mapreduce的计算原理

第一章 mapreduce的计算原理

1.MapReduce介绍

MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）“和"Reduce（归约）”，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。 当前的软件实现是指定一个Map（映射）函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce（归约）函数，用来保证所有映射的键值对中的每一个共享相同的键组。

MapReduce 是为处理和生成大数据集的编程模式和相应的实现。
用户指定一个 map 函数来处理一个键值对来生成一个键值对的集合，
和一个 reduce 函数来合并具有相同中间键的实值。

MapReduce架构

1. MapReduce将输入的数据集逻辑切片
2. map任务以并行方式处理切片数据
3. 框架对map输出进行排序，然后将数据发送给reduce
4. MapReduce的输入输出数据存在于同一个文件系统(HDFS)
5. 框架负责任务调度，任务监控和失败任务的重新执行

MapReduce原语

“相同”的key为一组，调用一次reduce方法，方法内迭代这一组数据进行计算

输入(格式化k,v)数据集map映射成一个中间数据集(k,v)reduce

MapReduce数据结构

map:(K1,V1)→list(K2,V2)

reduce:(K2,list(V2))→list(K3,V3)

1. MapReduce处理键值对形式的很多键值对输入，生成键值对形式的很多键值对输出
2. 框架会对键和值序列化，因此键类型和值类型需要实现Writable接口。框架会对键进行排序，因此必须实现WritableComparable接口。
   • K,V使用自定义数据类型
     • 作为参数传递，节省开发成本，提高程序自由度
     • Writable序列化：使能分布式程序数据交互
     • Comparable比较器：实现具体排序（字典序，数值序等）
3. map输出键值对类型和reduce键值对输入类型一致
4. map的输入键值对类型和输出键值对类型一般不一致
5. reduce的输入键值对类型和输出键值对类型一般不一致

2.MapReduce工作流程

为什么叫MapReduce：MapTask & ReduceTask

输入的数据集逻辑切片，切得越多，并行处理的越多，数据处理的越快。

切片，Map计算，排序，将数据发送给Reduce

• 一个大的文件分为多个block块，然后用split切片切成小块，每个小块对应一个map,实现并行计算，提高计算速度。每一个map写入到环形缓冲区中，环形缓冲区（100M）写够80M就可以写入磁盘了。环形缓冲区存在于内存中，对这些map进行分区（几个reduce就对应几个分区），排序，然后发给对应的某个reduce。在发给reduce之前，可进行一次归并排序，将相同key的归并在一起，然后调用一次reduce方法，方法内部对数据进行计算。

• split切片：是为了调整map的数量，进行并行计算，提高计算速度。实际就是将map和block块做了一个解耦，实现用多个map对应一个block块。

• 从文件中一行一行读数据，输出键值对，key就是这行数据的偏移量，值是这行数据。

• 对每个键值对中的value进行处理，在这一行中，每个单词出现了几次记为键值对，key就是这个单词，value就是这个单词出现的次数。将这些键值对分好区、排好序后再落磁盘。因为如果不处理就写入磁盘的话，再进行分区排序时就需要再从磁盘中读入内存，增加工作量。

• Reduce必须拿到所有的map数据后才可以进行计算。

Map部分

• 读懂数据

• 映射为KV模型

• 并行分布式

• 计算向数据移动

reduce部分

• 数据全量/分量加工

• Reduce中可以包含不同的key

• 相同的Key汇聚到一个Reduce中

• 相同的Key调用一次reduce方法

  • 排序实现key的汇聚

Shuffle

• Shuffler<洗牌>：框架内部实现机制

• 分布式计算节点数据流转：连接MapTask与ReduceTask

sort阶段

Map数据发送给reduce何时合并，是否需要落磁盘。

各个部分对应数量关系

• block > split

  • 1:1

  • N:1

  • 1:N

• split > map

  • 1:1

• map > reduce

  • N:1

  • N:N

  • 1:1

  • 1:N

• group(key)>partition(分区：对应一个reduce)

