Hadoop MapReduce概论

Hadoop MapReduce

MapReduce是一个分布式运算程序的编程框架，是基于Hadoop的数据分析计算的核心框架。

MapReduce处理过程分为两个阶段：Map 和 Reduce

Map负责把一个任务分解成多个任务。

Reduce负责把分解后多任务处理的结果汇总。

 

MapReduce的核心编程思想：

1）MapReduce运算程序一般分为两个阶段：Map阶段和Reduce阶段

2）Map阶段的开发MapTask，完全并行运行，互不干扰

3）Reduce阶段的并发ReduceTask，完全互不相干，但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出

4）MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个MaoReduce程序，串行运行。

 

MapReduce进程：

一个完整的MapReduce程序在分布式运行时有三类实例进程：

1）MrAppMaster：负责整个程序的过程调度及状态协调

2）MapTask：负责Map阶段的整个数据数据处理流程

3）ReduceTask：负责Reduce阶段的整个数据处理流程

 

MapReduce编程规范：

用户编写的程序分成三个部分：Mapper、Reducer、Driver

1.Mapper阶段

1）用户自定义的Mapper要继承自己的父类

2）Mapper的的输入数据是KV对的形式（KV的类型可定义）

3）Mapper的业务逻辑写在map()方法中

4）Mapper的输出数据是KV对的形式（KV类型可定义）

5）map（）方法（MapTask进程）对每一个<K,V>调用一次

2.Reduce阶段

1）用户自定义的Reduce要继承自己的父类

2）Reduce分输入数据类型对应Mapper的输出数据类型，也是KV

3）Reduce的业务逻辑写在reduce（）方法中

4）ReduceTask进程对每一组相同的<K,V>组调用一次reduce（）方法

3.Driver阶段

相当于YARN集群的客户端。用于提交我们整个程序到YARN集群，提交的是封装了MapReduce程序相关运行参数的job对象。

 

MapReduce的Shuffle过程详解：

1）MapTask收集map()方法输出的kv对，放到内存缓冲区中

2）从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件

3）多个溢出文件会被合并成大的溢出文件

4）在溢出过程及合并的过程中，都要调用Partitioner进行分区和针对Key进行排序

5）ReduceTask根据自己的分区号，去各个MapTask机器上取相应的结果分区数据

6）ReduceTask会取到同一个分区的来自不同MapTask的结果文件，ReduceTask会将这些文件再进行合并（归并排序）

7）合并成大文件后，Shuffle的过程也就结束了，后面进入ReduceTask的逻辑运算过程（从文件中取出一个一个的键值对Group，调用用户自定义的reduce()方法）

注意：Shuffle中的缓冲区大小会影响到MapReduce程序的执行效率，原则上说，缓冲区越大，磁盘IO的次数越少，执行速度越快。缓冲区的大小可以通过参数调整，参数：io.sort.mb默认100M

 

 

 

Combiner合并

1）Combiner是MR程序中Mapper和Reducer之外的一种组件

2）Combiner组件的父类就是Reducer

3）Combiner和Reducer的区别就是运行的位置

　　Combiner是在每一个MapTask所在的节点运行

　　Reducer是接收全局所有的Mapper的输出结果

4）Combiner的意义就是对每一个MapTask的输出进行局部汇总，以减小网络传输量

5）Combiner能够应用的前提是不能影响最终的业务逻辑，Combiner的输出Kv应该跟Reducer的输入Kv类型要对应起来

        Mapper　　　　　　　　　　　　Reducer

3 5 7 ->（3+5+7）/3=5　　　　（3+5+7+2+6）/5=23/5 不等于（5+4）/2= 9 /2

2 6 ->（2+6）/2 = 4

 

 

排序

对于MapTask，它会将处理的结果暂时放到环形缓冲区中，当环形缓冲区使用率达到一定阈值后，再对缓冲区中的数据进行一次快速排序，并将这些有序数据溢写到磁盘上，而当数据处理完后，它会对磁盘上所有文件进行归并排序。

