【Hadoop】MapReduce并行计算框架

基本知识

前言

• MapReduce计算框架是Google提出的一种并行计算框架，是Google云计算模型MapReduce的java开源实现，用于大规模数据集(通常1TB级以上)的并行计算。但其实，MR不仅是一种分布式的运算技术，也是简化的分布式编程模式，是用于解决问题的程序开发模型。

核心概念

计算模型

• 计算模型的 核心概念 是”Map(映射)”和”Reduce(归约)”。用户需要指定一个Map函数，用来把一组键值对映射成一组新的键值对，并指定并发的Reduce函数用来合并所有的具有相同中间key值的中间的value值。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 。

系统架构

• 在系统架构上，MapReduce框架是一种主从架构，由一个单独的JobTracker节点和多个TaskTracker节点共同组成。

  1)JobTracker是MapReduce的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TaskTracker节点上，监控它们的执行，重新执行已经失败的任务，同时提高状态和诊断信息给作业客户端。

  2)TaskTracker是MapReduce的Slave，仅负责运行由Master指派的任务执行。

作业配置

• 对于用户来讲，我们应该在应用程序中 指明输入和输出的位置路径，并通过实现合适的接口或抽象类来提供Map和Reduce函数，再加上其他作业的参数，就构成了作业配置。

计算流程与机制

作业提交和初始化

• (作业提交)命令行提交->作业上传->产生切分文件->提交作业到JobTracker->(作业初始化)->(Setup Task->Map Task->Reduce Task->Cleanup Task)
  具体过程会在之后的文章介绍

Mapper

• Mapper是MapReduce框架给用户暴露的Map编程接口，用户在实现自己的Mapper类时需要继承这个基类。执行Map Task任务：将输入键值对（key/value pair）映射到一组中间格式的键值对集合。

处理流程如下：

1. 通过InputFormat接口获得InputSplit的实现，然后对输入的数据切分。每一个Split分块对应一个Mapper任务。
2. 通过RecordReader对象读取生成<k,v>键值对。Map函数接受数据并处理后输出<k1,v1>键值对。
3. 通过context.collect方法写入context对象中。当键值对集中被收集后，会被Partition类中的partition()函数以指定方式区分并写入输出缓冲区(系统默认的是HashPartitioner)，同时调用sort()进行排序。
4. 如果用户指定了Combiner，则会将键值对进行combine合并(相当于map端的reduce)，输出到reduce写入文件。

Reducer

• Reducer将与一个key关联的一组中间数值集归约为一个更小的数值集。

  1.Shuffle阶段。框架通过HTTP协议为每个Reducer获得所有Mapper输出中与之相关的分块，这一阶段也称混洗阶段，所做的大量操作就是数据复制，因此也可以称为数据复制阶段。

  2.Sort阶段。 框架按照key的值对Reducer的输入进行分组(因为不同的Mapper输出可能会有相同的key)。 Shuffle和Sort是同时进行的，Map的输出也是一边被取回一边被合并的。 如果需要改变分组方式，则需要指定一个Compartor，实现二次排序（后面会介绍）。

  3.Reduce阶段。 调用Reduce()函数，对Shuffle和sort得到的<key,(list of values)>进行处理，输出结果到DFS中。

结构图示

输入/输出格式(常用)

• InputFormat
  1. 检查作业输入的有效性。
  2. 把输入文件切分成多个逻辑InputSplit实例，并把每个实例分发给一个Mapper（一对一）；FileSplit是默认的InputSplit，通过write（DataOutput out）和readFields（DataInput in）两种方法进行序列化和反序列化。
  3. 提供RecordReader实现。
• OutputFormat
  1. 检验作业的输出。
  2. 验证输出结果类型是否如在Config中所配置的。
  3. 提供一个RecordWriter的实现，用来输出作业结果。

核心问题

Map和Reduce数量

• Map数量通常由 Hadoop集群的DFS块大小确定 ，也就是输入文件的总块数。大致是每一个Node是10～100个。

  Reduce的数量有3种情况：0(特殊)，1，多个。

• 单个Reduce：

• 多个Reduce
  

• 数量为0(适应于不需要归约和处理的作业)
  

作业配置

• 作业配置的相关设置方法

作业配置方法	功能说明
setNumReduceTasks	设置reduce数目
setNumMapTasks	设置Map数目
setInputFormatClass	设置输入文件格式类
setOutputFormatClass	设置输出文件格式类
setMapperClass	输出Map类
setCombiner	设置Combiner类
setReducerClass	设置Reduce类
setPartitionerClass	设置Partitioner类
setMapOutputKeyClass	设置Map输出的Key类
setMapOutputValueClass	设置Map输出的Value类
setOutputKeyClass	设置输出key类
setCompressMapOutput	设置Map输出是否压缩
setOutputValueClass	设置输出value类
setJobName	设置作业名字
setSpeculativeExecution	设置是否开启预防性执行
setMapSpeculativeExecution	设置是否开启Map任务的预防性执行
setReduceSpeculativeExecution	设置是否开启Reduce任务的预防性执行

作业调度

• 调度的功能是将各种类型的作业在调度算法作用下分配给Hadoop集群中的计算节点，从而达到 分布式和并行计算 的目的。
• 调度算法模块中至少涉及两个重要流程：1.作业的选择 2.任务的分配。

调度过程 ：

• 1）MapReduce框架中作业通常是通过JobClient.runJob(job)方法提交到JobTracker，JobTracker接收到JobClient的请求后将其加入作业调度队列中。

  2）然后JobTracker一直等待JobClient通过RPC向其提交作业，而TaskTracker则一直通过RPC向JobTracker发送心跳信号询问是否有任务可执行，有则请求JobTracker派发任务给它执行。

  3）如果JobTracker的作业队列不为空，则TaskTracker发送的心跳将会获得JobTracker向它派发的任务。
  这是一个主动请求的任务：slave的TaskTracker主动向master的JobTracker请求任务。

  4）当TaskTracker接到任务后，通过自身调度在本slave建立起Task，执行任务。

  常用调度器 主要包括：JobQueueTaskScheduler(FIFO调度器)，CapacityScheduler(容量调度器)，Fair Scheduler(公平调度器)等。

有用的MapReduce特性

• Counters 计数器
• DistributedCache 分布式缓存
• Tool 工具
• Compression 数据压缩

（后面会做介绍）