MapReduce-框架原理

1、MapReduce工作原理

1.1、MapReduce的简易过程图：

输入 --> map --> shuffle --> reduce -->输出

1.2、MapReduce的详细工作流程图：

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16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）

注：Shuffle 中的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。

2、InputFormat数据输入

2.1、CombineTextInputFormat 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，不管文件多小，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）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, 4194304);// 4m

CombineTextInputFormat.setMinInputSplitSize(job, 2097152);// 2m

举例：0.5m+1m+0.3m+5m=2m + 4.8m=2m + 4m + 0.8m

3）具体实现步骤

2.2、InputFormat 接口实现类

MapReduce 任务的输入文件一般是存储在 HDFS 里面。输入的文件格式包括：基于行 的日志文件、二进制格式文件等。这些文件一般会很大，达到数十 GB，甚至更大。那么 MapReduce 是如何读取这些数据的呢？下面我们首先学习 InputFormat 接口。

InputFormat 常见的接口实现类包括：TextInputFormat、KeyValueTextInputFormat、 NLineInputFormat、CombineTextInputFormat 和自定义 InputFormat 等。

1）TextInputFormat

TextInputFormat 是默认的 InputFormat。每条记录是一行输入。键是 LongWritable 类型， 存储该行在整个文件中的字节偏移量。值是这行的内容，不包括任何行终止符（换行符和回 车符）。

以下是一个示例，比如，一个分片包含了如下 4 条文本记录。

每条记录表示为以下键/值对：

很明显，键并不是行号。一般情况下，很难取得行号，因为文件按字节而不是按行切分 为分片。

2）KeyValueTextInputFormat

每一行均为一条记录，被分隔符分割为 key，value。可以通过在驱动类中设置 conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, " ");来设定分隔符。默认分 隔符是 tab（\t）。

以下是一个示例，输入是一个包含 4 条记录的分片。其中——>表示一个（水平方向的） 制表符。

每条记录表示为以下键/值对：

此时的键是每行排在制表符之前的 Text 序列。

3）、案例实操:KeyValueTextInputFormat 使用案例

需求：统计输入文件中每一行的第一个单词相同的行数。

3）NLineInputFormat

如果使用 NlineInputFormat，代表每个 map 进程处理的 InputSplit 不再按 block 块去划分， 而是按 NlineInputFormat 指定的行数 N 来划分。即输入文件的总行数/N=切片数，如果不整 除，切片数=商+1。

以下是一个示例，仍然以上面的 4 行输入为例。

例如，如果 N 是 2，则每个输入分片包含两行。开启 2 个 maptask。

另一个 mapper 则收到后两行：

这里的键和值与 TextInputFormat 生成的一样。

案例实操:NLineInputFormat 使用案例

需求：根据每个输入文件的行数来规定输出多少个切片。例如每三行放入一个切片中。

2.3、自定义 InputFormat

1）需求：无论hdfs还是mapreduce,对于小文件都有损效率,实践中,又难免面临处理大量小文件的场景,此时,就需要有相应解决方案.将多个小文件合并成一个文件SequenceFile,它里面存储着多个文件,存储的形式为文件路径+名称key,文件内容为value.

3）具体实现：

（1）自定义一个类继承 FileInputFormat。

（2）改写 RecordReader，实现一次读取一个完整文件封装为 KV。

（3）在输出时使用 SequenceFileOutPutFormat 输出合并文件。

4）案例实操：

小文件处理（自定义 InputFormat）。

3、MapTask 工作机制

1）Read 阶段：Map Task 通过用户编写的 RecordReader，从输入 InputSplit 中解析出 一个个 key/value。

2）Map 阶段：该节点主要是将解析出的 key/value 交给用户编写 map()函数处理，并 产生一系列新的 key/value。

3）Collect 收集阶段：在用户编写 map()函数中，当数据处理完成后，一般会调用 OutputCollector.collect()输出结果。在该函数内部，它会将生成的 key/value 分区（调用 Partitioner），并写入一个环形内存缓冲区中。

4）Spill 阶段：即“溢写”，当环形缓冲区满后，MapReduce 会将数据写到本地磁盘上， 生成一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排 序，并在必要时对数据进行合并、压缩等操作。