  • 1:1
  • N:1
  • N:N
  • 1:N 错误 违背了原语 不能把一组数据分给多个reduce，可以多组数据分给多个reduce

• partition > outputfile

  • 1:1

总结

1. 一个reduce对应一个分区
2. 一个map对应一个切片split
3. reduce数量由人来决定

3.Hadoop 1.x

运行架构：体现计算向数据移动

客户端先启动，先去分析路径下的文件，进行split切片。

客户端先去产生切片清单，如：基于某个文件，该文件切成了多少个切片，每个切片多大，从哪开始到哪结束，同时取出切片对应的块的位置信息。

客户端

• 将配置文件/jar包/切片信息发送到HDFS以作业编号命名的目录中（HDFS目录）
• 计算切片信息
• 检查路径
• 出发JobTracker开始分布作业

MRv1:JobTracker和TaskTracker概述

JobTracker

• 调度作业
• 资源使用情况的监控和管理
• 从HDFS上把切片文件下载回来，然后根据资源负载情况来分析切片里的每一个map应该去到哪个节点

Hadoop中MapReduce 的执行也是采用Master/Slave 主从结构的方式。其中JobTracker 充当了Master的角色，而TaskTracker 充当了Slave 的角色。Master负责接受客户端提交的Job，然后调度Job的每一个子任务Task运行于Slave上，并监控它们。如果发现所有失败的Task就重新运行它，slave则负责直接执行每一个Task。

当Hadoop启动的时候，JobTracker 是作为单独的一个JVM来运行的。JobTracker 会一直等待JobClient通过RPC来提交作业，它调度处理JobClient提交的每一个任务，并监控它们的运行。当发现有失败的任务的时候，JobTracker会重新执行它。而且 TaskTracker 会一直向JobTracker发送心跳，询问JobTracker是否有任务需要处理。

一 概述：

(1)Hadoop MapReduce采用Master/Slave结构。

• Master：是整个集群的唯一的全局管理者，功能包括：作业管理、状态监控和任务调度等，即MapReduce中的JobTracker。
• Slave：负责任务的执行和任务状态的回报，即MapReduce中的TaskTracker。

二 JobTracker剖析：

(1)概述：JobTracker是一个后台服务进程。

启动之后，会一直监听并接收来自各个TaskTracker发送的心跳信息，包括资源使用情况和任务运行情况等信息。

(2)JobTracker的主要功能：

1. 作业控制：在hadoop中每个应用程序被表示成一个作业，每个作业又被分成多个任务，JobTracker的作业控制模块则负责作业的分解和状态监控。
   最重要的是状态监控：主要包括TaskTracker状态监控、作业状态监控和任务状态监控。
   主要作用：容错和为任务调度提供决策依据。
2. 资源管理。

三 TaskTracker剖析：

(1) TaskTracker概述：TaskTracker是JobTracker和Task之间的桥梁：

一方面，从JobTracker接收并执行各种命令：运行任务、提交任务、杀死任务等；

另一方面，将本地节点上各个任务的状态通过心跳周期性汇报给JobTracker。

TaskTracker与JobTracker和Task之间采用了RPC协议进行通信。

(2) TaskTracker的功能：

1. 汇报心跳：Tracker周期性将所有节点上各种信息通过心跳机制汇报给JobTracker。这些信息包括两部分：

   • 机器级别信息：节点健康情况、资源使用情况等。

   • 任务级别信息：任务执行进度、任务运行状态等。

2. 执行命令：JobTracker会给TaskTracker下达各种命令，主要包括：启动任务(LaunchTaskAction)、提交任务(CommitTaskAction)、杀死任务(KillTaskAction)、杀死作业(KillJobAction)和重新初始化(TaskTrackerReinitAction)。

