算框架可以运行在YARN上,比如MapReduce、Spark、Storm等
三、MapReduce 原理分析
在MapReduce整个过程可以概括为以下过程:
输入 --> map --> shuffle --> reduce -->输出
流程简介:
通过map task读文件,使用TextInputFormat()方法一次读入整行文件,输入文件会被切分成多个块,每一块都有一个map task。
补充面试问题:
\* block块大小的设置:
\* HDFS中的文件在物理上是分块存储(Block),块的大小可以通过配置参数( dfs.blocksize)来规定,默认大小在Hadoop2.x版本中是128M,老版本中是64M。
\*
\* 为什么是128MB:
\* block块的大小主要取决于磁盘传输速率.
\* 一般hdfs的寻址时间为10ms左右.
\* 当寻址时间为传输时间的1%时为最佳状态,因此传输时间大概在1s左右.
\* 机械硬盘文件顺序读写的速度为100MB/s,普通固态为500MB/s,pcie固态的速度可以达到2000MB/s,因此块的大小可以分别设为128MB,512MB,2048MB.
\*
\* block块的大小主要取决于磁盘传输速率.
\*
\*
\* 先将所有的块读出来 判断能否按照计算机生成的块分割(存在部分块的尾端文件没读完就结束) 通过InputSplit的指针 在最后的位置判断有没有读完
\* 生成逻辑代码块(可能少于或者大于等于128M)
/\*\*
\* extends MyMapper<>
\* 参数:
\* LongWritable 第几行的行号
\* Text 每一行读出的数据 因为 string不能改变大小 拼接序列化比较麻烦(比如拼接int) 所以新写入的一个类,底层是StringBuffer
![img](https://img-blog.csdnimg.cn/img_convert/19e104eb2c2be489e46d6cfcd43bb276.png)
![img](https://img-blog.csdnimg.cn/img_convert/c24771bb555f3cedb6a45740a27ec354.png)
![img](https://img-blog.csdnimg.cn/img_convert/29fe5044b5dfa6b99d895bd638324fdc.png)
**既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!**
**由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新**
**[需要这份系统化资料的朋友,可以戳这里获取](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)**
yFv1d8BT-1715349149594)]
**既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!**
**由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新**
**[需要这份系统化资料的朋友,可以戳这里获取](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)**