5）Combine 阶段：当所有数据处理完成后，MapTask 对所有临时文件进行一次合并， 以确保最终只会生成一个数据文件。

3.1、并行度决定机制：

1）问题引出

maptask 的并行度决定 map 阶段的任务处理并发度，进而影响到整个 job 的处理速度。 mapTask 并行任务是否越多越好呢？

2）MapTask 并行度决定机制

一个 job 的 map 阶段 MapTask 并行度（个数），由客户端提交 job 时的切片个数决定。

4、Shuffle 机制

map之后~reduce之前的所有操作,即将map输出作为输入传给reducer称为shuffle。

4.1、Partition 分区：

1）问题引出：要求将统计结果按照条件输出到不同文件中（分区）。比如：将统计结果按 照手机归属地不同省份输出到不同文件中（分区）

自定义 Partitioner 步骤：

（1）自定义类继承 Partitioner，重写 getPartition()方法

（2）在 job 驱动中，设置自定义 partitioner

（3）自定义 partition 后，要根据自定义 partitioner 的逻辑设置相应数量的 reduce task

注意：

假设自定义分区数为 5，则

（1）job.setNumReduceTasks(1);会正常运行，只不过会产生一个输出文件

（2）job.setNumReduceTasks(2);会报错

（3）job.setNumReduceTasks(6);大于 5，程序会正常运行，会产生空文件

输出结果：

4.2、WritableComparable 排序

排序是 MapReduce 框架中最重要的操作之一。Map Task 和 Reduce Task 均会对数据（按 照 key）进行排序。该操作属于 Hadoop 的默认行为。默认排序是按照字典顺序排序，且实现该排序的方法是快速排序。

1）排序的分类：

（1）部分排序：MapReduce 根据输入记录的键对数据集排序。保证输出的每个文件内部排序。

（2）全排序：首先创建一系列排好序的文件；其次，串联这些文件；最后，生成一个全局 排序的文件。

（3）辅助排序：（GroupingComparator 分组）一般来说，大多数 MapReduce 程序会避免 让 reduce 函数依赖于值的排序。但是，有时也需要通过特定的方法对键进行排序和分组等 以实现对值的排序。

（4）二次排序：在自定义排序过程中，如果 compareTo 中的判断条件为两个即为二次排序。

2）自定义排序 WritableComparable：

（1）原理分析

bean 对象实现 WritableComparable 接口重写 compareTo 方法，就可以实现排序

@Override

public int compareTo(FlowBean o) {

      // 倒序排列，从大到小

      return this.sumFlow > o.getSumFlow() ? -1 : 1;

}

3)、案例实操：

将统计结果按照总流量倒序排序（全排序）

4)、案例实操：GroupingComparator 分组（辅助排序）

求出每一个订单中最贵的商品（GroupingComparator）

4.3、Combiner 合并/汇总

1）combiner 是 MR 程序中 Mapper 和 Reducer 之外的一种组件。

2）combiner 组件的父类就是 Reducer。

combiner 和 reducer 的区别在于运行的位置：

Combiner 是在每一个 maptask 所在的节点运行; Reducer 是接收全局所有 Mapper 的输出结果；

(Combiner适合做汇总,在maptask上运行的话多个maptask效率更高)

4）combiner 的意义就是对每一个 maptask 的输出进行局部汇总，以减小网络传输量。

5）combiner 能够应用的前提是不能影响最终的业务逻辑，combiner 的输出 kv 应该 跟 reducer 的输入 kv 类型要对应起来。

Mapper

3 5 7 ->(3+5+7)/3=5

2 6 ->(2+6)/2=4

Reducer

(3+5+7+2+6)/5=23/5 不等于 (5+4)/2=9/2

6）自定义 Combiner 实现步骤：

（1）自定义一个 combiner 继承 Reducer，重写 reduce 方法

（2）在 job 驱动类中设置

7）案例实操

对每一个 maptask 的输出局部汇总（Combiner）

5、ReduceTask 工作机制

1）设置 ReduceTask 并行度（个数）

reducetask 的并行度同样影响整个 job 的执行并发度和执行效率，但与 maptask 的并发 数由切片数决定不同，Reducetask 数量的决定是可以直接手动设置:

