大数据时代之hadoop(五):hadoop 分布式计算框架(MapReduce)
大数据时代之hadoop(三):hadoop数据流(生命周期)
大数据时代之hadoop(四):hadoop 分布式文件系统(HDFS)
hadoop的核心分为两块,一是分布式存储系统-hdfs,这个我已经在上一章节大致讲了一下,还有一个就是hadoop的计算框架-mapreduce。
mapreduce事实上就是一个移动式的基于key-value形式的分布式计算框架。
其计算分为两个阶段,map阶段和reduce阶段,都是对数据的处理,由于其入门很easy,可是若想理解当中各个环节及实现细节还是有一定程度的困难,因此我计划在本文中仅仅是挑几个mapreduce的核心来进行分析解说。
1、MapReduce驱动程序默认值
编写mapreduce程序easy入手的当中一个原因就在于它提供了一些了的默认值,而这些默认值刚好就是供开发环境设置而设定的。
尽管easy入手,但还是的理解mapreduce的精髓,由于它是mapreduce的引擎,仅仅有理解了mapreduce的核心,当你在编写mapreduce程序的时候,你所编写的程序才是终于稳重的。想要的程序。废话少说,见以下代码:
public int run(String[] args) throws IOException { JobConf conf = new JobConf(); /** *默认的输入格式,即mapper程序要处理的数据的格式。hadoop支持非常多种输入格式,以下会具体解说, *但TextInputFormat是最常使用的(即普通文本文件,key为LongWritable-文件里每行的開始偏移量,value为Text-文本行)。**/ conf.setInputFormat(org.apache.hadoop.mapred.TextInputFormat.class); /** *真正的map任务数量取决于输入文件的大小以及文件块的大小 **/ conf.setNumMapTasks(1); /** *默认的mapclass,假设我们不指定自己的mapper class时,就使用这个IdentityMapper 类 **/ conf.setMapperClass(org.apache.hadoop.mapred.lib.IdentityMapper.class); /** * map 任务是由MapRunner负责执行的。MapRunner是MapRunnable的默认实现,它顺序的为每一条记录调用一次Mapper的map()方法,具体解释代码 --重点 */ conf.setMapRunnerClass(org.apache.hadoop.mapred.MapRunner.class); /** * map任务输出结果的key 和value格式 */ conf.setMapOutputKeyClass(org.apache.hadoop.io.LongWritable.class); conf.setMapOutputValueClass(org.apache.hadoop.io.Text.class); /** * HashPartitioner 是默认的分区实现,它对map 任务执行后的数据进行分区,即把结果数据划分成多个块(每一个分区相应一个reduce任务)。 * HashPartitioner是对每条 记录的键进行哈希操作以决定该记录应该属于哪个分区。 * */ conf.setPartitionerClass(org.apache.hadoop.mapred.lib.HashPartitioner.class); /** * 设置reduce任务个数 */ conf.setNumReduceTasks(1); /** *默认的reduce class,假设我们不指定自己的reduce class时,就使用这个IdentityReducer 类 **/ conf.setReducerClass(org.apache.hadoop.mapred.lib.IdentityReducer.class); /** * 任务终于输出结果的key 和value格式 */ conf.setOutputKeyClass(org.apache.hadoop.io.LongWritable.class); conf.setOutputValueClass(org.apache.hadoop.io.Text.class); /** * 终于输出到文本文件类型中 */ conf.setOutputFormat(org.apache.hadoop.mapred.TextOutputFormat.class);/*]*/ JobClient.runJob(conf); return 0; }
我要说的大部分都包括在了代码的凝视里面,除此之外,另一点:因为java的泛型机制有非常多限制:类型擦除导致执行过程中类型信息并不是一直可见,所以hadoop须要明白设定map。reduce输入和结果类型。
上面比較重要的就是MapRunner这个类,它是map任务执行的引擎,默认实现例如以下:
public class MapRunner<K1, V1, K2, V2> implements MapRunnable<K1, V1, K2, V2> { private Mapper<K1, V1, K2, V2> mapper; private boolean incrProcCount; @SuppressWarnings("unchecked") public void configure(JobConf job) { //通过反射方式取得map 实例 this.mapper = ReflectionUtils.newInstance(job.getMapperClass(), job); //increment processed counter only if skipping feature is enabled this.incrProcCount = SkipBadRecords.getMapperMaxSkipRecords(job)>0 && SkipBadRecords.getAutoIncrMapperProcCount(job); } public void run(RecordReader<K1, V1> input, OutputCollector<K2, V2> output, Reporter reporter) throws IOException { try { // allocate key & value instances that are re-used for all entries K1 key = input.createKey(); V1 value = input.createValue(); while (input.next(key, value)) { // map pair to output //循环调用map函数 mapper.map(key, value, output, reporter); if(incrProcCount) { reporter.incrCounter(SkipBadRecords.COUNTER_GROUP, SkipBadRecords.COUNTER_MAP_PROCESSED_RECORDS, 1); } } } finally { mapper.close(); } } protected Mapper<K1, V1, K2, V2> getMapper() { return mapper; } }
要相信,有些时候还是看源代码理解的更快!
