hadoop(四) - 分布式计算利器MapReduce

一. MapReduce执行过程

MapReduce运行的时候, 会通过Mapper运行的任务读取HDFS中的数据文件, 然后调用自己的方法处理数据, 最后输出. Reduce任务会接受Mapper任务输出的数据, 作为自己输入的数据, 然后调用自己的方法, 最后输出到HDFS的文件中.

map-reduce的思想就是“分而治之”，mapper负责“分”，即把复杂的任务分解为若干个“简单的任务”执行，这些的话数据或计算规模相对于原任务会大大缩小，并行计算大大提高效率，就近计算能减少数据在网络中的传输。

二. Mapper任务执行过程

每个Mapper任务都是一个java进程, 它会读取HDFS中的文件, 解析成很多键值对, 经过我们覆盖的map方法处理后, 转换成很多的键值对再输出, 整个Mapper任务的处理过程可以分为以下几个阶段:

上图中, 把Mapper 任务的运行过程分为六个阶段。
第一阶段是把输入文件按照一定的标准分片(InputSplit)，每个输入片的大小是固定的。默认情况下，输入片(InputSplit)的大小与数据块(Block)的大小是相同的。如果数据块(Block)的大小是默认值64MB，输入文件有两个，一个是32MB，一个是72MB。那么小的文件是一个输入片，大文件会分为两个数据块，那么是两个输入片。一共产生三个输入片。每一个输入片由一个Mapper 进程处理。这里的三个输入片，会有三个Mapper 进程处理。

第二阶段是对输入片中的记录按照一定的规则解析成键值对。有个默认规则是把每一行文本内容解析成键值对。“键”是每一行的起始位置(单位是字节)，“值”是本行的文本内容。

第三阶段是调用Mapper 类中的map 方法。第二阶段中解析出来的每一个键值对，调用一次map 方法。如果有1000 个键值对，就会调用1000 次map 方法。每一次调用map 方法会输出零个或者多个键值对。

第四阶段是按照一定的规则对第三阶段输出的键值对进行分区。比较是基于键进行的。比如我们的键表示省份(如北京、上海、山东等)，那么就可以按照不同省份进行分区，同一个省份的键值对划分到一个区中。默认是只有一个区。分区的数量就是Reducer 任务运行的数量。默认只有一个Reducer 任务。

第五阶段是对每个分区中的键值对进行排序。首先，按照键进行排序，对于键相同的键值对，按照值进行排序。比如三个键值对<2,2>、<1,3>、<2,1>，键和值分别是整数。那么排序后的结果是<1,3>、<2,1>、<2,2>。如果有第六阶段，那么进入第六阶段；如果没有，直接输出到本地的linux 文件中。

第六阶段是对数据进行归约处理，也就是reduce 处理。键相等的键值对会调用一次reduce 方法。经过这一阶段，数据量会减少。归约后的数据输出到本地的linxu 文件中。本阶段默认是没有的，需要用户自己增加这一阶段的代码。

三. Reduce任务执行过程

每个Reducer任务都是一个Java进程, Reducer任务接受Mapper任务的输出, 归约处理后写入HDFS中

第一阶段是Reducer 任务会主动从Mapper 任务复制其输出的键值对。Mapper 任务可能会有很多，因此Reducer 会复制多个Mapper 的输出。

第二阶段是把复制到Reducer 本地数据，全部进行合并，即把分散的数据合并成一个大的数据。再对合并后的数据排序。

第三阶段是对排序后的键值对调用reduce 方法。键相等的键值对调用一次reduce 方法，每次调用会产生零个或者多个键值对。最后把这些输出的键值对写入到HDFS 文件中。在整个MapReduce 程序的开发过程中，我们最大的工作量是覆盖map 函数和覆盖reduce 函数。

四. Hadoop的数据类型

1. 序列化：（序列化相当于加密，反序列化相当于解密）

IntWritable、LongWritable、VintWritable、VlongWritable、Text、BytesWritable、NullWritable、ObjectWritable

ArrayWritable、TwoDArrayWritable、MapWritable

以上类型都实现了接口Writable、Comparable

2. SequenceFile：

SequenceFile可以把大量小文件一起放到一个block中， 在存储相同数量的文件时， 可以明显减少block的数量。

五. 输入格式化类：InputFormat

类InputFormat是负责把HDFS中的文件经过一系列处理变成 map 函数的输入部分的，这个类做了3件事情：

1. 验证输入信息的合法性， 包括输入路径是否存在等。

2. 把HDFS中的文件按照一定规则拆分成InputSplit，每个InputSplit由一个Mapper执行。

3. 提供Recordreader, 把InputSplit中的每一行解析出来供map函数处理。

子类1： FileInputFormat

子类2：TextInputFormat

六. 输出格式化类：OutputFormat

OutputFormat

子类1： FileOutputFormat

该类是对类FileSystem操作执行输出的， 会对运算的结果先写入到一个临时文件夹中，待运算结束后， 再移动到最终的输出目录中。

子类2： TextOutputFormat

该类专门输出普通文本文件的。

七. MapReduce性能调优

1. 对于输入文件，大文件要优于小文件

2. 减少网络传输，压缩map的输出

3. 设置多少个reducer比较合适？

reducer可以通过job.setNumReduceTasks(num)来进行设置，首先reducers数必须小于mappers数。

TaskTrackers中有个slots的东东，它类似资源池，每个任务执行时都必须获得一个slot才能继续，否则只能等待。当一个任务完成后，该任务就归还slot，该过程类似释放资源到资源池中。slots分为mapper slots和reducer slots，分别对应可并行执行的mapper数和reducer数，用户可以通过设置mapred-site.xml配置文件中的mapred.tasktracker.map.tasks.maximum和mapred.tasktracker.reduce.tasks.maximum来设置slot的值，默认为2.

因此reducers数目应该略小于reducer slots的总数。