Hadoop官网翻译 (MapReduce教程)

油纸雨伞

已于 2023-03-12 00:10:59 修改

阅读量92

点赞数 1

分类专栏：大数据 Hadoop 文章标签： hadoop mapreduce 大数据

于 2023-03-10 00:58:49 首次发布

本文链接：https://blog.csdn.net/xuschang/article/details/129433595

版权

Hadoop 同时被 2 个专栏收录

30 篇文章 1 订阅

订阅专栏

大数据

28 篇文章 0 订阅

订阅专栏

MapReduce框架

目标概览

可靠容错的方式并行处理大型集群的数据。
关注的点有：

输入
输出
shuffle
调度
监控

RM负责调度任务，RM监控worker的运行状况。并向Client提供诊断信息。

输入输出

key value结构

需要序列化
如果要key排序,需要支持比较

提交命令

hadoop jar w.jar wordcount /input /output

除了这些常规的点之外，可以支持一些参数

libjars

增加map reduce的jar包

files

这些文件将会出现在工作目录中

archive

解压到当前工作目录，可以通过#重新建立软连接

Dmapreduce.map|reduce.env

指定运行时环境变量

整体流程

map
combine

运行过程中如果指定了合并器，那么会在排序之后先进行本地聚合.这时之前都是本地的

reduce
客户端

Main方法通过waitForCompletion提交作业并监控作业执行

用户接口

提供细粒度的实现方式，配置和调优

Mapper

输入key-value映射到mkey-value对

中间键值对不一定需要和输入的键值对一样
中间键值对可以是0个或者多个

Map的个数由InputSplit决定，每一个InputSplit生成一个MapTask

context.write 收集结果

中间值被框架分组，用户可以指定分组的逻辑Job.setGroupingComparatorClass(Class），分组的作用是构造迭代器，一个分组一个迭代器处理。map和reduce端都会出现。
中间值可以排序，然后分区。分区的个数和reducer一致。用户可以通过Partitioner指定key->reducer的映射关系。
中间值输出的结构简单，kenlen key valuelen value这种方式，可以指定压缩

Mapper个数

Mapper个数，这里指的是并行度，这个通常是由输入数据量决定的。大约是每个10-100个map tasks，特别轻量级的任务可以指定到300.
split是逻辑划分，block是物理划分，物理划分时可能导致数据跨行，这时候split就需要读取相邻两个block。

Reducer

Combine的结果继续跨节点合并
用户可以指定reducer的个数
需要处理（key,iterator(valuess)）的数据

shuffle

reducer的输入值是mapper的排序输出
http获取所有mapper的相关partition

soft

reduce拉取数据之后，要进行分组
一边shuffle获取数据，一边排序同时进行

Secondary Sort

combine的排序和reduce的排序规则不同，那么可以做到整体combine有序，然后reduce时局部再次排序。

Reduce

对于每一个(key,list of values)调用reduce方法，结果未排序

Reducer的个数

总容器*系数
如果没有reduce task,那么reduce 可以设置为0

Partitioner

map端结果的分区，用来将key分配到不同的reduce task中。个数和reduce个数一致。默认是对key进行hash分区

作业配置

任务配置的主要作用是配置

mapper
combiner
partitioner
reducer
InputFormat

FileInputFormat指定输入路径 FileInputFormat.setInputPath(job,String/Path)
FileInputFormat指定输入路径 FileInputFormat.addInputPath(job,String/Path)

OutputFormat

FileInputFormat指定输出路径setOutputPath

作业配置也指定了一些其他的部分，比如说

comparator
DistributedCache
是否压缩,如何压缩
推测执行(Map和Reduce端)
最大重试次数

任务执行环境

MapTask和ReduceTask都是在指定的JVM中运行的线程，因此可以通过指定Java opts参数来进行控制。

控制内存

mapreduce.map.java.opts
mapreduce.reduce.java.opts
mapreduce.map.memory.mb
mapreduce.reduce.memory.mb

方式类似如下

<property>
  <name>mapreduce.map.java.opts</name>
  <value>
  -Xmx512M -Djava.library.path=/home/mycompany/lib -verbose:gc -Xloggc:/tmp/@taskid@.gc
  -Dcom.sun.management.jmxremote.authenticate=false -Dcom.sun.management.jmxremote.ssl=false
  </value>
</property>

指定共享库路径

-Djava.library.path=/home/mycompany/lib

map参数

map端输出的文件以及元数据进入两个缓冲区，任何一个缓冲区达到阈值，那么就进行磁盘刷写。这个时候如果是任何一个缓冲区满了，那么就终止map线程。结束之后，所有的文件合并成一个单个文件。

mapreduce.task.io.sort.mb 用来排序的内存
mapreduce.map.sort.spill.percent 磁盘的软限制，map内存占比多少时进行排序

增加sort内存可以缩小map spill数可以减小map合并时间，但是会增加线程中止时间。

shuffle和reduce参数

reduce需要通过HTTP获取分配给它的输出，然后(解压)放入到内存中。

mapreduce.task.io.soft.factor 多少个文件可以同时合并，大文件分批合并
mapreduce.reduce.merge.inmem.thresholds 多少个map输出结果可以在内存中合并，一般设置或者非常大1000，或者非常小0。r
mapreduce.reduce.shuffle.merge.percent 在内存合并开始之前，有多少内存可以用来保存map输出
mapreduce.reduce.shuffle.input.buffer.percent 存放map结果内存比例占opts百分比
mapreduce.reduce.input.buffer.percent map结果可以保存在内存中的比例
reduce阶段，如果获取map阶段的输出大于25%的内存，那么直接写磁盘。