2）注意

（1）reducetask=0 ，表示没有 reduce 阶段，输出文件个数和 map 个数一致。

（2）reducetask 默认值就是 1，所以输出文件个数为一个。

（3）如果数据分布不均匀，就有可能在 reduce 阶段产生数据倾斜

（4）reducetask 数量并不是任意设置，还要考虑业务逻辑需求，有些情况下，需要计算 全局汇总结果，就只能有 1 个 reducetask。

（5）具体多少个 reducetask，需要根据集群性能而定。

（6）如果分区数不是 1，但是 reducetask 为 1，是否执行分区过程。答案是：不执行分 区过程。因为在 maptask 的源码中，执行分区的前提是先判断 reduceNum 个数是否大于 1。不大于 1 肯定不执行。

3）实验：测试 reducetask 多少合适。

（1）实验环境：1 个 master 节点，16 个 slave 节点：CPU:8GHZ，内存: 2G

（2）实验结论：

4）ReduceTask工作机制

1）Copy 阶段：ReduceTask 从各个 MapTask 上远程拷贝一片数据，并针对某一片数 据，如果其大小超过一定阈值，则写到磁盘上，否则直接放到内存中。

2）Merge 阶段：在远程拷贝数据的同时，ReduceTask 启动了两个后台线程对内存和 磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。

3）Sort 阶段：按照 MapReduce 语义，用户编写 reduce()函数输入数据是按 key 进行 聚集的一组数据。为了将 key 相同的数据聚在一起，Hadoop 采用了基于排序的策略。由于 各个 MapTask 已经实现对自己的处理结果进行了局部排序，因此，ReduceTask 只需对所有 数据进行一次归并排序即可。

4）Reduce 阶段：reduce()函数将计算结果写到 HDFS 上。

6、OutputFormat 数据输出

6.1、OutputFormat 接口实现类

OutputFormat 是 MapReduce 输出的基类，所有实现 MapReduce 输出都实现了 OutputFormat 接口。下面我们介绍几种常见的 OutputFormat 实现类。

1）文本输出 TextOutputFormat

默认的输出格式是 TextOutputFormat，它把每条记录写为文本行。它的键和值可以是任 意类型，因为 TextOutputFormat 调用 toString()方法把它们转换为字符串。

2）SequenceFileOutputFormat

SequenceFileOutputFormat 将它的输出写为一个顺序文件。如果输出需要作为后续 MapReduce 任务的输入，这便是一种好的输出格式，因为它的格式紧凑，很容易被压缩。

3）自定义 OutputFormat

根据用户需求，自定义实现输出。

6.2、自定义 OutputFormat

为了实现控制最终文件的输出路径，可以自定义 OutputFormat。

要在一个 mapreduce 程序中根据数据的不同输出两类结果到不同目录，这类灵活的输出 需求可以通过自定义 outputformat 来实现。

1）自定义 OutputFormat 步骤

（1）自定义一个类继承 FileOutputFormat。

（2）改写 recordwriter，具体改写输出数据的方法 write()。

2）案例实操：

需求：过滤输入的log日志中是否包含qingdao,包含qingdao的网址输出到d:/output/qingdao.log,不包含qingdao的网址输出到d:/output/other.log。

修改日志内容及自定义日志输出路径（自定义 OutputFormat）。

7、Join 多种应用

7.1、Reduce join

1）原理：Map 端的主要工作：为来自不同表(文件)的 key/value 对打标签以区别不同来源的记录。 然后用连接字段作为 key，其余部分和新加的标志作为 value，最后进行输出。 Reduce 端的主要工作：在 reduce 端以连接字段作为 key 的分组已经完成，我们只需要 在每一个分组当中将那些来源于不同文件的记录(在 map 阶段已经打标志)分开，最后进行合并就 ok 了。

