Hadoop之MapReduce实现原理-基础篇

Hadoop之MapReduce实现原理-基础篇

一、基础篇

1. MR设计目标

MR诞生于搜索领域，主要是为了解决海量数据处理扩展性差的问题，它的实现时基于谷歌MR的设计思想，包括简化编程接口、提高系统容错性等。

1. 易于编程：用户无需关注数据切片、数据传输、节点间通信等，只需要关注业务逻辑的实现，简化了开发过程且提高了开发效率。
2. 良好的拓展性：当积累的数据量大的时候可以通过添加机器实现集群能力的扩容。
3. 高容错性：机器存在故障的时候，能够通过计算迁移或者数据迁移等策略提高集群的可用性与容错性。

2. MR编程模型

MR由两个阶段组成：MAP阶段和Reduce阶段，开发者只需要编写Map()方法和reduce()方法即可完成分布式程序的设计。
map():以key/value作为输入，产生另一种key/value作为输出写出到本地磁盘，reduce()会自动将这部分中间数据按照key值进行聚集，且key值相同的数据被同一交给reduce()函数处理。
reduce():以key及对应的value列表作为输入，合并相同key的value后产生另一组key/value作为输出并写入到hdfs。
流程入下图所示：

3. MR基本架构

MR采用了Master/Slave架构，如下图所示，主要包含Client、JobTracker、TaskTracker、Task几个组件

1. Client：

用户编写的MR通过Client提交到JobTracker端，也可以通过Client查看任务列表和当前运行状态，在Hadoop中作业（Job）表示MR程序，一个MR程序对应多个作业，每个作业会被分解成多个MR任务（Task）。

2. JobTracker：

JobTracker主要负责资源监控和作业调度，JobTracker监控所有TaskTracker与作业的状态，一旦发现失败情况，立即将对应的任务转移到其他节点，JobTracker也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，调度器会在资源出现空闲时，选择合适和任务使用这些资源。

3. TaskTracker:

TaskTracker会通过Heartbeat将本节点上的资源使用情况和任务的运行进度汇报给JobTracker，并带回JobTracker发送过来的命令并执行响应的操作（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，一个Task只有获得slot后才有机会运行，TaskTracker通过slot数目限定Task的并发度。

4. Task:

Task分为MapTask和ReduceTask，HDFS是以固定大小的block为单位存储数据，而MR是以split为单位处理数据，block是物理概念，split是逻辑概念，split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，split的划分方法是用户自己决定的，但是split的数目决定了MapTask的数目，每个split会交由一个MapTask处理。
split和block的关系如下：

1. MapTask执行过程

1. MapTask先将对应的split迭代解析成一个个key/value对。
2. 然后依次调用自定义map()方法，最终将临时结果存放到本地磁盘上。
3. 临时数据会被分成若干了partition，每个partition对应一个reduceTask处理。

2. ReduceTask执行过程

1. 从远程节点上读取mapTask的中间结果（称为shuffle阶段）。
2. 按照key对key/value进行排序（称为sort阶段）。
3. 依次读取<key，value list>调用用户自定义的reduce()函数处理，并将结果写入到hdfs上（称为reduce阶段）。

4. MR作业的生命周期

假设提交一个作业，提交命令如下：

$HADOOP_HOME/bin/hadoop jar xxx.jar \
 -D mapred.job.name="xxx" \
 -D mapred.map.tasks=3 \
 -D mapred.reduce.tasks=2 \
 -D input=/test/input \
 -D output=/test/output

作业运行图如下：

过程解析（5个步骤）：

1. 作业提交与初始化

用户提交作业后，首先会有JobClient将作业相关信息，比如jar包、作业配置文件、分片元数据文件等上传到HDFS上，其中分片元数据文件记录了每个输入分片的逻辑位置信息，然后由JobClient通过RPC通知JobTracker，JobTracker收到请求后，由作业调度器对作业进行初始化：为作业创建一个JobInProgress对象以跟踪作业运行状况，而JobInProgress会为每一个Task创建一个TaskInProgress对象跟踪每个任务的运行状态，TaskInProgress需要管理多个“Task运行尝试”。

2. 任务调度与监控

任务调度和监控的功能是由JobTracker完成，TaskTracker周期性的通过Heartbeat向JobTracker汇报本节点的资源使用情况，一旦出现空闲资源，JobTracker将会按照一定的策略选择一个合适的任务使用该空闲资源，这由任务调度器完成，任务调度器是双层架构，即先选择作业，然后从该作业中选择任务，选择任务时需要重点考虑数据本地性，此外，JobTracker跟踪作业的整个运行过程，并为作业的成功运行提供全方位的保障，首先，当TaskTracker或者Task失败时，转移计算任务，其次，当某个Task任务远落后于同一作业的其他Task时，为之启动一个相同Task，并选取计算快的Task结果作为最终结果。

3. 任务运行环境准备

运行环境准备包括JVN启动和资源隔离，TaskTracker为每个Task启动一个独立的JVM以避免不同Task在运行过程中相互影响，同时，TaskTracker使用了操作系统进程实现资源隔离以防止Task滥用资源。

4. 任务执行

TaskTracker为Task准备好运行环境后，便会启动Task，在运行过程中，每个Task的最新进度首先由Task通过RPC汇报给TaskTracker，再由TaskTracker汇报给JobTracker。

5. 作业完成

待所有Task执行完毕后，整个作业执行成功。