hadoop基础知识分享(二)

写在前面

今天继续学习hadoop部分的知识。

MapReduce

数据切片

InputFormat 接口

InputFormat 是一个抽象类,定义了两个方法:

  1. getSplits:负责实现数据切片的方法
  2. createRecordReader:实现数据的 key-value 格式。

FileInputFormat 抽象类

FileInputFormat 是所有以文件作为数据源的 InputFormat 实现的基类,保存作为 job 输入的所有文件,并实现了对输入文件计算 splits 的方法。不同的子类(如 TextInputFormat)负责获得记录的方法。

TextInputFormat

TextInputFormat 是默认的处理类,用于处理普通文本文件。文件中的每一行作为一个记录:

  • Key:每一行的起始偏移量
  • Value:每一行的内容

默认分隔符是换行符(\n)或回车键。

KeyValueTextInputFormat

适用于以制表符(\t)分割的多列数据:

  • Key:分隔符前的部分
  • Value:分隔符后的部分
    如果没有分隔符,整行作为 Key,Value 为空。

SequenceFile 输入格式

适用于二进制文件。

CombineFile 输入格式

适用于小文件,解决大量小文件导致的 MapTask 数量过多问题。

InputSplit的大小

InputSplit 的大小由以下公式决定:
Math.max(minSize, Math.min(maxSize, blockSize))

  • 单节点建议运行 10—100 个 Map Task
  • Map Task 执行时长不建议低于 1 分钟,否则效率低

特殊:一个输入文件大小为 140M,应该有几个 Map Task?

  • FileInputFormat 类中的 getSplits 方法决定,通常为 1 个 Map Task。

执行流程

Map 任务处理

  1. 框架使用 InputFormat 的子类把输入文件(夹)划分为多个 InputSplit,默认每个 HDFS 块对应一个 InputSplit
  2. RecordReader 将每个 InputSplit 解析成 <k1, v1>
  3. 调用 Mapper 类中的 map(...) 函数,输入是 <k1, v1>,输出是 <k2, v2>
  4. 如果有 Reduce,框架会对 Map 输出的 <k2, v2> 进行分区,默认只有 1 个分区。
  5. 数据按 k2 进行排序和分组,相同 k2v2 会分为一个组。

Reduce 任务处理

  1. 在 Reduce 阶段,框架会将多个 Map 任务的输出通过网络传输到不同的 Reduce 节点,这个过程称为 Shuffle
  2. 框架对接收到的相同分区的 <k2, v2> 数据进行合并、排序、分组。
  3. 调用 Reducer 类中的 reduce 方法,输入为 <k2, {v2...}>,输出为 <k3, v3>
  4. 最终结果保存到 HDFS 中。

自定义输出类

  • FileOutputFormat 是默认的输出类。如果需要自定义输出格式,需要继承 FileOutputFormat 并在 RecordWriter 中根据自定义的输出逻辑重写方法。

YARN

资源管理框架

架构

YARN 是 Hadoop 的资源管理框架,采用主从架构:

  • ResourceManager:管理集群资源。
  • NodeManager:管理每个节点的资源(如 CPU 和内存)。
  • ApplicationMaster:任务的调度和资源请求,需要实现 ApplicationMaster 接口才能提交到 YARN 上。

调度策略

  1. FIFO:先进先出调度策略。
  2. 公平调度:每个作业按比例分配资源。
  3. 容量调度:为每个作业分配固定的资源容量。

Shuffle 过程

Shuffle 过程简介

广义的 Shuffle 过程是指,在 Map 函数输出数据之后,并且在 Reduce 函数执行之前的过程。Shuffle 过程包含了数据的分区、溢写、排序、合并等操作。具体而言,Shuffle 主要包括以下步骤:

  1. 分区(Partitioning):根据自定义的分区规则,将 Map 输出的 <k2, v2> 数据分配到不同的 Reduce 任务。
  2. 溢写(Spill):当内存中保存的 Map 输出数据超过阈值时,数据会被溢写到本地磁盘。
  3. 排序(Sorting):Map 输出的数据会按照 Key 值进行排序,默认采用字典顺序排序。
  4. 合并(Merging):多个 Map 任务的输出会被合并,确保每个分区的数据都按顺序排列并准备好交给 Reducer 进行处理。

Shuffle 源码实现

Shuffle 过程的核心代码主要包含在 MapOutputCollector 的子实现类中。该类对象表示缓冲区,负责存储 Map 输出数据并处理 Shuffle 阶段的操作。

自定义排序

Shuffle 的默认排序方式是按照 Hash 值的字典顺序进行排序。如果需要自定义排序,可以通过实现 WritableComparable 接口并重写 compareTo 方法来指定排序规则。

自定义排序示例:

public class MyCustomComparator implements WritableComparable<MyCustomComparator> {
    private int key;
    
    @Override
    public int compareTo(MyCustomComparator other) {
        // 比较 key 的大小
        return Integer.compare(this.key, other.key);
    }
    
    // 重写其他必要的序列化和反序列化方法
}

InputFormat、FileInputFormat、TextInputFormat的区别?

这些类主要用于 Map 阶段的数据输入、切片和格式转换。

  • InputFormat 接口
    InputFormat 是一个接口,定义了两个方法:

    1. getSplits:负责实现数据切片。
    2. createRecordReader:将每个切片中的数据转换为 key-value 格式。
  • FileInputFormat
    FileInputFormat 是一个实现了 getSplits 方法的抽象基类,负责将输入数据切片,并处理数据为 key-value 格式。它实现了对数据切片的功能,默认按照文件的 HDFS 块进行切分,且溢出块最多为 10%。

  • TextInputFormat
    TextInputFormatFileInputFormat 的具体实现类,用于处理文本文件。它将每一行的偏移量作为 key,每一行的内容作为 value,并默认使用换行符作为行分隔符。它是 MapReduce 的默认输入格式。

MapReduce 执行流程?

