大数据｜MapReduce模型 | Hadoop MapReduce的基本工作原理
前文回顾：HDFS分布式文件系统
目录
对付大数据处理：分而治之
大数据的并行化计算
大数据任务划分和并行计算模型
构建抽象模型：Map和Reduce
关键思想
Map
Reduce
抽象描述
Map：(k1;v1) → [(k2;v2)]
Reduce：(k2;[v2]) → [(k3;v3)]
并行计算模型
上升到构架：自动并行化并隐藏低层细节
MapReduce的最大亮点
MapReduce提供的主要功能
任务调度
数据/代码互定位
出错处理
分布式数据存储与文件管理
合并处理
MapReduce的主要设计思想和特征
向“外”横向扩展，而非向“上”纵向扩展
失效被认为是常态
把处理向数据迁移
顺序处理数据、避免随机访问数据
为应用开发者隐藏系统层细节（最大亮点）
平滑无缝的可扩展性
Hadoop MapReduce的基本工作原理
Hadoop MapReduce基本框架与工作过程
Hadoop MapReduce主要组件
文件输入格式InputFormat
输入数据分片InputSplits
数据记录读入RecordReader
处理数据Mapper
合并操作Combiner
洗牌Partitioner & shuffle
整理Reducer
文件输出格式OutputFormat
程序执行时的容错处理与计算性能优化
对付大数据处理：分而治之
大数据的并行化计算
不可分拆的计算任务或相互间有依赖关系的数据无法进行并行计算。
一个大数据若可以分为具有同样计算过程的数据块，并且这些数据块之间不存在数据依赖关系，则提高处理速度的最好办法就是并行计算。
大数据任务划分和并行计算模型
构建抽象模型：Map和Reduce
关键思想
为大数据处理过程中的两个主要处理过程提供一种抽象机制。Map，对一组数据元素进行某种重复式的处理，Reduce，对Map的中间结果进行某种进一步的整合
Map
- 大量数据记录/元素进行重复处理
- 对每个数据记录/元素作感兴趣的处理、获取感兴趣的中间结果信息
Reduce
- 排序和整理中间结果
- 收集整理中间结果，产生最终结果输出
抽象描述
MapReduce借鉴了Lisp中的思想，定义了如下的Map和Reduce两个抽象的编程接口，由用户去编程实现。Map和Reduce为程序员提供一个清晰的操作接口抽象描述。
Map：(k1;v1) → [(k2;v2)]
- 输入：键值对(k1; v1)表示的数据
- 处理：文档数据记录(如文本文件中的行，或数据表格中的行)将以“键值对”形式传入map函数；map函数将处理这些键值对，并以另一种键值对形式输出处理的一组键值对中间结果[(k2; v2)]
- 输出：键值对[(k2; v2)]表示的一组中间数据
Reduce：(k2;[v2]) → [(k3;v3)]
- 输入： 由map输出的一组键值对[(k2; v2)] 将被进行合并处理，将同样主键下的不同数值合并到一个列表[v2]中，故reduce的输入为(k2; [v2])
- 处理：对传入的中间结果列表数据进行某种整理或进一步处理,并产生最终的某种形式的结果输出[(k3; v3)] 。
- 输出：最终输出结果[(k3; v3)]
并行计算模型
- 各个map函数对所划分的数据并行处理，从不同的输入数据产生不同的中间结果输出
- 各个reduce也各自并行计算，各自负责处理不同的中间结果数据集合
- 进行reduce处理之前，必须等到所有的map函数做完。因此,在进入reduce前需要有一个同步障(barrier);这个阶段也负责对map的中间结果数据进行收集整理(aggregation & shuffle)处理,以便reduce更有效地计算最终结果
- 最终汇总所有reduce的输出结果即可获得最终结果
例：Wordcount过程示意图
（图片来源乔诺『布菲』）
上升到构架：自动并行化并隐藏低层细节
MapReduce的最大亮点
Map Reduce提供一个统一的计算框架，可完成：
- 计算任务的划分和调度
- 数据的分布存储和划分
- 处理数据与计算任务的同步
- 结果数据的收集整理（sorting，combining，partitioning，...)
