1.分布式的运算程序往往分成至少两个阶段
2.第一个阶段的task并发实例各司其职各自为政互不相干,完全并行 (map阶段 maptask)
3.第二个阶段的taks并发实例互不相干,但是他们的数据依赖上一个阶段的task并发实例的输出(reduce reduce task)
4.MAPREDUCE编程模型只能包含一个map阶段和一个reduce阶段,如果用户的业务逻辑非常复杂,那只能来多个mapreduce程序,串行运行。
maptask是一个管理者,具体的读数据用的是 inputFormat
运行过程:
1、客户端submit时候,会调用job.submiter方法,
2、创建一个jobSubmiter,里面有一个成员cluster,cluster 构造一个成员(代理对象),
如果提交到yarn去,代理对象为yarnRunner,如果提交到本地mr程序运行模拟器,代理对象为localJobRunner,
3、通过代理对象向resourceManager申请提交一个application,
4、拿到提交资源的路径stagingDir和jobID,拼接为一个job资源提交路径,
5、客户端调用FileInputFormat.getSplit()获取切片规划,(根据job 和jar包参数配置,找到要处理的数据文件,
遍历(规划切片)目录下的每个文件,获取文件大小,计算切片大小,
形成切片,讲切片信息写入切片规划中(任务切片是一个逻辑划分,默认跟block一样,如果最后的切片没有block的1.1倍就不再单独切),(2.0+版本 hadoop的数据块默认大小为128 M ,也就是说 200M的文件会切分成两个逻辑划分))
List<FileSplit>,将List序列化为一个文件job.split,将该文件copy到job资源提交路径中,然后将job相关参数写为job.xml,copy到job资源提交路径中,
获取job的jar包,将其copy到job资源提交路径中
6、资源提交完毕,申请运MrAppMaster
7、reourceManager将提交的参数封装成一个task对象,这个任务就会进入队列,
8、nodemanager领取task任务
9、在nodemanager生成一个container容器,下载job资源到本地,启动MRAppMaster,
10、MRAppMaster根据提交的文件,根据文件获得有多少个切片,每个切片的文件路径,以及偏移量,向resource manager申请运行map task的容器,(一个切片对应一个maptask实例),
将任务放到任务队列中
11、MRAppMaster发送程序启动脚本,再各个容器上启动map如果有map task失败 就重新再申请一个去处理切片,
然后inputFormat 讲文本数据读进来,每行处理一次,map(k,v),context.write(k,v)
将产生结果文件,告诉MRAppMaster执行完成,
12、mrAppmaster向resource manager申请启动容器运行reduce task 程序,
开启N个reduce task ,reduce 向nodemanager获取map端相应分区数据,通过reduce 的 outputFormat,将结果输出到
hdfs上,appclication运行完毕后,
13、MRAPPmaster向RM注销自己