Hadoop学习笔记(5)-MapReduce

自行整理, 学习用途, 侵知删歉

一.MapReduce定义

  • MP是一种编程模型
  • 记录导向的数据处理方式(键值对)
  • 帮助多节点下的任务分配
  • 由Map和Reduce两部分组成
    Mapper每次对一个独立记录进行处理
    Reducer汇集Mapper送来的结果
  • Map后的数据通过shuffle和sort送往Reduce


    Hadoop学习笔记(5)-MapReduce_第1张图片
  • 自动并行和分布
  • 容错功能
  • 具备状态和监控工具

二.基本概念

  • 每一个Mapper处理一个HDFS单独的input split
  • Hadoop一次发送一条记录给Mapper代码
  • 每一个记录有一个键值对
  • 中间环节的数据由Mapper保存到本地磁盘
  • 在shuffle和sort过程, 所有有相同中间环节key的value都被转换到相同的Reducer
    开发者确定Reducer的数量
  • Reducer传送每一个key和相对应的一组values
  • Reducer的输出写到HDFS

举例:
数据源:

行数 内容
1202 the cat sat on the mat
1225 the aardvark sat on the sofa

Mapper:

// assume input is a set of text files
// k is a byte offset
// v is the line for that offset
let map(k, v) =
  foreach word in v:
    emit(word, 1)

产生结果:

(the, 1), (cat, 1), (sat, 1), (on, 1), (the, 1), (mat, 1), (the, 1), (aardvark, 1), (sat, 1), (on, 1), (the, 1), (sofa, 1)

经过shuffle sort后输入给Reducer的结果为:

(aardvark, [1])
(cat, [1])
(mat, [1])
(on, [1, 1])
(sat, [1, 1])
(sofa, [1])
(the, [1, 1, 1, 1])

Reducer

// k is a word, vals is a list of 1s
let reduce(k, vals) =
  sum = 0
  foreach (v in vals):
    sum = sum + v
  emit (k, sum)

最终输出为[保存至HDFS]:

(aardvark, 1)
(cat, 1)
(mat, 1)
(on, 2)
(sat, 2)
(sofa, 1)
(the, 4

三.YARN 集群架构

Yarn : Yet Another Resource Negotiator

使用`ResourceManager/NodeManager 结构
支持: MapReduce v2, Impala, Spark, Giraph等处理框架

MapReduce v1:

使用'JobTracker/TaskTracker'结构

1. YARN 守护进程

  • ResourceManager 每个集群1个
    • 启动程序启动, 规划分配slave节点的资源, 分配Container
  • NodeManager 每个slave节点1个
    • 启动程序进程, 管理slave节点的资源
  • JobHistoryServer 每个集群1个
    • job的数据和元数据归档
Hadoop学习笔记(5)-MapReduce_第2张图片

然后和HDFS结合一下:

Hadoop学习笔记(5)-MapReduce_第3张图片
一个典型的YARN集群

MapReduce术语:
Job

Mapper, Reducer, 需要处理的输入
也可以叫做一个应用

Task

一个工作独立的任务
一个Job被分成许多task: 每一个task是一个Map或者是Reducetask
一个task在slave中的一个Container中运行

Client

一个把job提交给ResourceManager的程序, 也可以指运行程序的机器

Container

  • 由ResourceManager分配
  • 在slave node需要一定的资源(内存, cpu)
  • 应用程序在1个或多个Container内运行


    Hadoop学习笔记(5)-MapReduce_第4张图片
    Container

** Application Master**

  • 每一个应用有一个Application Master
  • 框架/application specific (MRAppMaster for MapReduce)
  • slavecontainer中运行
  • 会请求更多的container来运行application tasks


    Hadoop学习笔记(5)-MapReduce_第5张图片
    Application Master

** ResourceManager**

  • 管理节点
    跟进NodeManager的心跳
  • 运行一个scheduler
    决定资源如何分配
  • 管理container
    创建一个ApplicationMaster的container, 并追踪心跳
    管理ApplicationMaster的资源请求
    当container失效后,或者应用完成后解除分配
    管理集群级别的安全

