MapReduce作业执行涉及的四个独立实体
1、客户端(client)
编写mapreduce程序,配置作业,提交作业,这就是程序员完成的工作;
2、JobTracker
初始化作业,分配作业,与TaskTracker通信,协调整个作业的执行;
3、TaskTracker
保持与JobTracker的通信,在分配的数据片段上执行Map或Reduce任务,TaskTracker和JobTracker的不同有个很重要的方面,就是在执行任务的时候TaskTracker可以有n多个,而JobTracker则只会有一个;
4、Hdfs
保存作业的数据、配置信息等,最后的结果也是保存在hdfs上。
MapReduce运作详解
流程角度运作机制详解
- 客户端编写好MapReduce程序,配置好MapReduce的作业(job);
- 提交job到JobTrackershang;
- JobTracker分配一个新的job任务的ID值,检查输出目录是否存在,如果存在就抛出错误给客户端;检查输入目录是否存在,如果不存在同样抛出错误。根据输入计算输入分片(Input Split),如果分片计算不出来也会抛出错误。
- 以上检查都通过,JobTracker就会配置Job需要的资源;
- JobTracker初始化作业,将Job放入一个内部的队列,让配置好的作业调度器能调度到这个作业;
- 作业调度器初始化job,创建一个正在运行的job对象(封装任务和记录信息),以便JobTracker跟踪job的状态和进程;
- 作业调度器获取输入分片信息(input split),每个分片创建一个map任务;
- tasktracker运行一个简单的循环机制定期发送心跳给jobtracker(间隔五秒,可配置),心跳是jobtrcker和tasktracker沟通的桥梁,通过心跳,jobtracker可以监控tasktracker是否存活,也可以获取tasktracker处理的状态和问题,同时tasktracker也可以通过心跳里的返回值获取jobtracker给他的操作命令;
- 分片执行任务,在任务执行的时候jobtracker可以通过心跳机制监控tasktracker的状态和进度,同时也能计算出整个job的状态和进度,而tasktracker也可以本地监控自己的状态和进度;
- 当jobtracker获得了最后一个完成指定任务的tasktracke操作成功的通知的时候,jobtracker会把整个job状态置为成功;
- 之后,当客户端查询job运行状态的时候(异步操作),客户端会查到job完成的通知,任务执行完成;
- 如果job中途失败,mapreduce也会有相应的处理机制,一般而言如果不是程序本身有bug,mapreduce错误处理机制都能保证提交的job能正常完成,如果是程序本身bug,任务在重复执行2~3次后,会结束执行,jobtracker会把整个job状态置为失败。
逻辑实体运作机制详解
- 输入分片(input split):在进行map计算之前,mapreduce会根据输入文件计算输入分片(input split),每个输入分片(input split)针对一个map任务,输入分片(input split)存储的并非数据本身,而是一个分片长度和一个记录数据的位置的数组。输入分片(input split)往往和hdfs的block关系密切,假如我们设定hdfs的块的大小是64MB,如果我们输入三个文件,大小分别是3MB,65MB和127MB,那么mapreduce会把3MB文件分为一个输入分片(input split),65MB则是两个输入分片(input split),127MB也是两个输入分片(input split),换句话说我们如果在map计算前做出输入分片调整,例如合并小文件,那么就会有5个map任务将执行,而且每个map执行的数据大小不均,这个也是mapreduce优化计算的一个关键点;
- map阶段:就是我们写的map函数,map函数效率相对好控制,而且一般map操作都是本地化操作也就是在数据存储节点上进行;map函数每次处理一行数据,map主要用于数据的分组,为下一步reduce的运算做数据准备,map的输出就是reduce的输入;
- combiner阶段:combiner阶段是可选的,combiner是一个本地化的reduce操作,它是map运算的后续操作,主要是在map计算出中间文件前做一个简单的合并重复key值的操作,使传入reduce的文件变小,这样就提高了宽带的传输效率,毕竟hadoop计算能力宽带资源往往是计算的瓶颈,也是最为宝贵的资源,但是combiner操作是有风险的,使用它的原则是combiner的输入不会影响到reduce计算的最终输入,例如:如果计算只是求总数,最大值,最小值可以使用combiner,但是做平均值计算使用combiner的话,最终的reduce计算结果就会出错,why!?…
