MapReduce的作业执行涉及的4个独立实体
- 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。
- JobTracker:
- 初始化作业,分配作业,与TaskTracker通信,协调整个作业的执行。
- 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,JobTracker则只会有一个。
MapReduce运作详解1
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(也就是job)。
- 提交job到JobTracker上。
- 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。
MapReduce运作详解2
- 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),每个分片创建一个任务。
MapReduce运作详解3
- 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JobTracker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也可以通过心跳里返回值获取jobTracker给它的操作指令。
- 分片执行任务,在任务执行时候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的taskTracker操作成功的通知时候,jobTracker会把整个job状态设为成功。
MapReduce运作详解4
- 然后当客户端查询job运行状态时候(异步操作),客户端会查询到job完成的通知的,任务执行完成。
- 如果job中途失败,mapreduce也会有相应机制处理,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job状态设置为失败。
MapReduce运作详解5
- 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,每个输入分片针对一个map任务,输入分片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,输入分片往往和hdfs的block关系很密切。
- 假如我们设定hdfs的快的大小是64mb,如果我们输入有三个文件,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,65分为两个分片,而127也是两个,
- 换句话说我们如果在map计算前做输入分片调整,例如合并小文件,那么就会有5个map任务执行,而且每个map执行的数据大小不均,出现数据倾斜,这个也是mapreduce优化计算的一个关键点。
MapReduce运作详解6
- map结算: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的输出救赎reduce的输入。
MapReduce运作详解7
- 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,主要在map计算出中间文件前做一个简单的合并重复的key值的操作,使传入reduce的文件变小,这样就是提高了带宽的传输效率,毕竟hadoop计算力带宽资源往往是计算的瓶颈也是最宝贵的资源,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。
MpReduce运作详解8
- shuffle阶段:
- 将map的输出作为reduce的输入的过程就是shuffle了。
- 这个是mapreduce优化的重点地方。
- shuffle一开始就是map阶段做输出操作,一般mapreduce计算的都是海量数据,map输出时候不可能把所有文件都放到内存操作,因此map写入磁盘的过程十分复杂,更何况map输出时候要对结果进行排序,内存开销是很大的,
- map在做输出时候会在内存里开启一个环形缓冲区,这个缓冲区专门用来输出的,默认大小是100mb,并且在配置文件里面为这个缓冲区设定一个阀值,默认是0.8,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%时候,这个守护线程就会把内容写入磁盘上,这个过程叫spill,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互补干扰的,
- 如果缓存区被撑满了,那么map就会组织写入内存的操作,让写入磁盘操作完成后再继续执行写入内存操作,写入磁盘前会有个排序操作,就是在写入磁盘操作的时候进行,不是在写入内存时候进行的,如果我们定义了combiner函数,那么排序前会执行combiner操作。
MapReduce运作详解9
- 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输出全部完成后,map会合并这些输出文件
- 这个过程还有一个partitioner操作,partitioner操作和map阶段的输入分片很像,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,如果有多个reduce操作,那么partitioner赌赢的就会有多个,partitioner因此即使reduce的输入分片,这个我们可以变成控制,只要是根据实际key和value的值,根据实际业务类型或者为了更好的reduce则在均衡要求进行,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,这些操作完成了就会进行reduce计算了。
MapReduce运作详解10
- reduce阶段:
- 我们编写的reduce函数,reduce的输入时map输出,reduce是主要的逻辑晕眩阶段,我们绝大部分业务逻辑都是在reduce阶段完后才能的,并把最终结果存储在hdfs上的。