mapreduce流程1

1. 概述
Hadoop MapReduce基于“分而治之”的思想，将计算任务抽象成map和reduce两个计算过程，计算流程如下：

map过程包括：
1). 从磁盘读入数据
2). 运行map任务
3). 写结果到磁盘
reduce过程包括：
1). shuffle&sort
2). 运行reduce任务
3). 写结果到磁盘

2. 分析
在map的第三个阶段，map任务的输出会被Partitioner类以指定的方式区分地写出到输出文件里，如果提供了Combiner，在Mapper输出键值时，键值对不会被马上写到输出里，他们会被缓冲在内存中，当达到一定的数据量时，这部分数据会在Combiner中进行合并，然后再输出到Partitioner中。 这个阶段通过将数据写入磁盘提高了系统的可靠性，但降低了性能。
在reduce的第一个阶段,Hadoop框架会根据Map结果中的key，将相关的结果传输到某一个Reducer上，这个步骤中的远程传输使用了HTTP协议。

3. 优化
对于map的第三个阶段，HOP(Hadoop Online Prototype )在保留Hadoop的容错性前提下，使数据在各个任务间以 管道的方式交互，可增加任务的并发性，缩短响应时间。sphere使用流处理计算模型，在数据由一个SPE流向另一个SPE的过程中，没有写入磁盘。
在reduce的shuffle阶段，数据传输采用HTTP协议，这样降低了系统的传输系统，可以考虑采用UDT协议（sector/sphere采用）。

4. 参考文献
http://code.google.com/p/hop/
http://cloud.csdn.net/a/20100729/277460.html
http://dongxicheng.org/mapreduce/hadoop-shuffle-phase/
http://blog.csdn.net/yfkiss/article/details/6901152
http://udt.sourceforge.net/

分享到：