Hadoop分布式计算架构流程分析-Hadoop商业环境实战

版权声明：本套技术专栏是作者（秦凯新）平时工作的总结和升华，通过从真实商业环境抽取案例进行总结和分享，并给出商业应用的调优建议和集群环境容量规划等内容，请持续关注本套博客。版权声明：禁止转载，欢迎学习。

1. Hadoop分布式计算架构流程分析

• 1）在MapReduce程序读取文件的输入目录上存放相应的文件。
• 2）客户端程序在submit()方法执行前，获取待处理的数据信息，然后根据集群中参数的配置形成一个任务分配规划。
• 3）客户端提交job.split、jar包、job.xml等文件给yarn，yarn中的resourcemanager启动MRAppMaster。
• 4）MRAppMaster启动后根据本次job的描述信息，计算出需要的maptask实例数量，然后向集群申请机器启动相应数量的maptask进程。
• 5）maptask利用客户指定的inputformat来读取数据，形成输入KV对。
• 6）maptask将输入KV对传递给客户定义的map()方法，做逻辑运算
• 7）map()运算完毕后将KV对序列化后写到环形缓冲区，环形缓冲区默认是100M,写满80%后，会根据Hash（结合Reduce Task 的数量，不会超过Reduce Task的数量）溢写，溢写过程中使缓存中的KV对按照K分区排序后不断写到磁盘文件从而形成不同的分区，若设置了本地聚合，则会合并Combiner多个溢写文件为一个。
• 9）MRAppMaster监控到所有maptask进程任务完成之后，会根据客户指定的参数启动相应数- 量的reducetask进程，并告知reducetask进程要处理的数据分区。
• 10）Reducetask进程启动之后，根据MRAppMaster告知的待处理数据所在位置，从若干台maptask运行所在机器上获取到若干个maptask输出结果文件，并在本地进行重新归并排序，然后按照相同key的KV为一个组，调用客户定义的reduce()方法进行逻辑运算。
• 11）Reducetask运算完毕后，调用客户指定的outputformat将结果数据输出到外部存储。

2. Hadoop分布式计算流程图

• 1）分布式的运算程序往往需要分成至少2个阶段。
• 2）第一个阶段的maptask并发实例，完全并行运行，互不相干。
• 3）第二个阶段的reduce task并发实例互不相干，但是他们的数据依赖于上一个阶段的所有maptask并发实例的输出。
• 4）MapReduce编程模型只能包含一个map阶段和一个reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个mapreduce程序，串行运行。
  如下图展示了这个MapReduce过程：
  

3 总结

秦凯新 于深圳