Hadoop大数据技术原理与应用-第四章MapReduce分布式计算框架

4.1 MapReduce 概述

4.1.1 MapReduce 核心思想

MapReduce的核心思想是“分而治之”。所谓“分而治之”就是把一个复杂的问题，按照一定的“分解"方法分为等价的规模较小的若干部分，然后逐个解决，分别找出各部分的结果，把各部分的结果组成整个问题的结果，这种思想来源于日常生活与工作时的经验，同样也完全适合技术领域。
MapReduce作为一种分布式计算模型，它主要用于解决海量数据的计算问题。使用MapReduce分析海量数据时，每个MapReduce程序被初始化为一个工作任务，每个工作任务可以分为Map和Reduce两个阶段，具体介绍如下。

• Map阶段：负责将任务分解，即把复杂的任务分解成若干个“简单的任务”来并行处理，但前提是这些任务没有必然的依赖关系，可以单独执行任务。
• Reduce阶段：负责将任务合并，即把Map阶段的结果进行全局汇总。
  

4.1.2 MapReduce 编程模型

MapReduce编程模型借鉴了函数式程序设计语言的设计思想，其程序实现过程是通过map()和reduce()函数来完成的。从数据格式上来看，map()数接收的数据格式是键值对，产生的输出结果也是键值对形式，代duce()孓数会将map0数输出的键值对作为输人，把相同key值的value进行汇总，输出新的键值对。

对于图4一3描述的MapReduce简易数据流模型说明如下：

1. 将原始数据处理成**键值对**形式。
2. 将解析后的键值对传给map()函数，map()函数会根据映射规则，将键值对映射为一系列中间结果形式的键值对。
3. 将中间形式的键值对形成形式传给 reduce()函数 处理，把具有相同key的value 合并 在一起，产生新的键值对，此时的键值对 就是最终输出的结果。
   这里需要说明的是，对于某些任务来说，可能不一定需要Reduce过程，也就是说，MapReduce的数据流模型可能只有Map过程，由Map产生的数据直接被写人HDFS中。但是，对于大多数任务来说，都是需要Reduce过程的，并且可能由于任务繁重，需要设定多个Reduce，例如，下面是一个具有多个Map和Reduce的MapReduce模型，具体如图4一4
   
   图4一4演示的是含有3个Map和2个Reduce的MapReduce程序，其中，由Map产生的相关key的输出都会集中到Reduce中处理，而Reduce是最后的处理过程，其结果不会进行第二次汇总。

4.1.3 MapReduce 编程实例——词频统计

假设有文件4-1和文件4-2两个文本文件，这两个文本文件位于HDFS中。
文件4-1 text1.txt
Hello World
Hello Hadoop
Hello itcast
文件4-2 text2.txt
Hadoop MapReduce
MapReduce Spark
根据MapReduce编程模型，那么单词计数的实现过程，如图4一5所示。

在图4-5中，首先，MapReduce通过默认组件TextlnputFormat将待处理的数据文件（如text1.txt和text2.txt)，把每一行的数据都转变为键值对（其中，对应key为偏移量，value为这一行的文本内容）；其次，调用map（）方法，将单词进行切割并进行计数，输出键值对作为Reduce阶段的输人键值对；最后，调用reduce（）方法将单词汇总、排序后，通过TextOutputFormat组件输出到结果文件中。