- 系统通信，、负载平衡、计算性能优化处理
- 处理系统节点出错检测和失效恢复
- 通过抽象模型和计算框架把需要做什么（what need to do)与具体怎么做（how to do)分开了，为程序员提供一个抽象和高层的编程接口和框架
- 程序员仅需要关心其应用层的具体计算问题，仅需编写少量的处理应用本身计算问题的程序代码
- 如何具体完成这个并行计算任务所相关的诸多系统层细节被隐藏起来，交给计算框架去处理：从分布代码的执行，到大到数千小到单个节点集群的自动调度使用
MapReduce提供的主要功能
任务调度
提交的一个计算作业（job）将被划分为很多个计算任务（tasks)。任务调度功能主要负责为这些划分后的计算任务分配和调度计算节点（map节点或reduce节点）；同时负责监控这些节点的执行状态，并负责map节点执行的同步控制(barrier)；也负责进行一些计算性能优化处理，如对最慢的计算任务采用多备份执行，选最快完成者作为结果
数据/代码互定位
为了减少数据通信，一个基本原则是本地化数据处理（locality），即一个计算节点尽可能处理其本地磁盘上所分布存储的数据，这实现了代码向数据的迁移；当无法进行这种本地化数据处理时，再寻找其它可用节点并将数据从网络上传送给该节点（数据向代码迁移)，但将尽可能从数据所在的本地机架上寻找可用节点以减少通信延迟。
出错处理
以低端商用服务器构成的大规模Map Reduce计算集群中节点硬件（主机、磁盘、内存等）出错和软件有bug是常态，因此，Map Reduce需要能检测并隔离出错节点，并调度分配新的节点接管出错节点的计算任务。
分布式数据存储与文件管理
海量数据处理需要一个良好的分布数据存储和文件管理系统支撑。该文件系统能够把海量数据分布存储在各个节点的本地磁盘上,但保持整个数据在逻辑上成为一个完整的数据文件；为了提供数据存储容错机制，该文件系统还要提供数据块的多备份存储管理能力。
合并处理
为了减少数据通信开销，中间结果数据做shuffle前需要进行合并（combine)处理，把具有同样主键的数据合并到起避免重复传送：一个reduce节点所处理的数据可能会来自多个map节点，因此，map节点输出的中间结果需使用一定的策略进行适当的划分（partitioner，即shuffle)处理，保证相关数据发送到同一个reducer节点。
MapReduce的主要设计思想和特征
向“外”横向扩展，而非向“上”纵向扩展
Map Reduce集群的构筑选用价格便宜、易于扩展的大量低端商用服务器，而非价格昂贵、不易扩展的高端服务器。
低端服务器市场与高容量Desktop PC有重叠的市场，因此，由于相互间价格的竞争、可互换的部件、和规模经济效应，使得低端服务器保持较低的价格基于TPC-C在2007年底的性能评估结果，一个低端服务器平台与高端的共享存储器结构的服务器平台相比，其性价比大约要高4倍；如果把外存价格除外,低端服务器性价比大约提高12倍。对于大规模数据处理，由于有大量数据存储需要，显而易见基于低端服务器的集群远比基于高端服务器的集群优越，这就是为什么Map Reduce并行计算集群会基宇低端服务器实现。
失效被认为是常态
MapReduce集群中使用大量的低端服务器，因此，节点硬件失效和软件出错是常态。（HDFS也有相应的可靠性设计，详见前文）
- 一个良好设计、具有容错性的并行计算系统不能因为节点失效而影响计算服务的质量，任何节点失效都不应当导致结果的不一致或不确定性；
- 任何一个节点失效时，其它节点要能够无缝接管失效节点的计算任务；
- 当失效节点恢复后应能自动无缝加入集群，而不需要管理员人工进行系统配置。
把处理向数据迁移
为了减少大规模数据并行计算系统中的数据通信开销，代之以把数据传送到处理节点(数据向处理器或代码迁移)，应当考虑将处理向数据靠拢和迁移。
MapReduce采用了数据/代码互定位的技术方法，计算节点将首先将尽量负责计算其本地存储的数据，以发挥数据本地化特点(locality)，仅当节点无法处理本地数据时，再采用就近原 则寻找其它可用计算节点，并把数据传送到该可用计算节点。
顺序处理数据、避免随机访问数据
大规模数据处理的特点决定了大量的数据记录不可能存放在内存，而只可能放在外存中进行处理。磁盘的顺序访问和随机访问在性能上有巨大的差异。
MapReduce设计为面向大数据集批处理的并行计算系统，所有计算都被组织成很长的流式操作，以便能利用分布在集群中大量节点上磁盘集合的高传输带宽。
为应用开发者隐藏系统细节（最大亮点）
平滑无缝的可拓展性
Hadoop MapReduce的基本工作原理
数据存储与计算节点框架
Hadoop MapReduce基本框架与工作过程
Hadoop MapReduce主要组件
文件输入格式InputFormat
定义了数据文件如何分割和读取。InputFormat提供了以下一些功能：
- 选择文件或者其它对象，用来作为输入
- 定义InputSplits, 将一个文件分为不同任务
- 为RecordReader提供一个基础，用来读取这个文件
- 有一个抽象的类FileInputFormat，所有的输入格式类都从这个类继承其功能以及特性。当启动一个Hadoop任务的时候，一个输入文件所在的目录被输入到FileInputFormat对象中。
- FileInputFormat从这个目录中读取所有文件。然后FileInputFormat将这些文件分割为多个InputSplits。通过在JobConf对象上设置JobConf.setInputFormat设置文件输入的格式：
输入数据分片InputSplits
InputSplit定义了输入到单个Map任务的输入数据
- 一个MapReduce程序被统称为一个Job，可能有上百个任务构成。
- InputSplit将文件分为64MB的大小。配置文件hadoop-site.xml中的mapred.min.split.size参数控制这个大小。
-
mapred.tasktracker.map.taks.maximum 用来控制某一个节点上所有 map 任务的最大数目。
数据记录读入RecordReader
InputSplit定义了一个数据分片，但是没有定义如何读取数据记录。RecordReader实际上定义了如何将数据记录转化为一个(key,value)对的详细方法，并将数据记录传给Mapper类。
TextInputFormat提供了LineRecordReader，读入一个文本行数据记录。
处理数据Mapper
合并操作Combiner
合并相同key的键值对，减少partitioning时候的数据通信开销。
用户可以使用JobConf.setCombinerClass(class)自定制Combiner。
洗牌Partitioner & shuffle
Sort：传输到每一个Reducer节点上的Key,value对会被Hadoop自动排序（即Map生成的结果传送到某一个节点的时候，会被自动排序）
整理Reducer
做用户定义的Reduce操作。
Reducer.Context用来获得环境参数、 设置当前执行的状态、 输出结果等。
文件输出格式OutputFormat
RecordWriter： TextOutputFormat实现了缺省的LineRecordWriter，以”key\t value ”形式输出一行结果。
程序执行时的容错处理与计算性能优化
- 由Hadoop系统自己解决
- 主要方法是将失败的任务进行再次执行
- TaskTracker会把状态信息汇报给JobTracker，最终由JobTracker决定重新执行哪一个任务
- 为了加快执行的速度，Hadoop也会自动重复执行同一个任务，以最先执行成功的为准（投机执行）。