详解mapreduce过程

一．数据类型

             BooleanWritable:标准布尔型数值

             ByteWritable:单字节数值

             DoubleWritable:双字节数值

             FloatWritable:浮点数

             IntWritable:整型数

             LongWritable:长整型数

             Text:使用UTF8格式存储的文本（类似java中的string）

             NullWritable:当<key, value>中的key或value为空时使用

             二．执行过程：

1.Job类初始化JobClient实例，JobClient中生成JobTracker的RPC实例，这样可以保持与JobTracker的通讯，JobTracker的地址和端口等都是外部配置的，通过Configuration对象读取并且传入。

2.JobClient提交作业。

3.JobClient生成作业目录。

4.从本地拷贝MapReduce的作业jar文件(一般是自己写的程序代码jar)。

5.如果DistributedCache中有需要的数据，从DistributedCache中拷贝这部分数据。

6.根据InputFormat实例，实现输入数据的split，在作业目录上生成job.split和job.splitmetainfo文件。

7.将配置文件写入到作业目录的job.xml文件中。

8.JobClient和JobTracker通讯，提交作业。

9.JobTracker将job加入到job队列中。

10.JobTracker的TaskScheduler（任务调度器）对job队列进行调度。

11.TaskTracker通过心跳和JobTracker保持联系，JobTracker收到后根据心跳带来的数据，判断是否可以分配给TaskTracker Task，TaskScheduler会对Task进行分配。

12.TaskTracker启动TaskRunner实例，在TaskRunner中启动单独的JVM进行Mapper运行。

13.Map端会从HDFS中读取输入数据，执行之后Map输出数据先是在内存当中，当达到阀值后，split到硬盘上面，在此过程中如果有combiner的话要进行combiner，当然sort是肯定要进行的。

14.Map结束了，Reduce开始运行，从Map端拷贝数据，称为shuffle阶段，之后执行reduce输出结果数据。

15.当jobtracker收到作业最后一个任务完成通知后，便把作业的状态设置为“完成”。

16.在jobclient查询状态时，便知道任务已经完成，于是从runjob（）方法返回。

三．Map端机制：

 自定义一个类，继承于基类Mapper，该基类是一个泛型，有4个形参类型：用来指定map函数的输入键、输入值，输出键、输 出值，如下public class Map extends Mapper<KEYIN,VALUEIN, KEYOUT, VALUEOUT>,，再重写map函数。每一对<key,value>调用一次map函数。

（一）map输入做的事：

1.反射构造InputFormat.

2.反射构造InputSplit.

3.创建RecordReader.

4.反射创建MapperRunner

 

（二）map输出做的事：

1.如果有Partitioner的话，反射构造Partitioner。
2.将key/value/Partitioner数据写入到内存当中。
3.当内存当中的数据达到一定阀值了，需要spill到硬盘上面，在spill前，需要进行排序，如果有combiner的话需要进行combiner。
4.sort的规则是先进行Partitioner的排序，然后再进行key的字典排序，默认的是快速排序。
5.当生成多个spill文件时，需要进行归并，最终归并成一个大文件。

关于排序：
1.在内存中进行排序，整个数据的内存不会进行移动，只是再加上一层索引的数据，排序只要调整索引数据就可以了
2.多个spill文件归并到一个大文件时，是一个归并排序的过程，每一个spill文件都是按分区和key排序好的，所以归并完的文件也是按分区和key排序好的。

在进行归并的时候，也不是一次性的把所有的spill文件归并成一个大文件，而是部分spill文件归并成中间文件，然后中间文件和剩下的spill文件再进行一次归并，依次类推，这个的考虑还是因为一次归并文件太多的话IO消耗太大了，如下图:

四．Reduce端机制：

自定义一个类，继承于基类Reducer，该基类是一个泛型，有4个形参类型：用来指定reduce函数的输入键、输入值，输出键、输出值、

public class Reduce extends Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT>，其中reduce的输入类型必须与map的输出类型一致。再重写reduce方法。每一个key调用一次reduce方法。

（一）reduce输入做的事：
1。ReduceTask有一个线程和TaskTracker联系，之后TaskTracker和JobTracker联系，获取MapTask完成事件
2. ReduceTask会创建和MapTask数目相等的拷贝线程，用于拷贝MapTask的输出数据，MapTask的数据一般都是非本地的
3. 当有新的MapTask完成事件时，拷贝线程就从指定的机器上面拷贝数据，是通过http的形式进行拷贝
4. 当数据拷贝的时候，分两种情况，当数据量小的时候就会写入内存当中，当数据量大的时候就会写入硬盘当中，这些工作分别由两个线程完成
5. 因为所有的数据都来自不同的机器，所以有多个文件，这些文件需要归并成一个文件，在拷贝文件的时候就会进行归并动作
6. 拷贝和归并过程统称为shuffle过程。

（二）Reduce输出做的事：
1.构造RecordWriter，这个是根据客户端设置的OutputFormat中getRecordWriter()方法得到
2.通过OutputFormat和RecordWriter将结果输出到临时文件中
3.Rudece进行commit过程，和TaskTracker进行通信，TaskTracker和JobTracker进行通信，然后JobTracker返回commit的指令，Reduce进行
commit，将临时结果文件重命名成最终的文件
4.commit成功后，kill掉其他的TaskAttempt

 

             五．主函数（作业的配置方法）：

             publicstatic void main(String[] args) throws Exception{

Configuration conf = newConfiguration();

             String[]otherArgs = new GenericOptionsParser(conf,args).getRemainingArgs();

             if(otherArgs.length != 2) {

             System.err.println("Usage:Data ** <in> <out>");

             System.exit(2);

             }

             Jobjob = new Job(conf, "**");

             job.setJarByClass(**.class);

//设置Map和Reduce处理类

             job.setMapperClass(Map.class);

//job.setCombinerClass(IntSumReducer.class);

             job.setReducerClass(Reduce.class);

             //设置输出类型

             job.setOutputKeyClass(IntWritable.class);

             job.setOutputValueClass(IntWritable.class);

             //设置输入和输出目录

             FileInputFormat.addInputPath(job,new Path(otherArgs[0]));

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

             System.exit(job.waitForCompletion(true)? 0 : 1);

             }