1、MR基本定义
参考百度百科定义,简要概括如下:
MapReduce是分布式的计算框架或者解决方案,大致有基本内容:
1)首先MapReduce重点是工作在集群的节点上,而非在单台服务器上做计算、做统计等
2)MapReduce把用户提交的任务以分布式放在多个节点上执行,自动划分计算数据和计算任务等,这些并行计算涉及到的系统底层的复杂细节交由MR框架负责处理。换句话:数据开发人员只需要定义“我要统计词频”的“任务”后,提交给MR框架即可,坐等计算结果,至于MR是如何从多台服务上找数据文件、计算统计、缓存中间计算结果、存储最终技术结果、CPU、内存、IO网络资源使用等,数据开发人员都无需关注,MR自己会处理。
2、HDFS和MR的关系
HDFS和MR共同组成Hadoop分布式系统体系结构的核心。HDFS在集群上实现了分布式文件系统,MR在集群上实现了分布式计算和任务处理。HDFS在MR任务处理过程中提供了文件操作和存储等支持,MR在HDFS的基础上实现了任务的分发、计算、跟踪等工作,并收集结果,二者相互作用,完成分布式集群的主要任务。
3、MR组件架构
MapReduce框架设计为4部分:Client、JobTracker、TaskTracker以及Map Task & Reduce Task。具体内容如下:
1)Client 客户端
Hadoop中,把用户提交的MapReduce程序成为“Job”(作业),每一个 Job 都会在用户端通过 Client 类将应用程序以及配置参数 Configuration 打包成 jar文件存储在 HDFS,也就是这个MR程序 jar包在集群中每个节点都存放在一份,而且是存放在hdfs文件系统上,并把jar包路径告诉 JobTracker ,由它创建每一个 Task(即 Map Task 和 Reduce Task) 将它们分发到各个 TaskTracker 服务中去执行。
2)JobTracker
JobTracke负责资源监控和作业调度。JobTracker 监控所有TaskTracker 与job的健康状况,当然TaskTracker也会主动上报自己的情况,若JobTracker一旦发现某个TaskTracker失败,就将相应的任务转移到其他健康TaskTracker节点继续干活;同时,JobTracker 会跟踪任务的执行进度、资源使用量等信息,并将这些信息告诉任务调度器Task Scheduler,而调度器会在TaskTracker所在节点资源出现空闲时,选择合适的任务工作交由这些空闲的TaskTracker来干活。这里说的调度器,就是我们后面要讨论的YARN,在hadoop 1,MR框架还需要运行资源调度和管理服务,在hadoop 2中,这个资源调度功能在MR框架中剥离出来,交由更专业的YARN框架统一处理。
3)TaskTracker
TaskTracker 会周期性地通过Heartbeat 将本节点上资源的使用情况和任务的运行进度汇报给JobTracker&