大数据技术之MapReduce

1.什么是MapReduce？

• 基本概述

  • 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
  • MapReduce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

• 基本优势

  	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

• 两大函数

  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.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

• 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

• 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

• 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

• Task

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

3.工作流程

• 工作流程

  

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

• 执行阶段

  

  • 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。
  • 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
  • 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

  

• Map端的Shuffle过程

  

• Reduce端的Shuffle过程

  

• 执行过程

  

4.实例分析

• WordCount程序任务

  

• WordCount设计思路

  1. 首先，需要检查WordCount程序任务是否可以采用MapReduce来实现
  2. 其次，确定MapReduce程序的设计思路
  3. 最后，确定MapReduce程序的执行过程

• WordCount执行过程

  

5.具体应用

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

6.编程实践

• 编写Map处理逻辑

  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);  
          }  
      }  
  } 
  

• 编写Reduce处理逻辑

  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); 
      } 
  } 
  

• 编写主方法

  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);  
      FileInputFormat.addInputPath(job,new Path(otherArgs[0]));  
      FileOutputFormat.setOutputPath(job,new Path(otherArgs[1]));  
      System.exit(job.waitForCompletion(true)?0:1);  
  }