  1. Map 阶段

    • 数据切片:Map 阶段首先将输入数据切片,每个切片对应一个 Map Task。默认情况下,TextInputFormat 会将数据按照 HDFS 块切分。
    • 格式化数据:每个切片的数据会通过 RecordReader 转换为 key-value 对,默认情况下,偏移量为 key,每行文本内容为 value
    • Map 输出:Map Task 处理每个输入的 key-value 对后,生成新的输出 k2-v2 对。输出会先进入一个 100MB 大小的环形缓冲区。当缓冲区中的数据达到 80%(80MB)时,数据会被溢写到磁盘。
    • 分区和排序:Map 输出的 k2-v2 对会进行分区,分区的数量与 Reduce 任务的数量相同。分区后,数据会按 key 排序(默认是字典顺序)。
    • Combiner 归约(可选):如果设置了 Combiner,Map 输出会在写入磁盘前进行局部聚合。
  2. Shuffle 阶段

    • 数据传输:Map 输出的每个分区会通过网络传输到相应的 Reduce 节点,这个过程叫做 Shuffle。
    • 数据合并和排序:在 Reduce 端,接收到的数据会按照 key 进行排序和分组。相同 keyvalue 会被合并为一个集合。
  3. Reduce 阶段

    • 数据处理:Reduce Task 接收到 keyvalue 集合后,调用 reduce 方法对数据进行聚合。不同的 key 会进入不同的 Reduce Task 中进行处理。
    • 结果输出:Reduce Task 将最终的输出写入 HDFS。

如何在 Map 阶段进行 Reduce 操作(MapJoin)?

使用 Combiner 可以在 Map 阶段进行局部的聚合,从而减少 Reduce 阶段的数据量。Combiner 是一个在 Map 完成后执行的“轻量级” Reduce 操作,它会对每个 Map Task 输出的数据进行初步的归约,减少 Shuffle 阶段的数据传输量。

  • MapJoin:在 setup 方法中使用小表数据与大表数据进行连接,避免 Reduce 阶段的复杂计算。

MapReduce 优化?

数据输入优化

合并小文件

问题:大量小文件会导致创建大量 Map Task,从而降低执行效率。
解决方案:

  1. 使用 CombineTextInputFormat 代替默认的 TextInputFormat,避免为每个小文件创建单独的 Map Task。
  2. 在读取数据之前,先合并小文件,减少小文件导致的 Map Task 数量。

Map 阶段优化

减少溢写次数

问题:多次溢写会导致磁盘 I/O 开销大,降低效率。
解决方案:

  1. 增大溢写触发的内存上限,减少溢写次数:

    • 设置 io.sort.mb(环形缓存区大小)来增大内存缓冲区。
    • 设置 sort.spill.percent 来调整溢写触发的比例(默认为 80%)。
  2. 使用 Combine 进行预聚合,减少 I/O。

  3. 使用 MapJoin 优化数据合并操作,在 Map 阶段完成预处理。

I/O 传输优化

问题:大量数据传输会影响 MapReduce 执行效率。
解决方案:

  1. 采用数据压缩减少网络 I/O 时间。
  2. 使用 Combine 或提前过滤数据来减少传输的数据量。
  3. 适当使用本地化 Map 任务,减少跨节点的数据传输。

Reduce 阶段优化

问题: Reduce 阶段执行效率慢。
解决方案:

  1. 合理设置 Reduce 任务的数量,避免过多的 Reduce Task。
  2. 使用 MapJoin 来减少 Reduce 阶段的数据量。
  3. 使数据分布均匀,避免数据倾斜。

MapReduce 在 YARN 上的执行流程?

  1. 资源申请

    • ResourceManager 会为每个应用(如 MapReduce 作业)在 NodeManager 中申请资源容器(container)。每个容器会分配一定量的内存、CPU 和硬盘资源,并启动一个 JVM 进程。
    • ApplicationMaster 会为作业中的每个 Task(Map 或 Reduce)向 ResourceManager 申请容器,并请求启动该容器。
  2. Task 执行

    • NodeManager 启动并分配容器资源后,执行相应的 Map 或 Reduce Task。
    • Task 执行完后,容器资源会被释放,NodeManager 收回容器。

粗粒度与细粒度资源申请

  • 细粒度资源申请(MapReduce):每个任务根据需要动态申请资源,例如 1GB 内存,只使用所需的资源。
  • 粗粒度资源申请(Spark):任务会申请一个固定大小的资源,不管任务大小如何,直到任务完成才释放资源。Spark 需要更多的内存资源,适用于内存密集型计算。

YARN 的调度策略?

YARN 中有三种调度策略,分别适用于不同的场景:

  1. FIFO Scheduler(先进先出调度器)
    按照作业提交的顺序进行调度。简单易用,但可能导致其他作业的资源请求被阻塞,不推荐在生产环境中使用。

  2. Capacity Scheduler(容量调度器)
    为不同的队列分配固定的资源容量。适用于多租户集群,每个部门或项目都能获得一定的资源份额。

  3. Fair Scheduler(公平调度器)
    每个作业根据公平原则动态调整资源分配,适用于多个作业并发执行,保证每个作业公平地分配资源。CDH 中的默认调度策略。

通过合理选择调度策略和优化 MapReduce 作业,可以显著提高作业的执行效率。

posted @ 2024-11-06 14:30  ikestu小猪  阅读(21)  评论(0编辑  收藏  举报