4.2 MapReduce 工作原理

4.2.1 MapReduce 工作过程

① 分片、格式化数据源
输人Map阶段的数据源，必须经过分片和格式化操作。其中：
- 分片操作：指的是将源文件划分为大小相等的小数据块（Hadoop2.x 中默认128MB)，也就是分片（split-逻辑分块，而block物理分块，两者默认情况是一一对应的）,Hadoop会为每一个分片构建一个Map任务，并由该任务运行自定义的map()数，从而处理分片里的每一条记录；
- 格式化操作：将划分好的分片（split）格式化为键值对形式的数据，其中，key代表偏移量，value代表每一行内容。
② 执行MapTask
每个Map任务都有一个内存缓冲区（缓冲区大小100MB），输人的分片(split)数据经过Map任务处理后的中间结果会写人内存缓冲区中。如果写人的数据达到内存缓冲的國值(80MB)，会启动一个线程将内存中的溢出数据写人磁盘，同时不影响map中间结果继续写人缓冲区。在溢写过程中，MapReduce框架会对key进行排序，如果中间结果比较大，会形成多个溢写文件，最后的缓冲区数据也会全部溢写人磁盘形成一个溢写文件，如果是多个溢写文件，则最后合并所有的溢写文件为一个文件·
③ 执行Shuffle过程
MapReduce工作过程中，Map阶段处理的数据如何传递给Reduce阶段，这是MapReduce框架中关键的一个过程，这个过程叫作Shuffle.Shuffle会将MapTask输出的处理结果数据分发给ReduceTask，并在分发的过程中，对数据按key进行分区和排序。关于Shuffle过程的具体机制．详见4.2．节。
④ 执行ReduceTask–合并
输人ReduceTask的数据流是**形式，用户可以自定义reduce(）方法进行逻辑处理，最终以**的形式输出·
⑤ 写入文件
MapReduce框架会自动把ReduceTask生成的传入OutputFormat的write方法，实现文件的写入操作。

4.2.2 MapTask 工作原理

MapTask作为MapReduce工作流程的前半部分，它主要经历了5个阶段，分别是Read阶段、Map阶段、Collect阶段、Split阶段和Combine阶段，如图4．7所示。

1. Read阶段：MapTask通过用户编写的RecordReader，从输人的InputSplit中解析出一个个key/value。
2. Map阶段：将解析出的key/value交给用户编写的map()函数处理，并产生一系列新的key/value。
3. Collect阶段：在用户编写的map()函数中，数据处理完成后，一般会调用outputCollector.collect0输出结果，在该函数内部，它会将生成的key/value分片（通过调用partitioner)，并写人一个环形内存缓冲区中。
4. Spill阶段：即“溢写”，当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写人本地磁盘前，先要对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作．
5. Combine阶段：当所有数据处理完成以后，MapTask会对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。

4.2.3 PreduceTask 工作原理

ReduceTask的工作过程主要经历了5个阶段，分别是Copy阶段、Merge阶段、Sort阶段、Reduce阶段和Write阶段，如图4．8所示。

1. Copy阶段：Reduce会从各个MapTask上远程复制一片数据，并针对某一片数据，如果其大小超过一定國值，则写到磁盘上，否则直接放到内存中。
2. Merge阶段：在远程复制数据的同时，ReduceTask会启动两个后台线程，分别对内存和磁盘上的文件进行合并，以防止内存使用过多或者磁盘文件过多。
3. Sort阶段：用户编写reduce（）方法输人数据是按key进行聚集的一组数据。为了将key相同的数据聚在一起，Hadoop采用了基于排序的策略。由于各个MapTask已经实现对自己的处理结果进行了局部排序，因此，ReduceTask只需对所有数据进行一次归并排序即可。
4. Reduce阶段：对排序后的键值对调用reduce（）方法，键相等的键值对调用一次reduce（）方法，每次调用会产生零个或者多个键值对，最后把这些输出的键值对写人到HDFS中。
5. Write阶段：reduce()函数将计算结果写到HDFS上。

4.2.4 Shuffle 工作原理

Shuffle是MapReduce的核心，它用来确保每个Reducer的输人都是按键排序的。它的性能高低直接决定了整个MapReduce程序的性能高低。接下来，通过一个图来描述Shuffle过程，具体如图4-9所示。

在图1一9中，Map和Reduce阶段都涉及了Shuffle机制，接下来，分别进行分析，具体如下：

1. Map阶段
   1. MapTask处理的结果会暂且放人一个内存缓冲区中（该缓冲区默认大小是100(B)，当缓冲区快要溢出时（默认达到缓冲区大小的80％），会在本地文件系统创建一个溢出文件，将该缓冲区的数据写人这个文件。
   2. 写人磁盘之前，线程会根据ReduceTask的数量，将数据分区，一个Reduce任务对应一个分区的数据。这样做的目的是为了避免数据倾斜（有些reduce任务分配到大量数据，而有些reduce任务分到很少的数据，甚至没有分到数据的尴尬局面）。
   3. 分完数据后，会对每个分区的数据进行排序，如果此时设置了Combiner，将排序后的结果进行Combine操作，这样做的目的是尽可能少地执行数据写人磁盘的操作。
   4. 当Map任务输出最后一个记录时，可能有很多溢出文件，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Combine操作，其目的有两个：一是尽量减少每次写人磁盘的数据量；二是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。
   5. 将分区中的数据复制给对应的Reduce任务。
2. Reduce阶段
   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阶段接收的数据量相当小，则直接存储在内存中，如果数据量超过了该缓冲区大小的一定比例，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。
   3. 合并的过程中会产生许多的中间文件（写入磁盘了），但MapReduce会让写人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人磁盘，而是直接输人到reduce函数。

