mapreduce原理简单叙述

概述

  1. mapreduce简介
  2. master运作
  3. worker运作
  4. 从mapreduce看分布式程序

本文假设读者对mapreduce的概念有所理解,主要讲解运行执行过程!所以至少你得知道map函数reduce函数式怎么写的。

1. mapreduce简介

mapreduce是一个分布式框架,用于大规模数据集的并行运算。简单来说,就是框架通过协作成千上万的机器来计算你的数据。这个东西大概长这个鬼样:

mapreduce原理简单叙述_第1张图片
mapreduce运行交互图

上图可以很好的说明mapreduce是如何协作成千上万台机器的。在框架中有个叫master的角色,负责接受任务分发给workers,等待workers完成任务,即可返回给用户。是不是很简单?不错,就是这样!

特别注意一下,mapreduce是基于一个分 布式文件系统的(有个东西叫GFS)。为啥要基于一个分布式文件系统?后面会讲到。

通过mapreduce来进行计算任务,你只需要提供三个东西给master:

  1. 需要计算的数据
  2. map函数
  3. reduce函数

master收到上面三个东东,即可开始一次mapreduce的计算过程,大概是

1. master切割需要计算的数据集A为n小片(好让每个worker计算量变小,分散计算)
2. master把任务分给worker执行map过程(每次只针对一个小片数据),输出中间结果B
3. master把任务分割worker执行reduce过程,reduce过程读取步骤2的中间结果B来计算,产生计算结果C
4. master合并计算结果C产生D返回

由上面可以看出,想要理解mapreduce的计算原理,只要知道数据ABCD是如何产生以及被计算的即可。其中最有意思的是结果B的产生,后面章节worker会讲到。

2. master运作

master的运作比较简单,主要作为任务分发,并不涉及到具体的计算任务。master主要作用是:

  1. 接受worker的注册
  2. 接收任务
  3. 调度worker进行任务的计算,确保任务计算成功
  4. 整合计算结果返回

master与worker一般位于不同的机器上,通信可以通过rpc。

3. worker运作

worker是主要计算过程的实现,而计算过程主要是map过程和reduce过程,所以这里主要讲述map过程的实现和reduce过程的实现!这里起到最要作用的就是分布式文件系统,这个文件系统主要用于存储中间计算结果。

3.1. map过程

mapreduce原理简单叙述_第2张图片
Paste_Image.png

我们知道master已经把要计算的原始数据分片了。假如分片x需要进行map过程,分片里面的内容会被读取出来执行map函数。然后得到一个KeyValue的列表。这些KeyValue会被写入到中间临时文件中,就是上图的tmp文件。
这里有意思的是一个分片的计算中间结果会被写入到多个tmp文件中,至于写到哪个tmp文件中?hash算法出来帮忙。这样做的目的主要是为了同一个Key的计算结果保证在同一个tmp文件中。

分布式文件系统的作用?

这里的文件都是基于分布式文件系统的,所以tmp1文件可以被所有worker访问写入,这也就是分布式文件系统的贡献。

经过Map过程,同一个Key的计算结果能保证在同一个文件中。所以,reduce计算过程也就不用跨越文件去寻找Key的计算结果了。
这里有个技巧的地方就是tmp临时文件的命名。由于reduce过程需要用到这些文件,
所以我们只需要按照一定的规则命名,reduce过程直接读取就行,没必要显示式传参数。
例如:
mrtmp-{任务名}-{map任务id}-{hash id}

3.2. reduce过程

reduce过程就比较简单了,目的就是合并相同Key的结果。由于相同Key的都在同一个文件中,所以基本就是一对一:

mapreduce原理简单叙述_第3张图片
Paste_Image.png

3.3. merge过程

这个过程就是将多个merge临时文件合并成一个结果输出。这个步骤简单到不想讲了。

4. 从mapreduce看分布式程序

从mapreduce的计算过程,我觉得有两点是对于分布式程序非常有价值的启发,虽然上面都没讲到,主要讲计算过程,哈哈。

第一点,幂等性

啥是幂等性?就是一件事你干一次和干n次结果都是一样!
为啥这里需要幂等性?
因为每一个worker都可能失联!失联?对,就是失联,不知道worker干嘛去了,反正联系不上。也许crash掉了?也许是网络抖动?不重要,联系不上你我就有可能需要叫其他worker来帮忙完成失联的worker未交待完成的任务。这时候一个任务就可能被执行两次,所以需要保证幂等性。计算多次,同一个结果!很好

第二点,容错性

啥事容错性?就是允许出错啊!这个主要是靠master来协调了。某个worker出错了master得保证把任务交给其他worker执行啊。这样worker想跪就可以放心的跪是吧,反正有别人替我完成!那么master跪了咋办?这个有点麻烦,因为master是有状态的。(保存着任务的执行状态,worker状态),所以master跪了是一件很麻烦的事情,后续会继续关注有状态的节点的容错性!

你可能感兴趣的:(mapreduce原理简单叙述)