大数据 MapReduce

只要一个生命的精神世界足够丰富，他是不会感到孤独的。因为他能从不同生命中，感受到存在的意义。

前言

• 大数据 基础概念
• 大数据 Centos基础
• 大数据 Shell基础
• 大数据 ZooKeeper
• 大数据 Hadoop介绍、配置与使用
• 大数据 Hadoop之HDFS
• 大数据 MapReduce
• 大数据 Hive
• 大数据 Yarn
• 大数据 MapReduce使用
• 大数据 Hadoop高可用HA

介绍

摘录自：MapReduce

Hadoop的思想来源于Google的几篇论文，Google的那篇MapReduce论文里说：Our abstraction is inspired by the map and reduce primitives present in Lisp and many other functional languages。这句话提到了MapReduce思想的渊源，大致意思是，MapReduce的灵感来源于函数式语言（比如Lisp）中的内置函数map和reduce。函数式语言也算是阳春白雪了，离我们普通开发者总是很远。简单来说，在函数式语言里，map表示对一个列表（List）中的每个元素做计算，reduce表示对一个列表中的每个元素做迭代计算。它们具体的计算是通过传入的函数来实现的，map和reduce提供的是计算的框架。不过从这样的解释到现实中的MapReduce还太远，仍然需要一个跳跃。再仔细看，reduce既然能做迭代计算，那就表示列表中的元素是相关的，比如我想对列表中的所有元素做相加求和，那么列表中至少都应该是数值吧。而map是对列表中每个元素做单独处理的，这表示列表中可以是杂乱无章的数据。这样看来，就有点联系了。在MapReduce里，Map处理的是原始数据，自然是杂乱无章的，每条数据之间互相没有关系；到了Reduce阶段，数据是以key后面跟着若干个value来组织的，这些value有相关性，至少它们都在一个key下面，于是就符合函数式语言里map和reduce的基本思想了。

这样我们就可以把MapReduce理解为，把一堆杂乱无章的数据按照某种特征归纳起来，然后处理并得到最后的结果。Map面对的是杂乱无章的互不相关的数据，它解析每个数据，从中提取出key和value，也就是提取了数据的特征。经过MapReduce的Shuffle阶段之后，在Reduce阶段看到的都是已经归纳好的数据了，在此基础上我们可以做进一步的处理以便得到结果。这就回到了最初，终于知道MapReduce为何要这样设计。

• 上图来源于：Hadoop MapReduce Tutorial

MapReduce分析

MapReduce是Hadoop的一个核心部分，今天看了之后，觉得需要仔细学习分析下，O(∩_∩)O哈哈~

概要

MapReduce其实是分治算法的一种实现，所谓分治算法就是“就是分而治之 ，将大的问题分解为相同类型的子问题（最好具有相同的规模），对子问题进行求解，然后合并成大问题的解。

MapReduce就是分治法的一种，将输入进行分片，然后交给不同的Task进行处理，然后合并成最终的解。

• 图片来源于：MapReduce Tutorial: Introduction

MapReduce可以分为两个主要的部分Map和Reduce。Map从Input获取数据，将数据转换为形式的数据，传给Reduce进行处理，再由Reduce合并处理数据后输出用户需要的结果。

以下图为例，Splitting过程将数据拆分交由Mapping，Mapping将数据处理为的形式，而Shuffling则将数据进行合并，由Reduce进行统计，最后将结果输出。

• 图片来源于：MapReduce Tutorial: Introduction
  

• 图片来源于：What is MapReduce? How it Works - Hadoop MapReduce Tutorial

如果细分的话，还可以将MapReduce的过程细分为——Input、Split、Map、Shuffle、Reduce，分别代表了输入，数据分块，Map，Shuffle，Reduce。后面几个是我要仔细分析的部分，详细的内容请见后半部分。

