MapReduce是一种分布式计算模型,由Google提出,主要用于搜索领域,MapReduce程序
本质上是并行运行的,因此可以解决海量数据的计算问题.
MapReduce任务过程被分为两个处理阶段:map阶段和reduce阶段.每个阶段都以键
值对作为输入和输出.用户只需要实现map()和reduce()两个函数即可实现分布式计算.
执行步骤:
map任务处理:
1.读取输入文件内容,解析成键值对(key/value).对输入文件的每一行,解析成
键值对(key/value).每一个键值对调用一次map函数
2.写自己的逻辑,对输入的键值对(key/value)处理,转换成新的键值对
(key/value)输出.
3.对输出的键值对(key/value)进行分区.(partition)
4.对不同分区的数据,按照key进行排序,分组.相同的key/value放到
一个集合中.(shuffle)
5.分组后的数据进行规约.(combiner,可选择的)
reduce任务处理:
1.对多个map任务的输出,按照不同的分区,通过网络copy到不同的reduce节点.
2.对多个map任务的输出进行合并,排序.写reduce函数自己的逻辑,对输入的
key/value处理,转换成新的key/value输出.
3.把reduce的输出保存到文件中(写入到hdfs中).
MapReduce作业流程:
1.代码编写
2.作业配置(输入输出路径,reduce数量等等)
3.作业提交
3.1通过JobClient提交,与JobTracker通信得到一个jar的存储路径和JobId.
3.2检查输入输出的路径
3.3计算分片信息.
3.4将作于所需要的资源(jar,配置文件,计算所得的输入分片)赋值到以作业ID
命名的HDFS上
3.5告知JobTracker作业准备执行.
4.作业初始化
当JobTracker接收到提交过来的作业后,会把次调用放入一个内部队列中,
交由作业调度器进行调度,默认是(FIFO),并对其初始化.
初始化:创建一个表示正在运行作业的对象--分装任务和记录信息,以便
跟踪任务的状态和进程.
为了创建任务列表,作业调度器首先从共享文件系统中获取已经计算好的
输入分片信息.然后为每一个分片创建一个map任务,调度器创建相应数量
的要运行的reduce任务.此时,任务被指定ID.
5.任务分配
tasktracker运行一个简单的循环来定期发送"心跳"给JobTracker,
心跳告知JobTracker,tasktracker是否还存活,同时指明tasktracker是否
已经准备好运行新的任务,如果是,JobTracker会分配给它一个任务.
6.任务执行
tasktracker拿到任务后
1.会将所有的信息拷贝到本地(包括jar,代码,配置信息,分片信息等)
2.tasktracker为任务新建一个本地工作目录,并把jar文件中的内容解压到
这个目录下.
3.tasktracker新建一个TaskRunner实例来运行该任务.
TaskRunner会启动一个新的JVM来运行每个步骤.(防止其他软件影响
到tasktracker,但是在不同的任务之间重用JVM是有可能的.
7.进度和状态的更新
task会定期向tasktracker汇报执行情况,tasktracker会定期收集所在
集群上的所有task信息,并想JobTracker汇报.JobTracker会根据所有
tasktracker汇报上来的信息进行汇总
8.作业完成
JobTracker是在接收到最后一个任务完成后,才将任务标记为"成功".
并将数据结果写入到HDFS上.
PS:
JobTracker职能:负责接收用户提交的作业,负责启动,跟踪任务执行
tasktracker职能:负责执行任务
作业失败:
1.JobTracker失败
这是最为严重的一种任务失败,失败机制--它是一个单节点故障,因此,
作业注定失败.(hadoop2.0解决了)
2.tasktracker失败
tasktracker崩溃了会停止向jobt发送心跳信息,并且JobTracker会将
tasktracker从等待的任务池中移除,将该任务转移到其他的地方执行.
JobTracker会将tasktracker加入到黑名单.
3.task失败
map或reduce运行失败,会向tasktracker抛出异常,任务挂起.
