MapReduce原理

1、MapReduce简介

MapReduce是现今一个非常流行的分布式计算框架，它被设计成用于并行计算海量数据，第一个提出该技术框架的是Google公司，MapReduce框架的核心步骤主要分两部分：Map和Reduce，当你向MapReduce提交一个计算作业时，它会首先把计算作业拆分成若干个Map任务，然后分配到不同的节点上去执行，每一个Map任务处理输入数据中的一部分，当Map任务完成后，会生产一些中间文件，这些中间文件将会作为Reduce任务的输入数据，Reduce的任务主要目标就是把前面若干个Map的输出汇总到一起并输出，从高层抽象来看，MapReduce的数据流图如下图所示：

2、MapReduce流程分析

2.1 Map过程

1. 每一个输入分片会让一个Map任务来处理，默认情况下，以HDFS的一个块的大小（默认为64MB）为一个分片，当然我们也可以设置块的大小。Map输出的结果会暂且放在一个环形内存缓冲区中（该缓冲区的大小默认为100M，由io.sort.mb属性控制），当该缓冲区快要溢出时（默认缓冲区大小的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，将该缓冲区的数据写入到这个文件中；
2. 在写入磁盘之前，线程首先会根据reduce任务的数目划分相同数目的分区，也就是一个reduce任务对应一个分区的数据。这样做就是为了避免有些reduce任务分配到大量数据，而有些reduce分配到很小的数据，甚至没有数据。其实分区就是对数据进行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combiner，将排序后的结果进行Combia操作，这样做的目的是让尽可能少的数据写入到磁盘；
3. 当Map任务输出到最后一个记录是，可能会有很多的溢出文件，这时需要将这些文件合并，合并的过程中会不断进行排序和combia操作，目的有两个：
4. 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呢？其实Map任务一直和其父TaskTracker保持联系，而TaskTracker又一直和JobTracker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输出位置就可以了。
5. • 尽量减少每次写入磁盘的数据量；
   • 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已排序的文件，为了减少网络传输的数据量，这里可以将数据压缩，只要将Mapred.compress.map.out设置为true就可以。

2.2 Reduce过程

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端接收的数据量相当小，则直接存储在内存中（缓冲区大小由mapred.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，后台线程会将他们合并成一个更大的有序文件，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；
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。

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；

2.3 MapReduce工作机制剖析

1. 在集群中的任意一个节点提交MapReduce程序；
2. JobClient收到作业后，JobClient向JobTracker请求获取一个Job ID；
3. 将运行作业所需的资源文件复制到HDFS上（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），这些文件都从放在JobTracker专门为该作业创建的文件夹中，文件夹名为该作业的Job ID；
4. 或得作业ID后，提交作业；
5. JobTracker接收到作业后，将其放在一个作业队列中，等待作业调度器进行调度，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一个划分创建一个map任务，并将map任务分配给TaskTracker执行；
6. 对于Map和Reduce任务，TaskTracker根据主机的数量和内存大小有固定数量的map槽和reduce槽，这里需要强调的是：map任务不是随随便便地分配给某个TaskTracker的，这里有个概念叫：数据本地化（Data-Local）。意思是：将map任务分配给含有该map处理的数据块的TaskTacker上，同时将程序JAR包复制到该TaskTacker上来运行，这叫“运算移动，数据不移动”；
7. TaskTracker每隔一段时间会给JobTacker发送一个心跳，告诉JobTracker她依然在运行，同时心跳中还携带者很多的信息，比如当前map任务的进度等信息。当JobTacker收到作业的最后一个任务完成信息时，便把该作业设置成“成功”。当JobClient查询状态时，他将得知任务以完成，便显示一条消息给用户；
8. 运行的TaskTracker从HDFS中获取运行所需的资源，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等信息；
9. TaskTracker获取资源后启动新的JVM虚拟机；
10. 运行每一个任务；