MapReduce概述及MapReduce详细实现

目录

一、概述

二、定义

三、MapReduce原理

1、原理

 四、MR执行过程

1、map阶段

2、reudce阶段

3、shuffle过程

 五、MapReduce默认输入处理类

六、RecordReader

七、Inputsplit

---

一、概述

1）MapReduce是一种分布式计算模型，由Google提出，主要用于搜索领域，解决海量数据的计算问题.

2）MapReduce是分布式运行的，由两个阶段组成：Map和Reduce，Map阶段是一个独立的程序，有很多个节点同时运行，每个节点处理一部分数据。Reduce阶段是一个独立的程序，有很多个节点同时运行，每个节点处理一部分数据【在这先把reduce理解为一个单独的聚合程序即可】。

3）MapReduce框架都有默认实现，用户只需要覆盖map()和reduce()两个函数，即可实现分布式计算，非常简单。 这两个函数的形参和返回值都是，使用的时候一定要注意构造。

二、定义

MapReduce是面向大数据并行处理的计算模型、框架和平台，它隐含了以下三层含义：

1）MapReduce是一个基于集群的高性能并行计算平台（Cluster Infrastructure）。它允许用市场上普通的商用服务器构成一个包含数十、数百至数千个节点的分布和并行计算集群。

2）MapReduce是一个并行计算与运行软件框架（Software Framework）。它提供了一个庞大但设计精良的并行计算软件框架，能自动完成计算任务的并行化处理，自动划分计算数据和计算任务，在集群节点上自动分配和执行任务以及收集计算结果，将数据分布存储、数据通信、容错处理等并行计算涉及到的很多系统底层的复杂细节交由系统负责处理，大大减少了软件开发人员的负担。

3）MapReduce是一个并行程序设计模型与方法（Programming Model & Methodology）。它借助于函数式程序设计语言Lisp的设计思想，提供了一种简便的并行程序设计方法，用Map和Reduce两个函数编程实现基本的并行计算任务，提供了抽象的操作和并行编程接口，以简单方便地完成大规模数据的编程和计算处理  。

三、MapReduce原理

1、原理

 四、MR执行过程

1、map阶段

        map任务处理

1.1 框架使用InputFormat类的子类把输入文件(夹)划分为很多InputSplit，默认，每个HDFS的block对应一个InputSplit。通过RecordReader类，把每个InputSplit解析成一个个。默认，框架对每个InputSplit中的每一行，解析成一个。

1.2 框架调用Mapper类中的map(...)函数，map函数的形参是对，输出是对。一个InputSplit对应一个map task（map任务）。程序员可以覆盖map函数，实现自己的逻辑。

1.3 (假设reduce存在)框架对map输出的进行分区。不同的分区中的由不同的reduce task处理。默认只有1个分区。  (假设reduce不存在)框架对map结果直接输出到HDFS中。

1.4 (假设reduce存在)框架对每个分区中的数据，按照k2进行排序、分组。分组指的是相同k2的v2分成一个组。注意：分组不会减少数量。 1.5 (假设reduce存在，可选)在map节点，框架可以执行reduce归约。

1.6 (假设reduce存在)框架会对map task输出的写入到linux 的磁盘文件中。 至此，整个map阶段结束。

2、reudce阶段

reduce任务处理

        2.1框架对多个map任务的输出，按照不同的分区，通过网络copy到不同reduce节点。这个过程乘坐shuffle。

        2.2框架对reduce端接收的【map任务输出的】相同分区的数据进行合并、排序、分组。

        2.3框架调用Reducer类中的reduce方法，reduce方法的形参是,输出是。一个调用一次reduce函数。程序员可以覆盖reduce函数，实现自己的逻辑。

        2.4框架把reduce的输出保存到HDFS中。

至此，整个reduce阶段结束。

3、shuffle过程

1.每个map有一个环形内存缓冲区，用于存储map的输出。默认大小100MB（io.sort.mb属性），一旦达到阀值0.8（io.sort.spill.percent）,一个后台线程把内容溢写到(spilt)磁盘的指定目录（mapred.local.dir）下的一个新建文件中。

2.写磁盘前，要partition,sort。如果有combiner，combine排序后数据。

3.等最后记录写完，合并全部文件为一个分区且排序的文件。

1.Reducer通过Http方式得到输出文件的特定分区的数据。

2.排序阶段合并map输出。然后走Reduce阶段。

3.reduce执行完之后，写入到HDFS中。

 shuffle执行过程图

 五、MapReduce默认输入处理类

InputFormat 抽象类，只是定义了两个方法。

FileInputFormat

        FileInputFormat是所有以文件作为数据源的InputFormat实现的基类，FileInputFormat保存作为job输入的所有文件，并实现了对输入文件计算splits的方法。至于获得记录的方法是有不同的子类——TextInputFormat进行实现的。

TextInputFormat

        是默认的处理类，处理普通文本文件

        文件中每一行作为一个记录，他将每一行在文件中的起始偏移量作为key，每一行的内容作为value

        默认以\n或回车键作为一行记录

六、RecordReader

        每一个InputSplit都有一个RecordReader，作用是把InputSplit中的数据解析成Record，即。

        在TextInputFormat中的RecordReader是LineRecordReader，每一行解析成一个。其中，k1表示偏移量，v1表示行文本内容

七、Inputsplit

        在执行mapreduce之前，原始数据被分割成若干split，每个split作为一个map任务的输入。

        当Hadoop处理很多小文件（文件大小小于hdfs block大小）的时候，由于FileInputFormat不会对小文件进行划分，所以每一个小文件都会被当做一个split并分配一个map任务，会有大量的map task运行，导致效率底下

        例如：一个1G的文件，会被划分成8个128MB的split，并分配8个map任务处理，而10000个100kb的文件会被10000个map任务处理

        Map任务的数量

                 一个InputSplit对应一个Map task

                InputSplit的大小是由Math.max(minSize, Math.min(maxSize,blockSize))决定

                单节点建议运行10—100个map task

                map task执行时长不建议低于1分钟，否则效率低

        特殊：一个输入文件大小为140M，会有几个map task？

                FileInputFormat类中的getSplits

查看MapReduce任务输出日志

historyserver进程作用

        把之前本来散落在nodemanager节点上的日志统计收集到hdfs上的指定目录中

启动historyserver

        执行sbin/mr-jobhistory-daemon.sh start historyserver

通过master:19888观察