MapReduce启动流程:
start-mapred.sh --> hadoop-daemon.sh --> hadoop
-->org.apache.hadoop.mapred.JobTracker
Jobtracker调用顺序：
main --> startTracker --> new JobTracker 在其构造方法中首先创建
一个调度器，接着创建一个RPC的server（interTrackerServer）
tasktracker会通过PRC接触与其通信, 然后调用offerService方法对外
提供服务，在offerService方法中启动RPC server，初始化jobtracker，
调用taskScheduler的start方法 --> eagerTaskInitializationListener
调用start方法，接着调用jobInitManagerThread的start方法，
因为其是一个线程，会调用JobInitManager的run方法,随后
jobInitQueue任务队列去取第一个任务，然后把它丢入线程池中，
再调用-->InitJob的run方法,再然后调用jobTracker的initJob方法
--> JobInProgress的initTasks
--> maps = new TaskInProgress[numMapTasks]和
reduces = new TaskInProgress[numReduceTasks];
TaskTracker调用顺序：
main --> new TaskTracker在其构造方法中调用了initialize方法，
在initialize方法中调用RPC.waitForProxy,得到一个jobtracker的
代理对象,接着TaskTracker调用了本身的run方法，
--> offerService方法 --> transmitHeartBeat返回值是
（HeartbeatResponse）是jobTracker的指令，在transmitHeartBeat
方法中InterTrackerProtocol调用了heartbeat将tasktracker的状态
通过RPC机制发送给jobTracker,返回值就是JobTracker的指
令,heartbeatResponse.getActions()得到具体的指令，然后判断指令
的具体类型，开始执行任务,addToTaskQueue启动类型的指令
加入到队列当中，TaskLauncher又把任务加入到任务队列当中，
--> TaskLauncher的run方法 --> startNewTask方法
--> localizeJob下载资源 --> launchTaskForJob开始加载任务
--> launchTask --> runner.start()启动线程; -->
TaskRunner调用run方法 --> launchJvmAndWait启动java child进程
MapReduce的细节
序列化概念
序列化:是指把结构化对象转化为字节流.
反序列化:是序列化的逆过程.即:把字节流转回结构化对象.
hadoop序列化格式特点:
1.紧凑:高效使用存储空间
2.快速:读写数据的额外开销小
3.可扩展:可透明的读取老格式的数据
4.互操作:支持多语言交互.
hadoop序列化的作用:
序列化在分布式环境的两大作用:进程间的通信,永久存储.
hadoop节点间通信.
Partitioner编程
将有一些共同特性的数据,写入到同一个文件里.
排序和分组
在map和reduce阶段进行排序时，比较的是k2。v2是不参与排序比较的。
如果要想让v2也进行排序，需要把k2和v2组装成新的类，作为k2，
才能参与比较。如果想自定义排序规则，被排序的对象要实现
WritableComparable接口，在compareTo方法中实现排序规则，
然后将这个对象当做k2，即可完成排序分组时也是按照k2进行比较的。
Combiners编程
1.每一个map会产生大量的输出,combiner的作用就是在map端对输出
先做一次合并,以减少传输到reducer的数据量.
2.combiner最基本是实现本地key的归并,具有类似本地reduce功能
如果不用combiner,那么所有的结果都是reduce完成,效率会相对降低,
3.使用combiner,先完成的map会在本地聚合,提升速度.
PS:Combiner的输出是Reducer的输入,Combiner绝对不能改变最终的计算结果.
所以从个人角度来说,Combiner只应用于那种Reducer的输入key/value与
输出key/value类型完全一致,且不影响最终结果的场景.比如:累加,最值等.
shuffle
MapReduce确保每个Reducer的输入都按键排序,系统执行排序的过程
---将map输出作为输入传给Reducer---成为shuffle(洗牌)
1.map函数开始产生输出时,并不是简单的将它写到磁盘.它利用缓冲的
方式写到内存,并出于效率的考虑进行了预排序.
每个map任务都有一个环形内存缓冲区,用于存储任务的输出.默认情况下,
缓冲区大小为100MB,一旦缓冲内容达到阀值(默认为80%),一个后台线程
便开始把内容写到磁盘指定目录下新建一个溢写文件中.在写到磁盘过程中,
map输出继续被写到缓冲区,但如果在此期间缓冲区被填满, map会阻塞,
直到写磁盘过程完成.
2.写磁盘前，要partition,sort。如果有combiner，combine排序后数据。
3.等最后记录写完，合并全部溢写文件为一个分区且排序的文件。
Reducer如何知道要从哪个tasktracker取得map输出呢?
map任务成功完成后,它们会通知其父tasktracker状态已更新,然后tasktracker
进而通知JobTracker.这些通知在心跳机制中传输.因此,对于指定作业,
JobTracker知道map输出和tasktracker之间的映射关系. Reducer中的一个
线程定期询问JobTracker以便获取map输出的位置,直到它获得所有输出位置.
http://m.oschina.net/blog/213034