MapReduce 框架 + 切片

最新推荐文章于 2024-04-02 15:58:43 发布

IT新手村小蒋

最新推荐文章于 2024-04-02 15:58:43 发布

阅读量259

点赞数

分类专栏： MapReduce 文章标签： MapReduce框架 + 切片

本文链接：https://blog.csdn.net/JiangDongS/article/details/93666044

版权

MapReduce 专栏收录该内容

7 篇文章 0 订阅

订阅专栏

MapReduce 框架原理：

1、流程示意图：

在这里插入图片描述

2、流程详细：

上面的流程是整个 mapreduce 最全工作流程，但是 shuffle 过程只是从第 7 步开始到第 15 步结束，具体 shuffle 过程详解，如下：

1）maptask 收集我们的 map() 方法输出的 KV 对，放到内存缓冲区中

2）从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件

3）多个溢出文件会被合并成大的溢出文件

4）在溢出过程中，及合并的过程中，都要调用 partitioner 进行分区和针对 key 进行排序

5）reducetask 根据自己的分区号，去各个 maptask 机器上取相应的结果分区数据

6）reducetask 会取到同一个分区的来自不同 maptask 的结果文件，reducetask 会将这些文件再进行合并（归并排序）

7）合并成大文件后，shuffle 的过程也就结束了，后面进入 reducetask 的逻辑运算过程（从文件中取出一个一个的键值对 group，调用用户自定义的 reduce() 方法）

3、注意：

shuffle 中缓冲区大小会影响到 mapreduce 程序的执行效率，原则上说，缓冲区越大，磁盘 io 的次数越少，执行速度就越快。

缓冲区的大小可以通过参数调整，参数：io.sort.mb 默认 **100M **。

InputFormat 数据输入（切片）：

1、切片计算公式

1）找到里数据存储的目录。

2）开始遍历处理（规划切片）目录下的每个文件

3）遍历每个文件 ss.txt

（1）获取文件大小 fs.sizeOf(ss.txt);

（2）计算切片大小

computeSplitSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M

（3）默认情况下，切片大小=blocksize

（4）开始切，形成第 1 个切片：ss.txt — 0M:128M 第 2 个切片 ss.txt — 128M:256M 第 3 个切片 ss.txt — 256M:300M（每次切片时，都要判断切完剩下的部分是否大于快的 1.1 倍，不大于 1.1 倍就划分一块切片）

（5）将切片信息写到一个切片规划文件中。

（6）整个切片的核心过程在 getSplit() 方法中完成。

（7）数据切片只是在逻辑上对输入数据进行分片，并不会在磁盘上将其切分成分片进行存储。InputSplit 只记录了分片的元数据信息，比如起始位置、长度以及所在的节点列表等。

（8）注意：block 是 HDFS 物理上存储的数据，切片是对数据逻辑上的划分。

4）提交切片规划文件到 yarn 上，yarn 上的 MrAppMaster 就可以根据切片规划文件计算开启 maptask 个数。

自定义 Partition(分区) :

在前面代码的基础上增加 WordCountPartitioner 类：

/**
 * 根据数字的第一位的奇偶数进行分区
 * @author Jds
 */

public class WordCountPartitioner extends Partitioner<Text, IntWritable> {
    @Override
    public int getPartition(Text key,
                            IntWritable value,
                            int i) {

        String num = key.toString().substring(0, 1);

        // String --> Int
        int result = Integer.valueOf(num);

        if (result % 2 == 0 ){
            return 0;
        } else {
            return 1;
        }
    }
}

向 WordCountDriver 类的代码中添加分区代码：

/**
 * @author Jds
 */

public class WordCountDriver {

    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        //输入数据的 Windows 路径，输出的 Windows 路径
        args = new String[]{"C:\\Users\\Jds\\Desktop\\mapreduce\\Partition.txt",
                "C:\\Users\\Jds\\Desktop\\mapreduce\\A2"};

        //获取配置信息
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        //反射三个类
        job.setJarByClass(WordCountDriver.class);
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);


        //Map 输出的 k,V 类型 Text, IntWritable 为 Reduce 的输入
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
        //Reduce 输出的 K,V 类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        //设置分区（新添加项）
        job.setPartitionerClass(WordCountPartitioner.class);
        job.setNumReduceTasks(2);

        //数据的输入和输出指定目录
        FileInputFormat.setInputPaths(job,new Path(args[0]));
        FileOutputFormat.setOutputPath(job,new Path(args[1]));

        //提交 job ---> waitForCompletion 包含 submit() 两个都是提交
        job.waitForCompletion(true);
    }
}

Combiner 合并:

