hadoop1.0/2.0 mapreduce架构及底层实现原理 转载自https://blog.csdn.net/yybk426/article/details/76601921

MapReduce1.x架构

客户端向JobTracker提交一个作业，JobTracker把这个作业拆分成很多份，然后分配给TaskTracker（任务执行者）去执行，TaskTracker会隔一段时间向JobTracker发送心跳信息，如果JobTracker在一段时间内没有收到TaskTracker的心跳信息，JobTracker会认为TaskTracker死掉了，会把TaskTracker的作业任务分配给其他TaskTracker。

MapReduce1.x架构存在的问题：

1.JobTracker节点压力大 
2.单点故障 
3.只能跑mapreduce作业

MapReduce2.x架构

MapReduce就是分而治之的理念，把一个复杂的任务划分为若干个简单的任务分别来做。把一些数据通过map来归类，通过reducer来把同一类的数据进行处理。map的工作就是切分数据，然后给他们分类，分类的方式就是以key,value（键值对） 分类之后，reduce拿到的都是同类数据进行处理

MapReduce执行流程

1.客户端提交一个作业

2.JobClient与JobTracker通信，JobTracker返回一个JobID

3.JobClient复制作业资源文件

将运行作业所需要的资源文件复制到HDFS上，包括MapReduce程序打包的JAR文件、配置文件和客户端计算所得的输入划分信息。这些文件都存放在JobTracker专门为该作业创建的文件夹中。文件夹名为该作业的Job ID。JAR文件默认会有10个副本（mapred.submit.replication属性控制）；输入划分信息告诉了JobTracker应该为这个作业启动多少个map任务等信息。

4.开始提交任务（任务的描述信息：包括jobid，jar存放的位置，配置信息等等）

5.初始化任务。创建作业对象

JobTracker接收到作业后，将其放在一个作业队列里，等待作业调度器对其进行调度

6.对HDFS上的资源文件进行分片，每一个分片对应一个MapperTask

当作业调度器根据自己的调度算法调度到该作业时，会根据输入划分信息为每个划分创建一个map任务，并将map任务分配给TaskTracker执行

7.TaskTracker会向JobTracker返回一个心跳信息（任务的描述信息），根据心跳信息分配任务

TaskTracker每隔一段时间会给JobTracker发送一个心跳，告诉JobTracker它依然在运行，同时心跳中还携带着很多的信息，比如当前map任务完成的进度等信息。当JobTracker收到作业的最后一个任务完成信息时，便把该作业设置成“成功”。当JobClient查询状态时，它将得知任务已完成，便显示一条消息给用户。

8.TaskTracker从HDFS上获取作业资源文件

对于map和reduce任务，TaskTracker根据主机核的数量和内存的大小有固定数量的map槽和reduce槽。这里需要强调的是：map任务不是随随便便地分配给某个TaskTracker的，这里有个概念叫：数据本地化（Data-Local）。意思是：将map任务分配给含有该map处理的数据块的TaskTracker上，同时将程序JAR包复制到该TaskTracker上来运行，这叫“运算移动，数据不移动”。而分配reduce任务时并不考虑数据本地化。

9.登录到子JVM

10.TaskTracker启动一个child进程来执行具体任务

Map端：

1．每个输入分片会让一个map任务来处理，默认情况下，以HDFS的一个块的大小（默认为64M）为一个分片，当然我们也可以设置块的大小。map输出的结果会暂且放在一个环形内存缓冲区中（该缓冲区的大小默认为100M，由io.sort.mb属性控制），当该缓冲区快要溢出时（默认为缓冲区大小的80%，由io.sort.spill.percent属性控制），会在本地文件系统中创建一个溢出文件，将该缓冲区中的数据写入这个文件。

2．在写入磁盘之前，线程首先根据reduce任务的数目将数据划分为相同数目的分区，也就是一个reduce任务对应一个分区的数据。这样做是为了避免有些reduce任务分配到大量数据，而有些reduce任务却分到很少数据，甚至没有分到数据的尴尬局面。其实分区就是对数据进行hash的过程。然后对每个分区中的数据进行排序，如果此时设置了Combiner，将排序后的结果进行Combia操作，这样做的目的是让尽可能少的数据写入到磁盘。

3．当map任务输出最后一个记录时，可能会有很多的溢出文件，这时需要将这些文件合并。合并的过程中会不断地进行排序和combia操作，目的有两个：1.尽量减少每次写入磁盘的数据量；2.尽量减少下一复制阶段网络传输的数据量。最后合并成了一个已分区且已排序的文件。为了减少网络传输的数据量，这里可以将数据压缩，只要将mapred.compress.map.out设置为true就可以了。

