大数据学习笔记之分布式并行处理MapReduce

谷歌公司最先提出了分布式并行编程模型MapReduce，Hadoop MapReduce是它的 开源实现，后者比前者使用门槛低很多。
MapReduce和传统的并行计算框架的比较

	传统并行计算框架	MapReduce
集群架构/容错性	共享式（共享式存储/共享内存）	非共享式，容错性好
硬件/价格/扩展性	刀片服务器、高速网、SAN、价格贵，扩展性差	普通PC机，便宜，扩展性好
编程/学习难度	what-how，难	what，简单
使用场景	实时、细粒度计算、计算密集型	批处理、非实时、数据密集型

1.MapReduce模型简介

• MapReduce将复杂的、运行于大规模集群上的并行计算过程高度地抽象到了两个函数：Map和 Reduce
• 编程容易，不需要掌握分布式并行编程细节，也可以很容易把自己的程序运行在分布式系统上，完
  成海量数据的计算
• MapReduce采用“分而治之”策略，一个存储在分布式文件系统中的大规模数据集，会被切分成 许多独立的分片（split），这些分片可以被多个Map任务并行处理
• MapReduce设计的一个理念就是“计算向数据靠拢”，而不是“数据向计算靠拢”，因为，移动
  数据需要大量的网络传输开销
• MapReduce框架采用了Master/Slave架构，包括一个Master和若干个Slave。Master上运行 JobTracker，Slave上运行TaskTracker
• Hadoop框架是用Java实现的，但是，MapReduce应用程序则不一定要用Java来写
  

2.MapReduce体系结构

MapReduce体系结构主要由四个部分组成，分别是：Client、JobTracker、TaskTracker以及Task，如下图：

• Client 用户编写的MapReduce程序通过Client提交到JobTracker端,用户可通过Client提供的一些接口查看作业运行状态
• JobTracker 负责资源监控和作业调度 ,JobTracker会监控所有TaskTracker与Job的健康状况，一旦发现失败，就将相应的任务转移到其他节点，JobTracker 会跟踪任务的执行进度、资源使用量等信息，并将这些信息告诉任务 调度器（TaskScheduler），而调度器会在资源出现空闲时，选择合适的任务去使用这些资源
• TaskTracker TaskTracker 会周期性地通过“心跳”将本节点上资源的使用情况和任务的运行进 度汇报JobTracker，同时接收JobTracker 发送过来的命令并执行相应的操作（如启动新任务、杀死任务等），TaskTracker 使用“slot”等量划分本节点上的资源量（CPU、内存等）。一个Task 获取到一个slot 后才有机会运行，而Hadoop调度器的作用就是将各个TaskTracker 上的空闲slot分配给Task使用。slot 分为Map slot 和Reduce slot 两种，分别供 MapTask 和Reduce Task 使用
• Task Task 分为Map Task 和Reduce Task 两种，均由TaskTracker 启动

2.1 工作流程

2.2MapReduce各个执行阶段

• Split(分片) HDFS 以固定大小的block 为基本单位存储数据，而对于MapReduce 而言，其处理单位是split。split 是一个逻辑概念，它只包含一些元数据信息，比如数据起始位置、数据长度、数据所在节点等。 split的划分方法完全由用户自己决定。
• Map任务的数量 Hadoop为每个split创建一个Map任务，split 的多少决定了Map任务的数目。 大多数情况下，理想的分片大小是一个HDFS块
• Reduce任务的数量最优的Reduce任务个数取决于集群中可用的reduce任务槽(slot)的数目，通常设置比reduce任务槽数目稍微小一些的Reduce任务个数（这样可以预留 一些系统资源处理可能发生的错误）

Shuffle过程详解

shuffle过程，是指对Map输出结果进行分区、排序、合并等处理并交给Reduce的过程，因此Shuffle过程可以分为Map端的操作和Reduce端的操作，