MapReduce原理过程详解

1 概述 

2 MapReduce体系结构 

3 MapReduce工作流程 

4 实例分析：WordCount 

5 MapReduce的具体应用

1.概述

在MapReduce出现之前，已经有像MPI这样非常成熟的并行计算框架了，那么为什么Google还需要MapReduce？MapReduce相较于传统的并行计算框架有什么优势？

	传统并行计算框架	MapReduce
集群架构/容错性	共享式(共享内存/共享存储)，容错性差	非共享式，容错性好
硬件/价格/扩展性	刀片服务器、高速网、SAN，价格贵，扩展性差	普通PC机，便宜，扩展性好
编程/学习难度	what-how，难	what，简单
适用场景	实时、细粒度计算、计算密集型	批处理、非实时、数据密集型

 

MapReduce将复杂的、运行于大规模集群上的并行计算过程高度地抽象到了两个函数：Map和Reduce 编程容易，不需要掌握分布式并行编程细节，也可以很容易把自己的程序运行在分布式系统上，完成海量数据的计算 。

MapReduce采用“分而治之”策略，一个存储在分布式文件系统中的大规模数据集，会被切分成许多独立的分片（split），这些分片可以被多个Map任务并行处理 MapReduce设计的一个理念就是“计算向数据靠拢”，而不是“数据向计算靠拢”，因为，移动数据需要大量的网络传输开销 MapReduce框架采用了Master/Slave架构，包括一个Master和若干个Slave。Master上运行JobTracker，Slave上运行TaskTracker Hadoop框架是用Java实现的，但是，MapReduce应用程序则不一定要用Java来写

Map和Reduce函数：

函数	输入	输出	说明
Map	<k1,v1> 如： <行号,”a b c”>	List(<k2,v2>) 如： <“a”,1> <“b”,1> <“c”,1>	1.将小数据集进一步解析成一批<key,value>对，输入Map函数中进行处理 2.每一个输入的<k1,v1>会输出一批<k2,v2>。<k2,v2>是计算的中间结果
Reduce	<k2,List(v2)> 如：<“a”,<1,1,1>>	<k3,v3> <“a”,3>	输入的中间结果<k2,List(v2)>中的List(v2)表示是一批属于同一个k2的value

2 MapReduce体系结构 

MapReduce体系结构主要由四个部分组成，分别是：Client、JobTracker、TaskTracker以及Task

MapReduce主要有以下4个部分组成：

1）Client 用户编写的MapReduce程序通过Client提交到JobTracker端 用户可通过Client提供的一些接口查看作业运行状态

2）JobTracker JobTracker负责资源监控和作业调度 JobTracker 监控所有TaskTracker与Job的健康状况，一旦发现失败，就将相应的任务转移到其他节点 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（TaskScheduler），而调度器会在资源出现空闲时，选择合适的任务去使用这些资源

3）TaskTracker TaskTracker 会周期性地通过“心跳”将本节点上资源的使用情况和任务的运行进度汇报给JobTracker，同时接收JobTracker 发送过来的命令并执行相应的操作（如启动新任务、杀死任务等） TaskTracker 使用“slot”等量划分本节点上的资源量（CPU、内存等）。一个Task 获取到一个slot 后才有机会运行，而Hadoop调度器的作用就是将各个TaskTracker上的空闲slot分配给Task使用。slot 分为Map slot 和Reduce slot 两种，分别供MapTask 和Reduce Task 使用

4）Task Task 分为Map Task 和Reduce Task 两种，均由TaskTracker 启动

3 MapReduce工作流程 

1. 不同的Map任务之间不会进行通信
2. 不同的Reduce任务之间也不会发生任何信息交换
3. 用户不能显式地从一台机器向另一台机器发送消息
4. 所有的数据交换都是通过MapReduce框架自身去实现的

MapReduce各个执行阶段：

关于Split（分片）：

HDFS 以固定大小的block 为基本单位存储数据，而对于MapReduce 而言，其处理单位是split。split 是一个逻辑概念，它只包含一些元数据信息，比如数据起始位置、数据长度、数据所在节点等。它的划分方法完全由用户自己决定。

Map任务的数量：Hadoop为每个split创建一个Map任务，split 的多少决定了Map任务的数目。大多数情况下，理想的分片大小是一个HDFS块

Reduce任务的数量：最优的Reduce任务个数取决于集群中可用的reduce任务槽(slot)的数目 通常设置比reduce任务槽数目稍微小一些的Reduce任务个数（这样可以预留一些系统资源处理可能发生的错误）