上图中分为Map任务和Reduce任务两个阶段，从Map端输出到Reduce端的红色和绿色的线表示数据流的一个过程，也就是Shuffle的过程。

流程	说明
Map	数据输入，做初步的处理，输出形式的中间结果。
Shuffle	按照partition、key对中间结果进行排序合并,输出给Reducer线程。
Reduce	对相同key的输入进行最终的处理,并将结果写入到文件中。

其中Shuffle可以分为Map端部分和Reduce端部分。Map端实际包含了输入(input)过程、切分(partition)过程、溢写spill过程(sort和combine过程)、合并(merge)过程。Reduce端实际包括了复制(copy)、合并(merge)的过程。

Shuffle过程的期望

摘录自：MapReduce之Shuffle过程详述

对于Hadoop集群，当我们在运行作业时，大部分的情况下，MapTask与ReduceTask的执行是分布在不同的节点上的，因此，很多情况下，Reduce执行时需要跨节点去拉取其他节点上的MapTask结果，这样造成了集群内部的网络资源消耗很严重，而且在节点的内部，相比于内存，磁盘IO对性能的影响是非常严重的。如果集群中运行的作业有很多，那么task的执行对于集群内部网络的资源消费非常大。因此，我们对于MapRedue作业Shuffle过程的期望是：

• 完整地从MapTask端拉取数据到Reduce端；
• 在跨节点拉取数据时，尽可能地减少对带宽的不必要消耗；
• 减少磁盘IO对Task执行的影响。

Shuffle-Map

Input

在MapTask执行的时候，其输入来源HDFS的Block，MapTask只读取Split。Spilt与Block的对应关系可能是多对一，默认是一对一。

Partition

MapReduce提供了Partitioner接口，其作用是根据Key或Value及Reduce的数量来决定当前这对输出数据最终应该交由哪个ReduceTask处理。默认对Key进行哈希运算后，再以ReduceTask数量取模。接下来需要将数据写入内存缓冲区中。缓冲区的作用就是批量收集Map结果，减少磁盘I/O影响。

Spilt

内存缓冲区的大小默认是$100M$，是一个环状的缓存数组。当MapTask输出结果很多的时候，内存缓冲区可能会不足，所以需要在超过默认阈值$0.8$(io.sort.spil l.percent)的时候，就会发生Spill溢写的过程，将缓冲区中的数据临时写入到本地磁盘中，循环利用这个内存缓冲区。如果Spill溢写的过程有多次，则会有多个缓存文件。

这个Spill溢写是由单独线程来完成，不影响往缓冲区写Map结果的线程。溢写线程启动时不应该阻止Map的结果输出，所以整个缓冲区有个溢写的比例spill.percent。这个比例默认是$0.8$，也就是当缓冲区的数据已经达到阈值（$bufferSize\ast spillPercent=100MB\ast 0.8=80MB$），溢写线程启动，锁定这$80MB$的内存，执行溢写过程。MapTask的输出结果还可以往剩下的$20MB$内存中写，互不影响。

Sort

在将数据写入磁盘之前，先要对要写入磁盘的数据进行一次排序操作（在内存中完成排序，这里使用的排序方法是快排），先按中的partition分区号排序，然后再按key排序，这个就是sort操作，最后溢出的小文件是分区的，且同一个分区内是保证key有序的。

Combine

执行combine操作要求开发者必须在程序中设置了combine（程序中通过job.setCombinerClass(myCombine.class)自定义combine操作）。

• 程序中有两个阶段可能会执行combine操作：
  • Map输出数据根据分区排序完成后，在写入文件之前会执行一次Combine操作（前提是Job中设置了这个操作）；
  • 如果Map输出比较大，溢出文件个数大于3（此值可以通过属性min.num.spills.for.combine配置）时，在merge的过程（多个spill文件合并为一个大文件）中还会执行combine操作；

