Apache Tez

1、参考
http://dongxicheng.org/mapreduce-nextgen/apache-tez/

Tez（Hortonworks介绍：这里，源代码下载：这里，今天刚刚发布的源代码）是Apache最新开源的支持DAG作业的计算框架，它直接源于MapReduce框架，核心思想是将Map和Reduce两个操作进一步拆分，即Map被拆分成Input、Processor、Sort、Merge和Output， Reduce被拆分成Input、Shuffle、Sort、Merge、Processor和Output等，这样，这些分解后的元操作可以任意灵活组合，产生新的操作，这些操作经过一些控制程序组装后，可形成一个大的DAG作业。
Tez可以将多个有依赖的作业转换为一个作业（这样只需写一次HDFS，且中间节点较少），从而大大提升DAG作业的性能。Tez已被Hortonworks用于Hive引擎的优化，经测试，性能提升约100倍

【Tez实现】
Tez对外提供了6种可编程组件，分别是：
（1）Input：对输入数据源的抽象，它解析输入数据格式，并吐出一个个Key/value
（2）Output：对输出数据源的抽象，它将用户程序产生的Key/value写入文件系统
（3）Paritioner：对数据进行分片，类似于MR中的Partitioner
（4）Processor：对计算的抽象，它从一个Input中获取数据，经处理后，通过Output输出
（5）Task：对任务的抽象，每个Task由一个Input、Ouput和Processor组成
（6）Maser：管理各个Task的依赖关系，并按顺依赖关系执行他们
除了以上6种组件，Tez还提供了两种算子，分别是Sort（排序）和Shuffle（混洗），为了用户使用方便，它还提供了多种Input、Output、Task和Sort的实现，具体如下：
（1）Input实现：LocalMergedInput（文件本地合并后作为输入），ShuffledMergedInput（远程拷贝数据且合并后作为输入）
（2）Output实现：InMemorySortedOutput（内存排序后输出），LocalOnFileSorterOutput（本地磁盘排序后输出），OnFileSortedOutput（磁盘排序后输出）
（3） Task实现：RunTimeTask（非常简单的Task，基本没做什么事）
（4）Sort实现：DefaultSorter（本地数据排序），InMemoryShuffleSorter（远程拷贝数据并排序）
为了展示Tez的使用方法和验证Tez框架的可用性，Apache在YARN MRAppMaster基础上使用Tez编程接口重新设计了MapReduce框架，使之可运行在YARN中。为此，Tez提供了以下几个组件：
（1）Input：SimpleInput（直接使用MR InputFormat获取数据）
（2）Output：SimpleOutput（直接使用MR OutputFormat获取数据）
（3）Partition：MRPartitioner（直接使用MR Partitioner获取数据）
（4）Processor：MapProcessor（执行Map Task），ReduceProcessor（执行Reduce Task）
（5）Task：FinalTask，InitialTask，initialTaskWithInMemSort，InitialTaskWithLocalSort ，IntermediateTask，LocalFinalTask，MapOnlyTask

MR任务
-D mapreduce.framework.name=yarn-tez
Hive任务
set hive.execution.engine=tez;

1、不使用 tez 默认为mr
select * from t_origin_ugc_stat_online where datecol = '2016-03-06' limit 100;
Time taken: 0.983 seconds, Fetched: 100 row(s)

select appid, count(distinct userid) as uv,count(1) as pv from t_origin_ugc_stat_online where datecol = '2016-03-06' group by appid order by pv desc limit 100;

分解为2个job
Total jobs = 2
Launching Job 1 out of 2

1000 578467 21582350
1001 188925 2394000
1002 39418 913989
2003 1665 23734
NULL 0 15
Time taken: 501.692 seconds, Fetched: 5 row(s)

2、使用tez
select * from t_origin_ugc_stat_online where datecol = '2016-03-06' limit 100;
Time taken: 0.917 seconds, Fetched: 100 row(s)

select appid, count(distinct userid) as uv,count(1) as pv from t_origin_ugc_stat_online where datecol = '2016-03-06' group by appid order by pv desc limit 100;

分解为1个job
Total jobs = 1
Launching Job 1 out of 1


Status: Running (Executing on YARN cluster with App id application_1456812439807_226211)

显示：
--------------------------------------------------------------------------------
VERTICES STATUS TOTAL COMPLETED RUNNING PENDING FAILED KILLED
--------------------------------------------------------------------------------
Map 1 ... RUNNING 261 104 37 120 0 0
Reducer 2 RUNNING 12 0 3 9 0 0
Reducer 3 INITED 1 0 0 1 0 0
--------------------------------------------------------------------------------
VERTICES: 00/03 [=========>>-----------------] 37% ELAPSED TIME: 38.51 s
--------------------------------------------------------------------------------

1000 578467 21582350
1001 188925 2394000
1002 39418 913989
2003 1665 23734
NULL 0 15
Time taken: 141.719 seconds, Fetched: 5 row(s)

3.5倍的速度差距！