对于ReduceTask，它从每个MapTask上远程拷贝相应的文件，如果文件大小超过一定阈值，则溢写到磁盘上，否则存储在内存中。如果磁盘上文件数目达到一定阈值，则进行一次归并排序以生成一个更大的文件；当所有数据拷贝完后，ReduceTask统一对内存和磁盘上的所有数据进行一次归并排序。

 

排序分类

1）部分排序

MapReduce根据输入记录的数据集排序，保证输出的每个文件内部有序

2）全排序

最终输出结果只有一个文件，且文件内部有序。实现方式是只设置一个ReduceTask，但该方法正处理大型文件时效率极低，因为一台机器处理所有文件，完全丧失了MapReudce所提供的并行框架。

3）辅助排序（GroupingComparaor分组）

在Reduce端对kay进行分组。应用于：在接收的key为bean对象时，想让一个或几个字段相同（全部字段比较不相同）的key进入到同一个Reduce方法时，可以采用分组排序。

4）二次排序

在自定义排序过程中，如果compareTo中的判断条件为两个即为二次排序。

 

MapTask工作机制

1）Read阶段：MapTask通过用户编写的RecordReader，从输入InputSplit中解析出一个个的key/value

2）Map阶段：该节点主要是将解析出的key/value交给用户编写map()函数处理，并产生一系列新的key/value

3）Collect收集阶段：在用户编写map()函数中，当数据处理完成后，一般会调用OutputCollect.collect()输出结果。在该函数内部，它会将生成的key/value分区（调用Partitioner），并写入一个环形内存缓冲区

4）Spill阶段：即”溢写“，当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生成一个临时文件，需要注意的是，将数据写入本地磁盘前，先要对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作。

　　4.1）溢写阶段详情

　　　　1）利用快速排序算法对缓存区内的数据进行排序，排序方式是，先按照分区编号Partition进行排序，然后按照key进行排序，这样，经过排序后，数据以分区单位聚集在一起，且同一分区内所有数据按照key有序

　　　　2）按照分区编号由小到大以此将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out（N表示当前溢写次数）中。如果用户设置了Combiner，则写入文件之前，对每个分区的数据进行一次聚集操作

　　　　3）将分区数据的元信息写到内存索引数据结构SpillRecord中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB，则将内存索引写到文件output/spillN.out.index中

5）Combiner阶段：当所有数据处理完成后，MapTask对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。

当所有数据处理完成后，MapTask会将所有临时文件合并成一个大文件，并保存到文件output/file.out中，同时生成相应的索引文件output/file.out.index　　

在进行文件合并过程中,MapTask以分区为单位进行合并，让每个MapTask最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。

 

ReduceTask工作机制

1）Copy阶段：ReduceTask从各个MapTask上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则写到磁盘上，否则直接放到内存中

2）Merge阶段：在远程拷贝数据的同时，ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多

3）Sort阶段：按照MapReduce语义，用户编写reduce()函数输入数据是按key进行聚集的一组数据。为了将key相同的数据聚在一起，Hadoop采用了基于排序策略。由于各个MapTask已经实现了对自己的处理结果进行了局部排序，因此，ReduceTask只需对所有数据进行一次归并排序即可。

4）Reduce阶段：reduce()函数将计算结果写到HDFS上

 

计数器应用

Hadoop为每个作业维护若干内置计数器，以描述多项指标。例如，某些计数器记录已处理的字节数和记录数，使用户可监控已处理的输入数据量和已产生的输出数据量。

1）计数器API

　　1.1）采用枚举的方式统计计数

　　enum.MyCounter{MALFORORMED.NORMAL}

　　//对枚举定义的自定义计算器加1

　　context.getCounter(MyCounter.MALFORORMED).increment(1);

　　1.2）采用计数组、计数器名称的方式统计

　　context.getCounter("counterGroup","counter").increment(1);

　　1.3）计数结果在程序运行后的控制台上查看

2）数据清洗ETL