MapReduce介绍及执行过程

MapReduce介绍

• Hadoop MapReduce是一个分布式计算框架，用于轻松编写分布式应用程序，这些应用程序以可靠，容错的方式并行处理大型硬件集群（数千个节点）上的大量数据（多TB数据集）。
• MapReduce是一种面向海量数据处理的一种指导思想，也是一种用于对大规模数据进行分布式计算的编程模型，由于计算时长及效率不高，所以现在基于大数据的分布式计算框架mapreduce并不常用，但是有些软件依然依赖于mapreduce设计思想。

MapReduce特点

• 易于编程：
  Mapreduce框架提供了用于二次开发的接口；简单地实现一些接口，就可以完成一个分布式程序。任务计算交给计算框架去处理，将分布式程序部署到hadoop集群上运行，集群节点可以扩展到成百上千个等。
• 良好的扩展性：
  当计算机资源不能得到满足的时候，可以通过增加机器来扩展它的计算能力。基于MapReduce的分布式计算得特点可以随节点数目增长保持近似于线性的增长，这个特点是MapReduce处理海量数据的关键，可以扩展为成百上千个节点很容易地处理数百TB甚至PB级别的离线数据。
• 高容错性：
  Hadoop集群是分布式部署的，如果任意一个节点宕机了，它可以把上面的计算任务转移到另一个节点上运行，不影响整个作业任务得完成，过程完全是由Hadoop内部完成的。
• 海量数据离线处理
  TB、PB级别的海量数据。
• KV键值存储
  整个MapReduce程序中，数据都是以kv键值对的形式流转的。

MapReduce缺点及局限性

• 实时计算能力差：
  MapReduce主要应用于离线作业，无法作到秒级或者是亚秒级的数据响应。
• 不能进行流式计算：
  流式计算特点是数据是源源不断地计算，并且数据是动态的；而MapReduce作为一个离线计算框架，主要是针对的是静态数据集而数据是不能动态变化的。

MapReduce实例进程

一个完整的MapReduce程序在分布式运行时有三类

1. MRAppMaster：负责整个MR程序的过程调度及状态协调。
2. MapTask：负责map阶段的整个数据处理流程。
3. ReduceTask：负责reduce阶段的整个数据处理流程。
   

MapReduce阶段组成

• 一个MapReduce编程模型中只能包含一个Map阶段和一个Reduce阶段，或者只有Map阶段，不能有诸如多个map阶段，多个reduce阶段；如果业务逻辑复杂，只能用多个mapreduce串行运行。
  

MapReduce执行流程

• MapReduce整体执行流程图
  

Map阶段执行流程

1. 把输入目录下文件按照一定的标准逐个进行逻辑切片，形成切片规划。默认Split size = Block size（128M），每一个切片由一个MapTask处理（getSplits）。
2. 对切片中的数据按照一定的规则读取解析返回KV键值对。默认是按行读取数据。key是每一行的起始位置偏移量，value是本行的文本内容（TextInputFormat）。
3. 调用Mapper类中的map方法处理数据。每读取解析出来的一个KV ，调用一次map方法。
4. 按照一定的规则对Map输出的键值对进行分区partition。默认不分区，因为只有一个reduceTask。分区的数量就是reducetask运行的数量。
5. Map输出数据写入内存缓冲区，达到比例溢出到磁盘上。溢出spill的时候根据key进行排序sort。
6. 对所有溢出文件进行最终的merge合并，成为一个文件。

Reduce阶段执行过程

1. ReduceTask会主动从MapTask复制拉取属于需要自己处理的数据。
2. 把拉取来数据全部进行合并merge，即把分散的数据合并成一个大的数据。再对合并后的数据排序。
3. 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。最后把这些输出的键值对写入到HDFS文件中。

Shuffle机制

Shuffle介绍

• Shuffle的本意是洗牌、混洗的意思，把一组有规则的数据尽量打乱成无规则的数据。
• 而在MapReduce中，Shuffle更像是洗牌的逆过程，指的是将map端的无规则输出按指定的规则洗成具有一定规则的数据，以便reduce端接收处理。
• 一般把从Map产生输出开始到Reduce取得数据作为输入之前的过程称作shuffle。
  

Map端的shuffle操作

• Collect阶段：将MapTask的结果收集输出到默认大小为100M的环形缓冲区，保存之前会对key进行分区的计算，默认Hash分区。
• Spill阶段：当内存中的数据量达到一定的阀值的时候，就会将数据写入本地磁盘，在将数据写入磁盘之前需要对数据进行一次排序的操作，如果配置了combiner，还会将有相同分区号和key的数据进行排序。
• Merge阶段：把所有溢出的临时文件进行一次合并操作，以确保一个MapTask最终只产生一个中间数据文件。

Reduce端的shuffle操作

• Copy阶段： ReduceTask启动Fetcher线程到已经完成MapTask的节点上复制一份属于自己的数据。
• Merge阶段：在ReduceTask远程复制数据的同时，会在后台开启两个线程对内存到本地的数据文件进行合并操作。
• