Hadoop----MapReduce篇

MapReduce概述

• MapReduce ，负责hadoop中的应用程序计算

MapReduce特点

• 1.易于编程

  通过简单的实现一些接口，就可完成分布式程序

• 2. 良好的扩展性

  可通过简单的增加服务器，提高计算能力

• 3. 高容错性
  其中一台机器挂了，可将上面的计算任务转移到另一个节点上运行，不至于该任务运行失败

MapReduce框架原理

–MapReduce框架有Map和Reduce两个阶段

• Map阶段：

– 数据输入后由InputFormat将数据切片，yarn根据切片信息开启相应个数的map Task，map Task通过调用InputFormat中的recordreader()方法将切片信息转换成（K，V）键值对，然后针对每个（K，V）键值对调用Mapper中的map（）方法进行计算

• –shuffle：

– map方法之后，reduce方法之前这段处理过程叫shuffle
– 将map()方法输出的（K，V）键值对按key值进行分组转换成reduce()的输入，具体原理见后面shuffle机制原理

• Reduce阶段

– Reduce Task中调用Reducer中的reduce()方法，对shuffle处理后的每组数据进行处理，然后调用OutputFormat中的recordwriter()方法进行输出

Shuffle机制

说明

• –map方法之后，reduce方法之前这段处理过程叫shuffle

原理

• – 1. map方法之后，数据首先进入分区方法，把数据标好分区
• – 2. 然后将数据发送到环形缓冲区，缓冲区默认100M，当数据达到**80%**时就会溢写一个文件到磁盘，溢写前会先进行一次快速排序，所以溢写的文件是分区且区内有序的；写入磁盘前可利用combiner进行合并，减轻I/O压力（前提是不影响业务结果）
• – 3. 溢写出大量文件后就需要对溢写文件进行归并排序（默认10个文件归并一次），最终形成一个大的文件存储到磁盘中，等待reduce端处理（归并后写磁盘前也可对数据进行combiner合并，减轻I/O压力，）
• – 4. reduce端每个reduce Task从所有maptask中拷贝对应分区的数据到内存，当内存不够时就会溢出到磁盘中，拉取完所有数据后，会对内存及磁盘中的数据进行归并排序，然后按照相同的key值进行分组，调用reduce方法对每组数据进行处理

其他关键点

• jobt提交过程

Driver中调用waitForCompletion（）提交：

 boolean b = job.waitForCompletion(true);

waitForCompletion（）中submit（）方法中实现真正提交：

 this.submit();

submit()方法中首先建立连接（有yarn配置就连接的yarn集群，没有就是本地的）：

 this.connect();

submit()方法中提交job：

 submitter.submitJobInternal(Job.this, Job.this.cluster);

提交job方法中，获取job运行的资源提交路径：

//获取stag路径
Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);
//获取jobid
JobID jobId = this.submitClient.getNewJobID();
//资源提交路径拼接
Path submitJobDir = new Path(jobStagingArea, jobId.toString());

将jar包、切片信息、配置文件上传到集群中

 //拷贝jar包到集群
 this.copyAndConfigureFiles(job, submitJobDir);
 //计算切片信息并上传到集群
 int maps = this.writeSplits(job, submitJobDir);
 //配置文件上传
 this.writeConf(conf, submitJobFile);

//提交job
 status = this.submitClient.submitJob(jobId, submitJobDir.toString(), job.getCredentials());

• 切片原理

  切片大小默认等于块大小，即128M，如下图，若不等于块大小会产生增加网络传输时间，增加延时，降低效率

注：默认切片是针对文件切分的，而不是针对整个集群，即：每个文件至少有一个切片

• map task

  map task的个数由切片数决定，有几个切片就有几个对应的map task

• 分区(partition)

 public int getPartition(K key, V value, int numReduceTasks) {
        return (key.hashCode() & 2147483647) % numReduceTasks;
    }

默认通过对key的hash值进行去符号位，然后再与ReduceTask数量取模得到分区号
可根据实际业务进行自定义分区
注：
若ReduceTask数量>分区数，就会生成空文件part-r-000xx
若ReduceTask数量<分区数，就会异常
若ReduceTask数量=1，所有分区结果会汇总到一个文件中

• reduce task

  某种意义上可理解为：reduce task的个数由分区数决定，有几个分区就有几个对应的reduce task