计算框架Mapper

计算框架Reducer

MRv1角色

• JobTracker

  • 核心，主，单点
  • 调度所有的作业
  • 监控整个集群的资源负载

• TaskTracker

  • 从，自身节点资源管理
  • 和JobTracker心跳，汇报资源，获取Task

• Client

  • 作业为单位
  • 规划作业计算分布
  • 提交作业资源到HDFS
  • 最终提交作业到JobTracker

1.x 弊端

• JobTracker：负载过重，单点故障

• 资源管理与计算调度强耦合，其他计算框架需要重复实现资源管理

• 不同框架对资源不能全局管理

4.MRv2:YARN 分布式资源调度框架

4.1 YARN介绍

YARN：Yet Another Resource Negotiator；

Hadoop 2.0新引入的资源管理系统，直接从MRv1演化而来的；

• 核心思想：将MRv1中JobTracker的资源管理和任务调度两个功能分开，分别由ResourceManager和ApplicationMaster进程实现
• ResourceManager：负责整个集群的资源管理和调度
• ApplicationMaster：负责应用程序相关的事务，比如任务调度、任务监控和容错等

YARN的引入，使得多个计算框架可运行在一个集群中

• 每个应用程序对应一个ApplicationMaster
• 目前多个计算框架可以运行在YARN上，比如MapReduce、Spark、Storm等

资料

• YARN的基本思想是将JobTracker的两个主要功能（资源管理和作业调度/监控）分离，主要方法是创建一个全局的ResourceManager（RM）和若干个针对应用程序的ApplicationMaster（AM）。这里的应用程序是指传统的MapReduce作业或作业的DAG（有向无环图）。

• YARN 分层结构的本质是 ResourceManager。这个实体控制整个集群并管理应用程序向基础计算资源的分配。ResourceManager 将各个资源部分（计算、内存、带宽等）精心安排给基础 NodeManager（YARN 的每节点代理）。ResourceManager 还与 ApplicationMaster 一起分配资源，与 NodeManager 一起启动和监视它们的基础应用程序。在此上下文中，ApplicationMaster 承担了以前的 TaskTracker 的一些角色，ResourceManager 承担了 JobTracker 的角色。

• ApplicationMaster 管理一个在 YARN 内运行的应用程序的每个实例。ApplicationMaster 负责协调来自 ResourceManager 的资源，并通过 NodeManager 监视容器的执行和资源使用（CPU、内存等的资源分配）。请注意，尽管目前的资源更加传统（CPU 核心、内存），但未来会带来基于手头任务的新资源类型（比如图形处理单元或专用处理设备）。从 YARN 角度讲，ApplicationMaster 是用户代码，因此存在潜在的安全问题。YARN 假设 ApplicationMaster 存在错误或者甚至是恶意的，因此将它们当作无特权的代码对待。

• NodeManager 管理一个 YARN 集群中的每个节点。NodeManager 提供针对集群中每个节点的服务，从监督对一个容器的终生管理到监视资源和跟踪节点健康。MRv1 通过插槽管理 Map 和 Reduce 任务的执行，而 NodeManager 管理抽象容器，这些容器代表着可供一个特定应用程序使用的针对每个节点的资源。YARN 继续使用 HDFS 层。它的主要 NameNode 用于元数据服务，而 DataNode 用于分散在一个集群中的复制存储服务。

• 要使用一个 YARN 集群，首先需要来自包含一个应用程序的客户的请求。ResourceManager 协商一个容器的必要资源，启动一个 ApplicationMaster 来表示已提交的应用程序。通过使用一个资源请求协议，ApplicationMaster 协商每个节点上供应用程序使用的资源容器。执行应用程序时，ApplicationMaster 监视容器直到完成。当应用程序完成时，ApplicationMaster 从 ResourceManager 注销其容器，执行周期就完成了

4.2 MRv2作业提交流程

作业，一般是jar包的形式。

1. 客户端先向ResourceMananger取号，取号之后查看输入输出，看是否已指定，指定的话看路径是否存在。计算切片信息。计算完之后，将配置文件、jar包、切片信息等发送给了HDFS。

2. 客户端向ResourceManager提交，RS会指挥调度一个NodeManager，启动一个容器container（cpu，内存），在容器里面启动一个MRAppMaster(相当于MRv1中的JobTracker)。

