MapReduce体系架构和工作流程

前言：MapRedeuce这一章节是非常重要的，涉及了很多实例，这篇文章对MapReduce进行概述，了解它的架构和工作机制，为编程做好基础。

概述

1、分布式并行编程
MapReduce是最先由谷歌提出的分布式并行编程模型，相对于传统并行计算框架来讲，它采用非共享式存储，容错性好，以普通的PC机作为硬件，大大节约成本，编程简单，适用于批处理、非实时、数据密集型数据。
2、MapReduce模型
（1）MapReduce将复杂的、运行于大规模集群上的并行计算过程高度地抽 象到了两个函数：Map和Reduce

（2）MapReduce采用“分而治之”策略，一个存储在分布式文件系统中的 大规模数据集，会被切分成许多独立的分片（split），这些分片可以被多个Map任务并行处理。
（3）MapReduce框架采用了Master/Slave架构，包括一个Master和若干个Slave。Master上运行JobTracker，Slave上运行TaskTracker

MapReduce的体系结构

主要由四个部分组成，分别是：Client、JobTracker、TaskTracker以及Task。
1、Client：程序通过Client提交到JT端，可以通过Cilent提供的接口查看作业运行状态。
2、JobTracker： 监控资源、调度作业，监控所有的TT和Job的健康，一旦发现失败，就会将任务转移到其他节点。
3、TaskTracker： 想JT汇报资源使用情况和作业运行情况，接受JT的命令并执行。
4、Task： Task 分为Map Task 和Reduce Task 两种，均由TaskTracker 启动。

MapReduce工作流程

1、概述

由图可知，不同的Map、Reduce任务之间不会通信，所有的数据交换都要通过MapReduce框架实现。

2、各个执行阶段

图中的split（分片）： HDFS 以固定大小的block 为基本单位存储数据，而对于MapReduce 而言，其 处理单位是split。split 是一个逻辑概念，它只包含一些元数据信息，比如数据 起始位置、数据长度、数据所在节点等。它的划分方法完全由用户自己决定。
Map任务数量： 一个split创建一个Map，由split数量决定。
Reduce任务数量： 最优的Reduce任务个数取决于集群中可用的reduce任务槽(slot)的数目。通常设置比reduce任务槽数目稍微小一些的Reduce任务个数（这样可以预留一些系统资源处理可能发生的错误）

Shuffle过程详解

1、Shuffle过程简介
所谓 Shuffle,是指对 Map 输出结果进行分区、排序、合并等处理并交给 Reduce 的过程。因此，Shuffle 过程分为 Map 端的操作和 Reduce 端的操作，主要执行以下操作

2. Map 端的 Shuffle 过程
（1）输入数据和执行 Map 任务
Map 任务的输入数据一般保存在分布式文件系统的文件块中，这些文件块的格式是任意的，可以是文档，也可以是二进制格式的。Map 任务接受 <key,value> 作为输入后，按一定的映射规则转换成一批<key,value> 进行输出。
（2）写入缓存
每个Map任务分配一个缓存，MapReduce默认100MB缓存
（3）溢写（分区、排序、合并）
设置溢写比例0.8；分区默认采用哈希函数；排序是默认的操作；排序后可以合并；合并不能改变最终结果
（4）文件归并
在Map任务全部结束之前进行归并，归并得到一个大的文件，放在本地磁盘。文件归并时，如果溢写文件数量大于预定值（默 认是3）则可以再次启动Combiner，少于3不需要；JobTracker会一直监测Map任务的执行，并通知 Reduce任务来领取数据
合并（Combine）和归并（Merge）的区别：
两个键值对<“a”,1>和<“a”,1>，如果合并，会得到<“a”,2>，如果归并，会得到<“a”,<1,1>>

3、Reduce 端的 Shuffle 过程
（1）领取数据
Reduce任务通过RPC向JobTracker询问Map任务是否已经完成，若完成，则领取数据。
（2）归并数据
Reduce领取数据先放入缓存，来自不同Map机器，先归并，再合并，写入磁盘；多个溢写文件归并成一个或多个大文件，文件中的键值对是排序的；当数据很少时，不需要溢写到磁盘，直接在缓存中归并，然后输出给Reduce
（3）把数据输入给 Reduce 任务
磁盘中经过多轮归并后得到的若干个大文件，不会继续归并成一个新的大文件，而是直接输入给
Reduce 任务，这样可以减少磁盘读写开销。由此，整个 Shuffle 过程顺利结束。接下来Reduce 任务会执行 Reduce 函数中定义的各种映射，输出最终结果，并保存到分布式文件系统中。