2）缺点：这种方式的缺点很明显就是会造成 map 和 reduce 端也就是 shuffle 阶段出现大量的数据 传输，效率很低。

3）案例实操：

reduce 端表合并（数据倾斜）

需求：

7.2、Map join（Distributedcache 分布式缓存）

1）使用场景：一张表十分小、一张表很大。

2）解决方案：在 map 端缓存多张表，提前处理业务逻辑，这样增加 map 端业务，减少 reduce 端数据 的压力，尽可能的减少数据倾斜。

3）具体办法：采用 distributedcache

（1）在 mapper 的 setup 阶段，将文件读取到缓存集合中。

（2）在驱动函数中加载缓存。

job.addCacheFile(new URI("file:/e:/mapjoincache/pd.txt"));// 缓存普通文件到 task 运 行节点

4）案例实操：

map 端表合并（Distributedcache）

8、数据清洗（ETL）

1）概述：

在运行核心业务 Mapreduce 程序之前，往往要先对数据进行清洗，清理掉不符合用户要 求的数据。清理的过程往往只需要运行 mapper 程序，不需要运行 reduce 程序。

2）实操案例：

日志清洗（数据清洗）。

9、计数器应用

Hadoop 为每个作业维护若干内置计数器，以描述多项指标。例如，某些计数器记录已 处理的字节数和记录数，使用户可监控已处理的输入数据量和已产生的输出数据量。

1）API：

（1）采用枚举的方式统计计数

enum MyCounter{MALFORORMED,NORMAL}

//对枚举定义的自定义计数器加 1

context.getCounter(MyCounter.MALFORORMED).increment(1);

（2）采用计数器组、计数器名称的方式统计

context.getCounter("counterGroup", "countera").increment(1);

组名和计数器名称随便起，但最好有意义。

（3）计数结果在程序运行后的控制台上查看。

2）实操案例：

日志清洗（数据清洗）。

10、MapReduce 开发总结

在编写 mapreduce 程序时，需要考虑的几个方面：

1）输入数据接口：InputFormat

默认使用的实现类是：TextInputFormat

TextInputFormat 的功能逻辑是：一次读一行文本，然后将该行的起始偏移量作为 key， 行内容作为 value 返回。

KeyValueTextInputFormat 每一行均为一条记录，被分隔符分割为 key，value。默认分隔 符是 tab（\t）。

NlineInputFormat 按照指定的行数 N 来划分切片。

CombineTextInputFormat 可以把多个小文件合并成一个切片处理，提高处理效率。

用户还可以自定义 InputFormat。

2）逻辑处理接口：Mapper

用户根据业务需求实现其中三个方法：map() setup() cleanup ()

3）Partitioner 分区

有默认实现 HashPartitioner，逻辑是根据 key 的哈希值和 numReduces 来返回一个分区 号；

key.hashCode()&Integer.MAXVALUE %

numReduces 如果业务上有特别的需求，可以自定义分区。

4）Comparable 排序

当我们用自定义的对象作为 key 来输出时，就必须要实现 WritableComparable 接口，重写其中的 compareTo()方法。

部分排序：对最终输出的每一个文件进行内部排序。

全排序：对所有数据进行排序，通常只有一个 Reduce。

二次排序：排序的条件有两个。

5）Combiner 合并

Combiner 合并可以提高程序执行效率，减少 io 传输。但是使用时必须不能影响原有的 业务处理结果。

6）reduce 端分组：Groupingcomparator

reduceTask 拿到输入数据（一个 partition 的所有数据）后，首先需要对数据进行分组， 其分组的默认原则是 key 相同，然后对每一组 kv 数据调用一次 reduce()方法，并且将这一组 kv 中的第一个 kv 的 key 作为参数传给 reduce 的 key，将这一组数据的 value 的迭代器传给 reduce()的 values 参数。

利用上述这个机制，我们可以实现一个高效的分组取最大值的逻辑。

自定义一个 bean 对象用来封装我们的数据，然后改写其 compareTo 方法产生倒序排序 的效果。然后自定义一个 Groupingcomparator，将 bean 对象的分组逻辑改成按照我们的业务 分组 id 来分组（比如订单号）。这样，我们要取的最大值就是 reduce()方法中传进来 key。

7）逻辑处理接口：Reducer

用户根据业务需求实现其中三个方法：reduce() setup() cleanup ()

8）输出数据接口：OutputFormat

默认实现类是 TextOutputFormat，功能逻辑是：将每一个 KV 对向目标文本文件中输出 为一行。

SequenceFileOutputFormat 将它的输出写为一个顺序文件。如果输出需要作为后续 MapReduce 任务的输入，这便是一种好的输出格式，因为它的格式紧凑，很容易被压缩。

用户还可以自定义 OutputFormat。