2、shuffle
shuffle过程事实上就是从map的输出到reduce的输入过程中所经历的步骤,堪称mapreduce的“心脏”,分为3个阶段,map端分区、reduce端复制、reduce排序(合并)阶段。
2.1、map端分区
因为在mapreduce计算中。有多个map任务和若干个reduce不论什么。并且各个任务都可能处于不同的机器里面,所以怎样从map任务的输出到reduce的输入是一个难点。
map函数在产生输出时,并非简单的写到磁盘中,而是利用缓冲的形式写入到内存,并出于效率进行预排序,步骤例如以下图:
在写磁盘之前,线程首先依据reduce的个数将输出数据划分成响应的分区(partiton)。在每一个分区中。后台线程按键进行内排序,假设有个一combiner,它会在排序后的输出上执行。
2.2、reduce端复制阶段
因为map任务的输出文件写到了本地磁盘上,并且划分成reduce个数的分区(每一个reduce须要一个分区)。因为map任务完毕的时间可能不同,因此仅仅要一个任务完毕。reduce任务就開始复制其输出,这就是reduce任务的复制阶段。如上图所看到的。
2.3、reduce端排序(合并)阶段
复制全然部map输出后,reduce任务进入排序阶段(sort phase),这个阶段将合并map输出,维持其顺序排序,如上图所看到的。
3、输入与输出格式
随着时间的添加,数据的增长也是指数级的增长。且数据的格式也越来越多,对大数据的处理也就越来越困难。为了适应能够处理各种各样的数据,hadoop提供了一系列的输入和输出格式控制,其目的非常easy,就是能够解析各种输入文件,并产生须要的输出格式数据。
可是无论处理哪种格式的数据,都要与mapreduce结合起来,才干最大化的发挥hadoop的有点。
这部分也是hadoop的核心啊!
3.1、输入分片与记录
在讲HDFS的时候,说过,一个输入分片就是由单个map任务处理的输入块。一个分片的大小最好与hdfs的块大小同样。
每一个分片被划分成若干个记录,每一个记录就是一个键值对,map一个接一个的处理每条记录。
在数据库常见中,一个输入分片能够相应一个表的若干行,而一条记录相应一行(DBInputFormat)。
输入分片在hadoop中表示为InputSplit接口,有InputFormat创建的。
InputFormat负责产生输入分片并将他们切割成记录,其仅仅是一个接口。详细任务有详细实现去做的。
3.2、FileInputFormat
FileInputFormat是全部使用文件作为其数据源的InputFormat实现的基类,它提供了两个功能:一个定义哪些文件包括在作业的输入中;一个为输入文件产生分片的实现。把分片割成基类的作业有其子类实现,FileInputFormat是个抽象类。
FileInputFormat实现了把文件分区的功能。但它是怎么来实现了呢?须要先说三个參数:
属性名称 | 类型 | 默认值 | 描写叙述 |
mapred.min.split.size | Int | 1 | 一个文件分片的最小字节数 |
mapred.max.split.size | Long | Long.MAX_VALUE | 一个文件分片的最大字节数 |
dfs.block.size | long | 64M | HDFS中块大小 |
分片的大小有一个公式计算(參考FileInputFomat类的computeSplitSize()方法)
max(minimumSize,min(maximumSize,blockSize))
默认情况下: minimumSize < blockSize < maximumSize
FileInputFormat仅仅切割大文件,即文件大小超过块大小的文件。
FileInputFormat生成的InputSplit是一整个文件(文件太小,未被分区,整个文件当成一个分区。供map任务处理)或该文件的一部分(文件大,被分区)。
3.3、经常使用的InputFormat实现
小文件与CombineFileInputFormat
尽管hadoop适合处理大文件,但在实际的情况中,大量的小文件处理是少不了的,因此hadoop提供了一个CombineFileInputFormat。它针对小文件而设计的。它把多个文件打包到一个分片中一般每一个mapper能够处理很多其它的数据。
TextInputFormat
hadoop默认的InputFormat。每一个记录的键是文件里行的偏移量,值为行内容。
KeyValueInputFormat
适合处理配置文件,文件里行中为key value格式的,如key=value类型的文件 ,key即为行中的key。value即为行中的value。
NLineInputFormat
也是为处理文本文件而开发的。它的特点是为每一个map任务收到固定行数的输入,其它与TextInputFormat类似。
SequenceFileInputFormat(二进制输入)
hadoop的顺序文件格式存储格式存储二进制的键值对序列,因为顺序文件里面存储的就是map结构的数据。所以刚好能够有SequenceFileInputFormat 来进行处理。
DBInputFormat
顾名思义。用于使用jdbc从关系数据库中读取数据。
多种输入
MultipleInputs类能够用来处理多种输入格式的数据,如输入数据中包括文本类型和二进制类型的。这个时候就能够用 MultipleInputs来指定某个文件有哪种输入类型和哪个map函数来解析。
3.4、输出格式
既然有输入格式,就有输出格式。与输入格式相应。
默认的输出格式是TextOutputFormat,它把记录写成文本行。键值对能够是随意类型, 键值对中间默认用制表符切割。
3.5、hadoop特性
除了上面几点之外,还有计数器、排序、连接等须要关注。详细待兴许吧。。。