Hadoop 学习之路之MapReduce原理

最新推荐文章于 2024-08-27 15:06:45 发布

weixin_30379911

最新推荐文章于 2024-08-27 15:06:45 发布

阅读量276

点赞数

文章标签：大数据

原文链接：http://www.cnblogs.com/tashanzhishi/p/10060353.html

版权

一、概述

　　MapReduce是一种编程模型，这点很重要，仅仅是一种编程的模型，而不是具体的软件。在hadoop中，HDFS是分布式的文件存储系统，而MapReduce是一个分布式的计算框架。用于大规模数据集(大于1TB)的并行运算。说白了就是程序运行时将数据操作分为好几部，主要是：拆分->排序->组合的过程。

二、原理和工作流程

　　2.1原理

　　　　一个Map/Reduce 作业（job） 通常会把输入的数据集切分为若干独立的数据块，由 map任务（task）以完全并行的方式处理它们。框架会对map的输出先进行排序，然后把结果输入给reduce任务。通常作业的输入和输出都会被存储在文件系统中。整个框架负责任务的调度和监控，以及重新执行已经失败的任务。

　　　　通常，Map/Reduce框架和分布式文件系统是运行在一组相同的节点上的，也就是说，计算节点和存储节点通常在一起。这种配置允许框架在那些已经存好数据的节点上高效地调度任务，这可以使整个集群的网络带宽被非常高效地利用。一般将计算节点称为nodemanager。

　　　　Map/Reduce框架由一个单独的master JobTracker 和每个集群节点一个slave TaskTracker共同组成。master负责调度构成一个作业的所有任务，这些任务分布在不同的slave上，master监控它们的执行，重新执行已经失败的任务。而slave仅负责执行由master指派的任务。

　　2.2流程

　通过上面的流程图，在这对着个图的每一个程序进行一一的解读：

　　JobClient：

　　　　配置参数Configuration，打包成.jar文件存储在HDFS上，然后将文件路径提交给JobTracker的master服务，然后由master创建task将它们分发到各个TaskTracker服务中去执行。

　　JobTracker：

　　　　这是一个master服务，程序启动后，JobTracker负责资源监控和作业调度。JobTracker监控所有的TaskTracker和job的健康状况，一旦发生失败，即将之转移到其他节点上，同时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，而调度器会在资源出现空闲时，选择合适的任务使用这些资源。在Hadoop 中，任务调度器是一个可插拔的模块，用户可以根据自己的需要设计相应的调度器。

　　TaskTracker：

　　　　运行在多个节点上的slaver服务。TaskTracker主动与JobTracker通信接受作业，并负责直接执行每个任务。TaskTracker 会周期性地通过Heartbeat 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。“slot”代表计算资源（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。TaskTracker 通过slot 数目（可配置参数）限定Task 的并发度。

　　Task分为Map Task和Reduce Task两种，均由TaskTracker启动。HDFS以block块存储数据，mapreduce处理的最小数据单位为split。split如何划分又用户自由设置。

　　流程解释：

　　第一步：编写好MapReduce程序后打包，运行。

　　第二步：程序执行成功。JobClient会根据配置文件信息向JobTracker申请可用的job（这里指的可用job是相应数量的maptask的工作进程）。JobTracker返回一个可用的JobID给JobClient。

　　第三步：根据得到的JobID, JobClient会把所需要的资源复制一份到HDFS上，这些资源包括MapReduce程序打包的JAR文件，配置文件和客户端计算所得的输入划分信息。JobTracker专门为该作业创建的文件夹中，文件夹名为该作业的JobID，JAR文件默认

会有10个副本（通过配置参数mapreduce.client.submit.file.replication属性控制）；输入划分信息告诉了JobTracker应该为这个作业启动多少个map任务等信息。

　　第四步：JobClient提交作业到JobTracker，当JobTracker接收到作业之后，将其放到一个作业队列里面，等待作业调度器对其进行调度，当作业调度器根据自己的调度算法调度到该作业时，会根据输入划分信息为每个划分创建一个map任务，并将map任务分配给TaskTracker执行。对应map和reduce任务，TaskTracker，根据主机核的数量和内存的大小有固定数量的map槽和reduce槽。注意：map任务不是随便的分配给某个TaskTracker，这里有个概念叫数据本地化（Data-Local），指的是将map任务分配给含有该map处理的数据块的TaskTracker上，同时将程序JAR包复制到改TaskTracker上运行，这叫“运算移动，数据不移动”，而分配reduce任务时不考虑数据本地化。