4．将分区中的数据拷贝给相对应的reduce任务。有人可能会问：分区中的数据怎么知道它对应的reduce是哪个呢？其实map任务一直和其父TaskTracker保持联系，而TaskTracker又一直和JobTracker保持心跳。所以JobTracker中保存了整个集群中的宏观信息。只要reduce任务向JobTracker获取对应的map输出位置就ok了哦。

Reduce端：

1．Reduce会接收到不同map任务传来的数据，并且每个map传来的数据都是有序的。如果reduce端接受的数据量相当小，则直接存储在内存中（缓冲区大小由mapred.job.shuffle.input.buffer.percent属性控制，表示用作此用途的堆空间的百分比），如果数据量超过了该缓冲区大小的一定比例（由mapred.job.shuffle.merge.percent决定），则对数据合并后溢写到磁盘中。

2．随着溢写文件的增多，后台线程会将它们合并成一个更大的有序的文件，这样做是为了给后面的合并节省时间。其实不管在map端还是reduce端，MapReduce都是反复地执行排序，合并操作，现在终于明白了有些人为什么会说：排序是hadoop的灵魂。

3．合并的过程中会产生许多的中间文件（写入磁盘了），但MapReduce会让写入磁盘的数据尽可能地少，并且最后一次合并的结果并没有写入磁盘，而是直接输入到reduce函数。

以下是mapreduce统计单词的单元测试

package com.kgc.hadoop;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

/**
 * Created by ASUS on 2017/7/25.
 */
public class MapReduceApp {
    //第一个参数输入的k，第二个参数是输入的内容字符串类型，第三个参数输出的value类型，第四个输出的词频的个数
    //第一个参数是这个文件的偏移量，第二个参数一行一行的数据，第三个参数按照分隔符把第二个参数分割，第四个参数出现的次数，赋值上1
    public static class MyMapper extends Mapper<LongWritable,Text,Text,LongWritable>{
        LongWritable one = new LongWritable(1);
        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            //拿到输入的值
            String line = value.toString();//接受每一行数据
            //对拿到的值以指定分隔符进行分割，得到的是一个字符串数组
            String[] words= line.split("\t");//按照指定的分隔符进行拆分
            //给每个单词进行迭代，
            for (String word : words){
                //借助上下文，第一个参数是解析出来的单词，第二个参数是1
                context.write(new Text(word),one);//通过上下文，把map的处理结果输出
            }
        }
    }
    //第一个参数和第二个参数就是map的输出，是reduce是输入，第三和第四个是reduce是输出
    //第一个参数和第二个参数reduce输入必须要和map输出一样，第三和第四个是reduce是输出
    public static class MyReduce extends Reducer<Text,LongWritable,Text,LongWritable>{
        //key就是map发过来的word，values就是一堆的1，Iterable values是reudce输入，可以理解为一堆的1
        @Override
        protected void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
            //下面做的是把一堆的1加起来
            long sum = 0;
            for (LongWritable value : values){
                sum+= value.get();//求出现的总数
            }
            context.write(key,new LongWritable(sum));//最终统计结果的输出
        }
    }
    //封装mapreduce作业所有信息
    public static void main(String[] args) throws Exception {
        //创建Configuration
        Configuration configuration = new Configuration();

        //准备/清理环境
        Path outputPath = new Path(args[1]);
        FileSystem fs = FileSystem.get(configuration);
        if (fs.exists(outputPath)){
            fs.delete(outputPath,true);
        }

        //创建job,wordcount是job的名称
        Job job =Job.getInstance(configuration,"wordcount");
        //设置job处理类，就是主类
        job.setJarByClass(MapReduceApp.class);
        //处理数据，就必须有一个输入路径，第一个参数job的名称，第二个参数是Path
        FileInputFormat.setInputPaths(job,new Path(args[0]));//设置作业处理的路径

        //设置map相关的
        job.setMapperClass(MyMapper.class);//设置MyMapper.class
        job.setOutputKeyClass(Text.class);//设置map输出key的类型，是Text
        job.setMapOutputValueClass(LongWritable.class);//设置map输出的value的类型

        //设置reduce相关的
        job.setReducerClass(MyReduce.class);//设置MyReduce.class
        job.setOutputKeyClass(Text.class);//设置reduce输出key的类型，是Text
        job.setMapOutputValueClass(LongWritable.class);//设置reduce输出的value的类型

        //设置作业处理的输出路径
        FileOutputFormat.setOutputPath(job,new Path(args[1]));
        boolean result = job.waitForCompletion(true);//把作业提交
        System.exit(result ? 0 : 1);//0就是true
    }
}

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60
• 61
• 62
• 63
• 64
• 65
• 66
• 67
• 68
• 69
• 70
• 71
• 72
• 73
• 74
• 75
• 76
• 77
• 78
• 79
• 80
• 81
• 82
• 83
• 84
• 85

最后感谢（中间有一段引用了）：http://weixiaolu.iteye.com/blog/1474172