Shuffle过程详解：

Map端的shuffle：

合并（Combine）和归并（Merge）的区别： 两个键值对<“a”,1>和<“a”,1>，如果合并，会得到<“a”,2>，如果归并，会得到<“a”,<1,1>>

shuffle过程为归并，其实合并（Combine）就是帮助reduce过程处理了一些数据

reduce端的shuffle：

1. Reduce任务通过RPC向JobTracker询问Map任务是否已经完成，若完成，则领取数据
2. Reduce领取数据先放入缓存，来自不同Map机器，先归并，再合并，写入磁盘
3. 多个溢写文件归并成一个或多个大文件，文件中的键值对是排序的
4. 当数据很少时，不需要溢写到磁盘，直接在缓存中归并，然后输出给Reduce

MapReduce应用程序执行过程：

话不多说，上图

 

4 实例分析：WordCount 

一个WordCount的输入和输出实例：

输入	输出
Hello World Hello Hadoop Hello MapReduce	Hadoop 1 Hello 3 MapReduce 1 World 1

 

首先，需要检查WordCount程序任务是否可以采用MapReduce来实现

其次，确定MapReduce程序的设计思路

最后，确定MapReduce程序的执行过程

Map过程：（Map输入的key下文有解释）

用户没有定义Combiner时的Reduce过程示意图 ：

用户有定义Combiner时的Reduce过程示意图:

5 MapReduce的具体应用

MapReduce可以很好地应用于各种计算问题 :

1. 关系代数运算（选择、投影、并、交、差、连接）
2. 分组与聚合运算
3. 矩阵-向量乘法
4. 矩阵乘法

用MapReduce实现关系的自然连接:

假设有关系R(A，B)和S(B,C)，对二者进行自然连接操作

使用Map过程，把来自R的每个元组<a,b>转换成一个键值对<b, <R,a>>，其中的键就是属性B的值。把关系R包含到值中，这样做使得我们可以在Reduce阶段，只把那些来自R的元组和来自S的元组进行匹配。类似地，使用Map过程，把来自S的每个元组<b,c>，转换成一个键值对<b,<S,c>> 所有具有相同B值的元组被发送到同一个Reduce进程中.

Reduce进程的任务是，把来自关系R和S的、具有相同属性B值的元组进行合并 Reduce进程的输出则是连接后的元组<a,b,c>，输出被写到一个单独的输出文件中

 

 

最后，上一段统计单词的mapreduce代码吧，当然很是简单助于理解就好

public class WordCount{  
	        public static class MyMapper extends Mapper<Object,Text,Text,IntWritable>{  
	                private final static IntWritable one = new IntWritable(1);  
	                private Text word = new Text();  
	                public void map(Object key, Text value, Context context) throws IOException,InterruptedException{  
	                        StringTokenizer itr = new StringTokenizer(value.toString());  
	                        while (itr.hasMoreTokens()){  
	                                word.set(itr.nextToken());  
	                                context.write(word,one);  
	                        }  
	                }  
	        }  	  
//map参数key是split切开之后自动生成的，StringTokenizer处理空格隔开的字符串
	        public static class MyReducer extends Reducer<Text,IntWritable,Text,IntWritable>{  
	                private IntWritable result = new IntWritable();  
	                public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException,InterruptedException{  
	                        int sum = 0;  
	                        for (IntWritable val : values)  
	                        {  
	                                sum += val.get();  
	                        }  
	                        result.set(sum);  
	                        context.write(key,result);  
	                }  
	        }  
	        public static void main(String[] args) throws Exception{  
	                Configuration conf = new Configuration();  
	                String[] otherArgs = new GenericOptionsParser(conf,args).getRemainingArgs();  
	                if (otherArgs.length != 2)  
	                {  
	                        System.err.println("Usage: wordcount <in> <out>");  
	                        System.exit(2);  
	                }  
	                Job job = new Job(conf,"word count");  
	                job.setJarByClass(WordCount.class);  
	                job.setMapperClass(MyMapper.class);  
	                job.setReducerClass(MyReducer.class);  
	                job.setOutputKeyClass(Text.class);  
	                job.setOutputValueClass(IntWritable.class);  
//一般情况下reduce输入键值对和输出键值对是一样的，这里setOutput是设置的reduce的输出，map的输出默认和reduce一样（map的输出就是reduce的输入。。。），如果不一样要显示设置map的输出键值对
	                FileInputFormat.addInputPath(job,new Path(otherArgs[0]));  
	                FileOutputFormat.setOutputPath(job,new Path(otherArgs[1]));  
	                System.exit(job.waitForCompletion(true)?0:1);  
	        }  
}