3. MRAppMaster从HDFS中读取数据，计算出这个作业需要多少个Map任务，多少个Reduce任务。计算出来之后向ResourceManager请求资源，ResourceManager会调度NodeManager分配资源，NodeManager运行JVM进程，进程中运行一个MapTask或一个ReduceTask。

4. 运行期间，NodeManager和AppMaster会进行通信，NodeManager任务运行完后会通知AppMaster，AppMaster再通知客户端任务已完成。

4.2 MRv2各个角色功能

客户端

• 到RM取号，作业编号

• 检验输入目录或文件是否存在

• 检验输出目录是否指定，并且不存在

• 计算切片信息

• 将配置文件/jar包/切片信息发送到HDFS以作业编号命名的目录中（HDFS目录）

• 向RM发送请求，提交作业

• 监控作业执行的进度，每秒发送一次请求，请求作业执行进度，如果进度有变，则

• 在控制台打印进度信息

• 检查源文件是否存在，输出目录一定不能存在，切片，向resourceManager取号，将数据传到HDFS后，RM运行一个MRAPPMaster。由APPMASTER和NodeManager沟通分配资源运行。

HDFS

• 存储配置文件/jar包/切片信息

ResourceManager

• 调度NodeManager，让NM分配一个容器container，运行MRAppMaster程序

• RM会调度NodeManager分配容器，用于运行map任务或者reduce任务

• 协调集群中计算资源的分配

NodeManager

• 分配容器（指cpu和内存），根据MRAppMaster的请求，运行指定的任务，map任务或者reduce任务

• 当任务运行结束，要通知MRAppMaster，MRAppMaster做后续的处理

• 启动并监控集群中的计算容器

MRAppMaster

MRAppMaster是MapReduce的ApplicationMaster实现，它使得MapReduce计算框架可以运行于YARN之上。在YARN中，MRAppMaster负责管理MapReduce作业的生命周期，包括创建MapReduce作业，向ResourceManager申请资源，与NodeManage通信要求其启动Container，监控作业的运行状态，当任务失败时重新启动任务等。

• 负责计算的监控/失败重试/计算调度

• 收集HDFS上的配置文件/jar包/切片信息

• 分析出需要运行多少个Map任务，多少个reduce任务

• 向RM发送请求，让RM分配容器，运行map任务

• 当map任务完成5%之后，为reduce申请容器

• 协调MapReduce作业中任务的运行，AppMaster和MapReduce任务运行于容器中，这些容器由resourcemanager调度，由nodemanager管理

4.3 MRv2：On YARN

MapReduce On YARN：MRv2

将MapReduce作业直接运行在YARN上，而不是由JobTracker和TaskTracker构建的MRv1系统中

基本功能模块

• YARN：负责资源管理和调度
• MRAppMaster：负责任务切分、任务调度、任务监控和容错等
• MapTask/ReduceTask：任务驱动引擎，与MRv1一致

每个MapRduce作业对应一个MRAppMaster

• MRAppMaster任务调度

• YARN将资源分配给MRAppMaster

• MRAppMaster进一步将资源分配给内部的任务

MRAppMaster容错

• 失败后，由YARN重新启动

• 任务失败后，MRAppMaster重新申请资源

YARN：解耦资源与计算

• ResourceManager

  • 主，核心

  • 集群节点资源管理

• NodeManager

  • 与RM汇报资源
  • 管理Container生命周期
  • 计算框架中的角色都以Container表示

• Container：【节点NM，CPU,MEM,I/O大小，启动命令】

  • 默认NodeManager启动线程监控Container大小，超出申请资源额度，kill
  • 支持Linux内核的Cgroup

MR

• MR-ApplicationMaster-Container

  • 作业为单位，避免单点故障，负载到不同的节点
  • 创建Task需要和RM申请资源（Container）

• Task-Container

Client：

• RM-Client：请求资源创建AM

• AM-Client：与AM交互