Mapreduce原理全剖析过程

1.mapreduce原理全剖析map+shuffle+reducer 

wordcount为例

     1.mapper开始运行,调用InputFormat组件读取文件逻辑切片(逻辑切片不是block块,切片大小默认和block块大小相同)

     2.经过inputformat组件处理后,文件以<k,v>的形式进入我们自定义的mapper逻辑

     3.mapper逻辑中输出结果会调用OutPutCollector组件写入环形缓冲区。

     4.环形缓冲区的存储达到默认阀值会调用Spliller组件将内容分区且排序(快排算法,外部排序算法)后溢写到磁盘文件中,mapper组后结果不满环形缓冲区也会溢写到磁盘。

     5.mapper结束后磁盘中的结果小文件会合并(merge),产生大文件(分区且排序,归并算法)。

     6.reducer启动后会到不同的map结果文件中下载相同区号的结果文件,再合并这些来自不同map的结果文件,再将这些文件合并(归并算法),产生的大文件是分区且排序且分好组了的,分组调用默认的GroupingComparator组件。

     7.reducer把下载的所有map输出文件合并完成之后就会开始读取文件,将读入的内容以<k,v>的形式输入到我们用户自定义的reducer处理逻辑中。

     8.用户逻辑完成之后以<k,v>的形式调用OutPutFormat组件输出到hdfs文件系统中去保存。

2.wordcount详细shuffle机制

一、map方法执行之前

 我们知道,HDFS里的文件是分块存放在Datanode上面的,而我们写的mapper程序也是跑在各个节点上的。这里就涉及到一个问题,哪一个节点上的mapper读哪一些节点上的文件块呢?hadoop会自动将这个文件分片(split),得到好多split,这每一个split放到一个节点的一个mapper里面去读。然后在每一台有mapper任务的节点上都执行了这么一个操作,将分得到的split切割成一行一行的键值对,然后传给map方法。键是这每一行在split中的偏移量,值是每一行得到的字符串。

二、执行map方法



写过wordcount的朋友都知道,这个过程就是读到每一行,切割字符串,生成键值对写出去。

三、shuffle操作(一)

 这个过程是在有map任务的节点上完成的

1. partition

将得到的键值对按照一定的规则分组,例如例子中将首字母为a的全部分到一组,将首字母为b的分到一组。这里只是为了讲明白这个方式,进行了过程简化,实际不一定是分为两组,也不一定是按照首字母分组。

2. sort

对每一个组中的键值对根据键的哈希码排序。

3. combine

将具有相同键的键值对合成一个新的键值对,这个新的键值对的键是原来的键,键值是所有键的键值之和。

四、shuffle操作(二)

这个过程是在有reduce任务的节点上完成的。


1. 拉取partition

hadoop决定有多少个reducer的时候会规定有多少个partition,每一个reducer拉取自己要处理的那个分组的全部成员。例如,某台节点要处理所有以a开头的键值对,它就会将所有mapper中的以a开头的那一组全部拉取过来。

2. merge

在每一个reducer上,将具有相同键的键值对生成另外一个新的键值对,键是以前的键,键值是一个以前键值的集合。

3. sort

在每一台reducer节点上,将新生成的键值对进行排序,根据 哈希码值。

五、reduce操作


 写过wordcount的朋友都知道,在reduce方法中,hadoop回传过来一个一个的键值对,键是每一个单词,键值就是四中新生成的键值对的键值。执行reduce操作,就是将每一个键值对中的键值累加起来。然后以键值对的形式将结果写出去。

六、文件写入HDFS


在每一台reducer节点上将文件写入,实际上是写成一个一个的文件块,但对外的表现形式是一整个大的结果文件。


阅读更多
想对作者说点什么?

博主推荐

换一批

没有更多推荐了,返回首页