- shuffle阶段:将map的输出作为reduce的输入的过程就是shuffle,它是mapreduce优化的重点。一般而言,mapreduce计算的都是海量数据,map输出的时候不可能把所有文件都放到内存进行操作,因此map写入磁盘的过程十分的复杂,更何况map输出的时候要对结果进行排序,内存开销是很大的。map在做输出的时候会在内存里开启一个环形内存缓冲区,这个缓存区专门用来输出,默认大小是100MB,并且在配置文件里为这个缓存区设定了一个阀值,默认是0.8(这个大小和阀值都是可以在配置文件里进行配置),同时map还会为输出操作启动一个守护线程,如果缓冲区的内存达到了阀值的80%的时候,这个守护线程就会把内容写到磁盘上,这个过程叫spill。当溢写线程启动后,需要对这80MB空间内的key做排序(Sort)。排序是MapReduce模型默认的行为,这里的排序也是对序列化的字节做的排序。另外的20%内存可以继续写入要写进磁盘的数据,写入磁盘和写入内存操作是互不干扰的,如果内存区已满,那么map将会阻塞写入内存的操作,让写入磁盘操作完成后再继续执行写入内存操作。写到磁盘的溢写文件在写入之前对不同的reduce端的数值进行了合并,例如,如果有多个key/value对儿需要发送到某个reduce端去,那么需要将这些key/value值拼接到一块,减少与partition相关的索引记录。把相同的key值合并的过程叫reduce也叫combine。但在MapReduce的术语中,reduce只指reduce端执行从多个map task取数据做计算的过程。除reduce外,非正式地合并数据只能算作combine了。其实大家都知道,MapReduce中将Combiner等同于Reducer。 如果client设置过Combiner,那么现在就是使用Combiner的时候了。将有相同key的key/value对的value加起来,减少溢 写到磁盘的数据量。Combiner会优化MapReduce的中间结果,所以它在整个模型中会多次使用。那哪些场景才能使用Combiner呢?从这里 分析,Combiner的输出是Reducer的输入,Combiner绝不能改变最终的计算结果。所以从我的想法来看,Combiner只应该用于那种 Reduce的输入key/value与输出key/value类型完全一致,且不影响最终结果的场景。比如累加,最大值等。Combiner的使用一定 得慎重,如果用好,它对job执行效率有帮助,反之会影响reduce的最终结果。 每次spill操作也就是写入磁盘操作时候就会写一个溢出文件,也就是说在做map输出有几次spill就会产生多少个溢出文件,等map输出全部做完后,map会合并这些输出文件。这个过程里还会有一个Partitioner操作,Partitioner操作和map阶段的输入分片(Input split)很像,一个Partitioner对应一个reduce作业,如果我们mapreduce操作只有一个reduce操作,那么Partitioner就只有一个,如果我们有多个reduce操作,那么Partitioner对应的就会有多个,Partitioner因此就是reduce的输入分片,这个我们可以编程控制,主要是根据实际key和value的值,根据实际业务类型或者为了更好的reduce负载均衡要求进行,这是提高reduce效率的一个关键所在。到了reduce阶段就是合并map输出文件了,Partitioner会找到对应的map输出文件,然后进行复制操作,复制操作时reduce会开启几个复制线程,这些线程默认个数是5个,我们也可以在配置文件更改复制线程的个数,这个复制过程和map写入磁盘过程类似,也有阀值和内存大小,阀值一样可以在配置文件里配置,而内存大小是直接使用reduce的tasktracker的内存大小,复制时候reduce还会进行排序操作和合并文件操作,这些操作完了就会进行reduce计算了。
- reduce阶段:我们编写的reduce函数,reduce的输入是map的输出,reduce是主要的逻辑运算阶段,我们绝大部分业务逻辑都是在reduce阶段完成的,并把最终结果存储在hdfs上的。
内置数据类型
- 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
- NullWritable:当