4.4 MapReduce 运行模式

MapReduce程序的运行模式主要有如下两种。

1. 本地运行模式：在当前的开发环境模拟MapReduce执行环境，处理的数据及输出结果在本地操作系统。
2. 集群运行模式：把MapReduce程序打成一个jar包，提交至YARN集群上去运行任务。由于YARN集群负责资源管理和任务调度，程序会被框架分发到集群中的节点上并发地执行，因此处理的数据和输出结果都在HDFS中。集群运行模式只需要将MapReduce程序打成jar包上传至集群即可，比较简单

4.5 MapReduce性能优化策略

使用Hadoop进行大数据运算，当数据量极大时，那么对MapReduce性能的调优重要性不言而喻，尤其是Shuffle过程中的参数配置对作业的总执行时间影响特别大。下面总结一些和MapReduce相关的性能调优方法，主要从5个方面考虑：数据输人、Map阶段、Reduce阶段、Shuffle阶段和其他调优属性，

1. 数据输入
   在执行MapReduce任务前，将小文件进行合并，大量的小文件会产生大量的map任务，增大map任务装载的次数，而任务的装载比较耗时，从而导致MapReduce运行速度较慢。因此采用CombineTextInputFormat来作为输人，解决输人端大量的小文件场景。
2. Map阶段
   1. 减少溢写（spill)次数：通过调整io.sort.mb及sort.split.percent参数值，增大触发spill的内存上限，减少split次数，从而减少磁盘I/O
   2. 减少合并（mee）次数：通过调整io.sort.factor参数，增大merge的文件数目，减少merge的次数，从而缩短mr处理时间。
   3. 在map之后，不影响业务逻辑前提下，先进行combine处理，减少I/O
      上面提到的那些属性参数，都是位于mapred-default.xml文件中，这些属性参数的调优方式如表4一1所示。
      
3. Reduce阶段
   1. 合理设置map和reduce数：两个都不能设置太少，也不能设置太多。太少，会导致task等待，延长处理时间；太多，会导致map和reduce任务间竞争资源，造成处理超时等错误．
   2. 设置map和reduce共存：调整slowstart.completedmaps参数，使map运行到一定程度后，reduce也开始运行，减少reduce的等待时间·
   3. 规避使用reduce：因为reduce在用于连接数据集的时候将会产生大量的网络消耗。通过将MapReduce参数setNumReduceTasks设置为0来创建一个只有map的作业。
   4. 合理设置reduce端的buffer：默认情况下，数据达到一个阈值的时候，buffer中的数据就会写人磁盘，然后reduce会从磁盘中获得所有的数据。也就是说，buffer和reduce是没有直接关联的，中间多一个写磁盘一·读磁盘的过程，既然有这个弊端，那么就可以通过参数来配置．使得buffer中的一部分数据可以直接输送到reduce，从而减少I/O开销。这样一来，设置buffer需要内存，读取数据需要内存，red计算也要内存，所以要根据作业的运行情况进行调整。
      上面提到的属性参数，都是位于mapred-default.xml文件中，这些属性参数的调优方式如表4一2所示。
      
4. Shuffle阶段
   Shuffle阶段的调优就是给Shuffle过程尽量多地提供内存空间，以防止出现内存溢出现象，可以由参数mapred.child.java.opts来设置，任务节点上的内存大小应尽量大。
   上面提到的属性参数，都是位于mapred-site.xml文件中，这些属性参数的调优方式如表4．3所示。

5. 其他调优属性
   除此之外，MapReduce还有一些基本的资源属性的配置，这些配置的相关参数都位于mapred-default.xml文件中，可以合理配置这些属性提高MapReduce性能，表4一4列举了部分调优属性。