　　第五步：TaskTracker每隔一段时间会给JobTracker发送心跳，告诉JobTracker它依然在运行，同时心跳还携带了很多信息，比如当前map任务完成的进度等信息。当JobTracker收到作业的最后一个任务完成信息时，会把该作业设置为（success），当JobClient查询状态时，它将得知任务完成，便显示一条消息给用户。

　　以上就是从JobClient，JobTracker，TaskTracker角度来分析MapReduce的工作原理。以上的工作原理将流程图的步骤进行了整合。

三，MapReduce编程模型

　　3.1 原理

Map端：

　　　　1，mapReduce启动后会先扫描整个提交的文件，然后回对文件进行切片处理：

　　　　　　例如：a.txt(200M)， b.txt(300M)， c.txt(100M)，这些文件将会被切成：split00001 0-128M、split00002 128-200M，split00003 0-128M， split00004 128-256M， split00005 256M-300M， split00006 100M

　　　　2，根据切片的数量会启动相应数量的MapTask进行读取，若切片数量很多，而机器启动的MapTask到达了上限，则例如只有两台机器，每台只启动一个Mapask要处理上面的切片，则进行分批的读取，读取的模式是一行一行的读取。每读取一行就可以进行map处理，这个map处理是一个通用的接口，没有被写死，可以为我们自己去实现。而map的过程就是我们进行提取数据的过程，map过程参数的是一组组K：1， K2：1， K3：1数据。

　　　　3，map输出的结果会暂时存在在一个环形内存缓冲区内（该缓冲区的大小默认为100M，由io.sort.mb属性控制）。当缓冲区快要溢出时（默认为缓冲区大小的80%，由io.sort.spill.percent属性控制），会在本地文件系统中创建一个溢出文件，将改缓冲区中的数据写入文件。

　　　　4，在将缓冲区数据写入磁盘之前，线程会根据reduce任务的数量将数据划分为相同的数据分区，也就是说一个reduce任务对应一个分区数据。当然也有可能出现一个reduce有多个分区的数据，这样做的目的为了避免有些reduce任务分配到大量的数据。而有些

reduce任务却很少数据。其实对数据分区就是一个hash的过程。然后对每个分区中的数据进行排序。如果此时设置了聚合（Combiner）,会将排序后的结果进行聚合操作。这样做的目的是减少数据的写入磁盘的次数和数据的量。

　　　　5，当map任务输出最后一个记录后，可能会有溢出文件，这时需要将这些文件合并。合并的过程会不断的进行排序和combiner操作。目的有两个：1，尽量减少每次写入磁盘的数据量； 2，尽量减少下一复制阶段网络传输的数据量。最后合并成了一个已分区且排序的文件。为了减少网络传输的数据量，这里可以将数据进行压缩，只要将只要将mapred.compress.map.out设置为true就可以。

　　　　数据压缩：Gzip、Lzo、snappy。

　　　　6，将分区中的数据拷贝给相对应的reduce任务。有人可能会问：分区中的数据怎么知道它对应的reduce是哪个呢？其实map任务一直和其父TaskTracker保持联系，而TaskTracker又一直和obTracker保持心跳。所以JobTracker中保存了整个集群中的宏观信息。只要reduce任务向JobTracker获取对应的map输出位置就OK了。

　　Shuffle：

　　　　上面map参数的K：V数据会统一的提交到shuffle端，进行shuffle处理，在这个过程中，会对相同的K的值排在一起（排序），不同的K分在不同的区域，这样做的目的是为了ReduceTask读取。若这些K数据有很多组，如何将这些不同的K分配到

有限的ReduceTask中呢，这就需要对这些K进行hash，将这些hash取余，相同的就分在一组ReduceTask中。

　　Reduce：

　　　　1，Reduce会接收到不同map任务传来的数据，并且每个map传来的数据都是有序的。如果reduce端接受的数据量相当小，则直接存储在内存中（缓冲区大小由mapred.job.shuffle.input.buffer.percent属性控制，表示用作此用途的堆空间的百分比），如果数据量超过了该缓冲区大小的一定比例（由mapred.job.shuffle.merge.percent决定），则对数据合并后溢写到磁盘中。

　　　　2，随着溢写文件的增多，后台线程会将它们合并成一个更大的有序的文件，这样做是为了给后面的合并节省时间。其实不管在map端还是reduce端，MapReduce都是反复地执行排序，合并操作，现在终于明白了有些人为什么会说：排序是hadoop的灵魂。

　　　　3，合并的过程中会产生许多的中间文件（写入磁盘了），但MapReduce会让写入磁盘的数据尽可能地少，并且最后一次合并的结果并没有写入磁盘，而是直接输入到reduce函数。