Nodemanager

  • 和ResourceManager通信
    注册和提供节点的资源信息
    发送心跳和container的状态
  • 管理进程
    启动ApplicationMaster
    启动应用程序进程
    监控container使用的资源, 杀死错误的进程
    汇总应用的日志并保存在HDFS中
    运行辅助服务
    维护节点级别的安全

流程:

  1. client提交任务, ResourceManager提交一个Application Master到 NodeManager
  1. Application Master启动其他container[slave nodes]里面的Map tasks
  2. slave nodes里的Map tasks运行
  3. Application Master启动其他container[slave nodes]里面的Reduce tasks
  4. slave nodes里的Reduce tasks运行
    6.完成后Application Master告诉Job History Server记录
    7.Application Master告诉Resource Manager收回资源, 关闭Application Manager
Hadoop学习笔记(5)-MapReduce_第6张图片

日志汇集

log文件存放在slave节点本地
Yarn提供了应用Log汇集的服务:

先由NodeManager把本地日志放到HDFS
根据job(application)汇总log
可以根据HDFS客户端, 命令行, Yarn Web UI访问


Hadoop学习笔记(5)-MapReduce_第7张图片

本地资源

  • MapReduce任务需要访问本地资源文件[slave节点上的硬盘]
  • 用于Map task的输出[中间数据]
  • 分布的内存[cache] : the JAR file contains the program binary to run


    Hadoop学习笔记(5)-MapReduce_第8张图片

辅助auxiliary服务

配置NodeManager可以运行辅助服务[为提供服务的持续的应用]
在NodeManager的JVM中运行
MapReduce的shuffle和sort会用到

Shuffle

shuffule包括Map阶段的spill和Reduce阶段的copysort

Hadoop学习笔记(5)-MapReduce_第9张图片
Paste_Image.png

spill: Map输出的结果不断的写到一个环形内存中, 默认80%后保存到HDFS中
Map任务如果输出数据量很大,可能会进行好几次Spill,out文件和Index文件会产生很多,分布在不同的磁盘上。最后把这些文件进行合并的merge, merge过程创建一个叫file.out的文件和一个叫file.out.Index的文件用来存储最终的输出和索引.
Hadoop学习笔记(5)-MapReduce_第10张图片

Reduce侧的 copysort
copy:
Reduce任务通过HTTP向各个Map任务拖取它所需要的数据, 在内存中每个Map对应一块数据,当内存中存储的Map数据占用空间达到一定程度的时候,开始启动内存中merge,把内存中的数据merge输出到磁盘上一个文件中.
(Merge)Sort
这里使用的Merge和Map端使用的Merge过程一样。Map的输出数据已经是有序的,Merge进行一次合并排序,所谓Reduce端的sort过程就是这个合并的过程。一般Reduce是一边copy一边sort,即copy和sort两个阶段是重叠而不是完全分开的。

申请资源

ApplicationMaster向ResourceManager请求资源, 请求的格式如下:


Hadoop学习笔记(5)-MapReduce_第11张图片

流程简图:
client提交程序后, ResourceManager会在一个slaveNode上创建AppMaster, AppMaster会向ResourceManager请求资源, 请求到的资源会以container的形式分配, container会提交给NodeManager. NodeManager启动tasks.

Hadoop学习笔记(5)-MapReduce_第12张图片
AppMaster向ResourceManager请求资源

Hadoop学习笔记(5)-MapReduce_第13张图片
ResourceManager分配container
Hadoop学习笔记(5)-MapReduce_第14张图片
启动task

容错处理

task失败?

AppliacationMaster会重试task, 4次重试失败后会停止响应

ApplicationMaster失败?

如果应用挂了, 或者ApplicationMaster没有发送心跳, ResourceManager会重启整个应用, [最多2次重试]
备选项:Job recovery
设为false: 所有tasks会重跑
设为true: AppMaster会回溯所有tasks的状态, 只有未完成的task会重跑

NodeManager失败?

如果NodeManager没有发送心跳了, 这个Node就会从active列表中移除;
这个节点上的tasks也会定为失败;
如果有ApplicationMaster的节点挂了, 这整个应用都算挂了

ResourceManager失败?

那就没有应用,或者tasks可以启动了;
可以设置成high availability(HA)


Hadoop学习笔记(5)-MapReduce_第15张图片

你可能感兴趣的:(Hadoop学习笔记(5)-MapReduce)