---

combine主要是把形如 这样的key值相同的Value进行相进行简单的统计工作，将相同的Value值进行相加，如上例的结果为。

merge

在最终结果输出之前会对多个溢写文件进行合并，保证最终输出结果有且仅有一个中间数据文件，该过程称为merge。

• 如果生成的文件太多，可能会执行多次合并，每次最多能合并的文件数默认为$10$，可以通过属性min.num.spills.for.combine配置；
• 多个溢出文件合并时，会进行一次排序，排序算法是多路归并排序；
• 是否还需要做combine操作，一是看是否设置了combine，二是看溢出的文件数是否大于等于3；
• 最终生成的文件格式与单个溢出文件一致，也是按分区顺序存储，并且输出文件会有一个对应的索引文件，记录每个分区数据的起始位置，长度以及压缩长度，这个索引文件名叫做file.out.index。

说明

Map过程的输出是写入本地磁盘而不是HDFS，因为写入到HDFS必然带来不必要的网络开销。

输出数据先存放在缓存数组中而不是直接写入到本地，好处在于可以减少磁盘I/O的开销，提高合并和排序的速度。

Shuffle-Reduce

Copy

Reduce进程启动一些数据copy线程(Fetcher)，通过HTTP方式请求MapTask所在的TaskTracker获取MapTask的输出文件。因为这时MapTask早已结束，这些文件就归TaskTracker管理在本地磁盘中。

默认情况下，当整个MapReduce作业的所有已执行完成的MapTask任务数超过MapTask总数的$5$后，JobTracker便会开始调度执行ReduceTask任务。然后ReduceTask任务默认启动mapred.reduce.parallel.copies(默认为$5$）个MapOutputCopier线程到已完成的MapTask任务节点上分别copy一份属于自己的数据。这些copy的数据会首先保存的内存缓冲区中，当内冲缓冲区的使用率达到一定阀值后，则写到磁盘上。

Merge

从Map端复制来的数据首先写到Reduce端的缓存中，同样缓存占用到达一定阈值后会将数据写到磁盘中，同样会进行partition、combine、sort等过程。如果形成了多个磁盘文件还会进行合并，最后一次合并的结果作为Reduce的输入而不是写入到磁盘中。

Reduce

Merge的最后会生成一个文件，大多数情况下存在于磁盘中，但是需要将其放入内存中。当Reducer输入文件已定，整个Shuffle阶段才算结束。然后就是Reducer执行，把结果放到HDFS上。

完整图例

点击查看原图：查看

总结

Map每次从split后的分块中一行一行的读取数据，然后将处理后的形为的数据放在buffer缓冲区中，并对数据分区partition、排序sort。当缓冲区达到默认阈值$0.8$后，会发生spill溢写操作，将数据写入到本地磁盘中。磁盘中可能会由于多次溢写生成很多个溢写小文件，而这些小文件内部是有序的，但小文件和小文件之间是无序的，所以需要进行多次归并，合并成一个全盘有序的文件。

由于一个split对应一个Map，Reduce端是从多个Map中拉取数据，所以也需要进行归并为一个有序的文件，最终每个相同的key分为一组执行一次Reduce方法，并将结果写入到HDFS中。

Hadoop中的压缩

• Hadoop学习笔记—10.Shuffle过程那点事儿——Hadoop中的压缩
  • 在文末的位置。

附录

论文

• MapReduce:Simplied Data Processing on Large Cluster

教程

• Hadoop MapReduce Tutorial
• MapReduce Tutorial: Introduction
• MapReduce之Shuffle过程详述
  • 详细的介绍了Shuffle的流程。
• Hadoop学习笔记—10.Shuffle过程那点事儿
• Hadoop学习之一： MapReduce简介
• 【Hadoop】MapReduce笔记（三）：MapReduce的Shuffle和Sort阶段详解
• MapReduce:详解Shuffle过程
• MapReduce过程详解

另辟蹊径的分析

• MapReduce 过程详解

系列文章

很赞的几篇文章

• Hadoop（十二）MapReduce概述
• Hadoop（十四）MapReduce原理分析
• Hadoop（十五）MapReduce程序实例