将小文件进行合并，然后传给 Reduce ，减轻 Reduce 的工作量。

public class WordCountDriver {

    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        //输入数据的 Windows 路径，输出的 Windows 路径
        args = new String[]{"C:\\Users\\Jds\\Desktop\\mapreduce\\Text\\",
                "C:\\Users\\Jds\\Desktop\\mapreduce\\A1"};

        //获取配置信息
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        //反射三个类
        job.setJarByClass(WordCountDriver.class);
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);


        //Map 输出的 k,V 类型 Text, IntWritable 为 Reduce 的输入
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
        //Reduce 输出的 K,V 类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        /**
        * Combiner
        */
        job.setCombinerClass(WordCountReducer.class);

        //设置分区
        ///job.setPartitionerClass(WordCountPartitioner.class);
        //job.setNumReduceTasks(2);

        //数据的输入和输出指定目录
        FileInputFormat.setInputPaths(job,new Path(args[0]));
        FileOutputFormat.setOutputPath(job,new Path(args[1]));

        //提交 job ---> waitForCompletion 包含 submit() 两个都是提交
        job.waitForCompletion(true);
    }
}

InputFormat 切片机制：

关于大量小文件的优化策略。

1、默认情况下 TextInputformat 对任务的切片机制是按文件规划切片，不管文件大小，都会是一个单独的切片，都会交给一个 maptask ，这样如果有大量小文件，就会产生大量的 maptask ，处理效率极其低下。

2、优化策略

1）最好的办法，在数据处理系统的最前端（预处理/采集），将小文件先合并成大文件，再上传到 HDFS 做后续分析。

2）补救措施：如果已经是大量小文件在 HDFS 中了，可以使用另一种 InputFormat 来做切片（CombineTextInputFormat）,它的切片逻辑跟 TextFileInputFormat 不同：它可以将多个小文件从逻辑上规划到一个切片中，这样，多个小文件就可以交给一个 maptask 。

3）优先满足最小切片大小，不超过最大切片大小：

CombineTextInputFormat.setMaxInputSplitSize(job,3*1024*1024)

CombineTextInputFormat.setMinInputSplitSize(job,2*1024*1024)

3、具体实现步骤

//  如果不设置InputFormat,它默认用的是TextInputFormat.class
job.setInputFormatClass(CombineTextInputFormat.class)
CombineTextInputFormat.setMaxInputSplitSize(job, 3*1024*1024);// 3m
CombineTextInputFormat.setMinInputSplitSize(job, 2*1024*1024);// 2m

注：在看 number of splits 时，和最大值（MaxSplitSize）有关、总体规律就是低于最大值是一片、高于最大值 1.5 倍 + ，则是两片；高于最大值 2 倍以上则向下取整，比如文件大小为 65MB ，切片最大值为 4MB ，那么切片为 16 个。总体来说，切片差值不超过 1 个，不影响整体性能。

规律：片数 = 文件的大小 / 最大值

public class WordCountDriver {

    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        //输入数据的 Windows 路径，输出的 Windows 路径
        args = new String[]{"C:\\Users\\Jds\\Desktop\\mapreduce\\Text\\",
                "C:\\Users\\Jds\\Desktop\\mapreduce\\A1"};

        //获取配置信息
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        //反射三个类
        job.setJarByClass(WordCountDriver.class);
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);


        //Map 输出的 k,V 类型 Text, IntWritable 为 Reduce 的输入
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
        //Reduce 输出的 K,V 类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        //Combiner
///        job.setCombinerClass(WordCountReducer.class);

        /**
        * 切片优化 如果不设置InputFormat,它默认用的是TextInputFormat.class
        */
        job.setInputFormatClass(CombineTextInputFormat.class);
        CombineTextInputFormat.setMaxInputSplitSize(job,3*1024*1024);
        CombineTextInputFormat.setMinInputSplitSize(job,2*1024*1024);

        //设置分区
        ///job.setPartitionerClass(WordCountPartitioner.class);
        //job.setNumReduceTasks(2);

        //数据的输入和输出指定目录
        FileInputFormat.setInputPaths(job,new Path(args[0]));
        FileOutputFormat.setOutputPath(job,new Path(args[1]));

        //提交 job ---> waitForCompletion 包含 submit() 两个都是提交
        job.waitForCompletion(true);
    }
}

IT新手村小蒋

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
MapReduce 框架 + 切片

MapReduce 框架原理： 1、流程示意图： 2、流程详细：上面的流程是整个 mapreduce 最全工作流程，但是 shuffle 过程只是从第 7 步开始到第 15 步结束，具体 shuffle 过程详解，如下： 1）maptask 收集我们的 map() 方法输出的 KV 对，放到内存缓冲区中 2）从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文...
复制链接

扫一扫