BigData 学习记录（五）

MR(MapReduce)运行过程

 

client程序--》提交job至JobTracker--》分配job ID--》JobTracker检查输入文件存在，输出文件不存在--》进行输入分片--》Jobtracker分配资源--》初始化job（初始化就是创建一个正在运行的job对象（封装任务和记录信息），以便JobTracker跟踪job的状态和进程。）--》为每一个任务创建map任务--》任务分配（运行taskTracker与JobTracker进行沟通）--》执行任务--》任务完成，job状态为成功

 

 

MR作业处理(K:key,V:value)

文件    Map输入    Map进程    Map输出-Reduce输入  Reduce进程   Reduce输出

Input -->   Splitting -->   Mapping -->   Shuffling -->   Reducing -->  Output(Hdfs)

K1,V1  K2,V2                         K3,V3

 

 

输入--》分片--》分片执行Mapper run函数（setUp--while｛map｝--cleanUp）--》自定义combiner、sort、shuffling(数据处理，排序，merge整合)--》每个Reducer执行run（setUp--while｛reduce｝--cleanUp）函数--》输出到磁盘

 

（Input-->Splitting-->Mapping-->Shuffling）

MAP工作流程：

 

Map作业从输入数据中抽取出键值对(K1,V1)，每一个键值对都作为参数传递给map函数，map函数产生的中间键值对(K2,V2)被缓存在内存中。

Map对数据进行两次排序： 1 每次溢出时，磁盘上产生一个溢写文件，溢写文件对溢出的数据划分好相应的分区（对应reduce），并排序 --第一次排序

2 结束时，将所有溢出时的溢写文件进行分区（对应reduce）排序整合  --第二次排序

 

（Shuffling）

MAP-Reduce交接：

1.缓存的中间键值(K2,V2)对会被定期（溢出时或指定时间内）写入本地磁盘，而且被分为R个区，R的大小是由用户定义的，将来每个区会对应一个Reduce作业；这些中间键值对的位置会被通报给master，master负责将信息转发给Reduce worker。

2.master通知分配了Reduce作业的worker它负责的分区在什么位置（肯定不止一个地方，每个Map作业产生的中间键值对都可能映射到所有R个不同分区），当Reduce worker把所有它负责的中间键值对都读过来后，先对它们进行排序，使得相同键的键值对聚集在一起。因为不同的键可能会映射到同一个分区也就是同一个Reduce作业（谁让分区少呢），所以排序是必须的（将所有Map进程产生的已经整合过的溢写文件提取相应的分区，并排序整合--第三次排序）。

 

（Shuffling-->Reducing-->Output(Hdfs)）

reduce工作流程：

reduce worker遍历排序后的中间键值对(K2,V2)，对于每个唯一的键，都将键与关联的值传递给reduce函数，reduce函数产生的输出(K3,V3)会添加到这个分区的输出文件中。

 

FileOutputFormat  --MapReduce使用OutputFormat类将数据输出存入文件中，其基本与InputFormat类似。输出没有分块，每个Reducer将它的输出直接写到自己的文件中。输出文件存在于一    个共有目录当中，一般被命名为part-nnnnn，nnnnn是Reducer的分区ID。

 

FileInputFormat  --继承InputFormat抽象类实现List和CreateRecordReader方法

1.FileInputFormat实现了InputFormat的getSplits()方法，将输入的文件划分为InputSplit（输入块）。

2.protected List listStatus(JobContext job ) throws IOException递归获取输入数据中的文件，其中的job包含前面的那几个参数，是系统的配置Configuration

3.切分之后有RecordReader来读取，FileInputFormat没有对应的RecordReader，他的两个子类：SequenceFileInputFormat二进制形式存放的键/值文件TextInputFormat是文本文件 的处理，他们的createRecordReader()分别返回SequenceFileRecordReader，LineRecordReader实例

 

InputSplit：包含一个以字节为单位的长度和一组储存位置。一个分片并不包含数据本身，而是指向数据的引用。存储位置供MapReduce系统使用以便将map任务尽量放在分片数据附近，而长度用来排序分片，以便优先处理最大的分片，从而最小化作业运行时间。

 

 

MapReduce程序：

1.获取配置信息 Configuration

2.新建Job

3.编写Mapper类和Reduce类

4.Job设置运行时的Mapper和Reduce类

5.Job设置输入输出文件

6.Jop设置输出参数类型

7.Job进程等待

8.Job进程结束