MapReducer2.0原理

 MapReduce是一个用于大规模数据处理的分布式计算模型，最初由Google工程师设计并实现的，Google已经将完整的MapReduce论文公开发布了。其中的定义是，MapReduce是一个编程模型，是一个用于处理和生成大规模数据集的相关的实现。用户定义一个map函数来处理一个Key-Value对以生成一批中间的Key-Value对，再定义一个reduce函数将所有这些中间的有相同Key的Value合并起来。很多现实世界中的任务都可用这个模型来表达。

下面我画了一张图,便于理解MapReduce得整个工作原理

步骤:

1.在客户端写好MapReducer程序,在客户端运行Job作业

2.客户端会向ResourceManage发送一个请求,申请一个Job作业ID.

3.客户端 将作业运行所需的资源，比如作业JAR文件、配置文件等复制到HDFS中

4.提交作业.提交作业之前会进行检查.

.检查作业指定输出目录的路径是否存在,存在则抛异常给客户端(防止覆盖输出结果).

.检查作业的输入路径是否存在,如果不存在,作业也没法提交,抛异常给客户端.

5.对作业进行初始化,将Job任务交给作业调度器(ResourceScheduler)进行调度.(说明：

Hadoop作业的调度器常见的有3个：先进先出调度器；容量调度器；公平调度器).初始

化包括创建一个表示正在运行作业的对象——封装任务的记录信息，以便跟踪任务的状

态和进程.

6. ResourceManager为该应用程序分配第一个Container，并与对应的Node-Manager

通信，要求它在这个Container中启动应用程序的ApplicationMaster.

7.ApplicationMaster从HDFS上获取分片信息,根据分片信息创建map任务(一个分片对

应一个map任务).

8.ApplicationMaster首先向ResourceManager注册,这样用户可以直接通过

ResourceManager查看应用程序的运行状态,然后它将为各个任务申请资源，并监控它

的运行状态，直到运行结束，

9.ResourceManager让ResourceScheduler通过RPC协议给各个任务分配领取资源.

10.ApplicationMaster申请到资源后,便与对应的NodeManager通信,要求它启动任务

11.NodeManager为任务设置好运行环境（包括环境变量、JAR包、二进制程序等）

后，将任务启动命令写到一个脚本中，并通过运行该脚本启动任务。

12.各个任务通过某个RPC协议向ApplicationMaster汇报自己的状态和进度，以让

ApplicationMaster随时掌握各个任务的运行状态，从而可以在任务失败时重新启动

任务。在应用程序运行过程中,用户可随时通过RPC向ApplicationMaster查询应用程

序的当前运行状态

13.应用程序运行完成后，ApplicationMaster向ResourceManager注销并关闭自己 。

下面对上面出现的一些名词进行介绍

ResourceManager(RM):

RM 是一个全局的资源管理器，负责整个系统的资源管理和分配。它主要由两个组件构成：调度器（ Scheduler ）和应用程序管理器（ Applications Manager ， ASM ）.

Scheduler ）调度器

调度器根据容量、队列等限制条件（如每个队列分配一定的资源，最多执行一定数量的作业等），将系统中的资源分配给各个正在运行的应用程序。需要注意的是，该调度器是一个 “ 纯调度器 ” ，它不再从事任何与具体应用程序相关的工作，比如不负责监控或者跟踪应用的执行状态等，也不负责重新启动因应用执 行失败或者硬件故障而产生的失败任务，这些均交由应用程序相关的 ApplicationMaster 完成。调度器仅根据各个应用程序的资源需求进行资源分 配，而资源分配单位用一个抽象概念 “ 资源容器 ” （ Resource Container ，简称 Container ）表示， Container 是一个动态资源分配单位，它将内存、 CPU 、磁盘、网络等资源封装在一起，从而限定每个任务使用的资源量。此外，该调度器是一个可插拔的组件，用户可根据自己的需要设计新的调度器， YARN 提供了多种直接可用的调度器，比如 Fair Scheduler 和 Capacity Scheduler 等。

Applications Manager

应用程序管理器（ Applications Manager ， ASM ）

应用程序管理器负责管理整个系统中所有应用程序，包括应用程序提交、与调度器协商资源以启动 ApplicationMaster 、监控 ApplicationMaster 运行状态并在失败时重新启动它等。

. ApplicationMaster(AM):

用户提交的每个应用程序均包含 1 个 AM ，主要功能包括：

与 RM 调度器协商以获取资源（用 Container 表示）；

将得到的任务进一步分配给内部的任务；

与 NM 通信以启动 / 停止任务；

监控所有任务运行状态，并在任务运行失败时重新为任务申请资源以重启任务。 

NodeManager(NM):

NM 是每个节点上的资源和任务管理器， 一方面，它会 定时地向 RM 汇报本节点上的资源使用情况和各个 Container 的运行状态 ；另一方面，它接收并 处理来自 AM 的 Container 启动 / 停止等各种请求.

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.

HDFS(分布式存储系统)：

保存作业的数据、配置信息等等，最后的结果也是保存在hdfs上面.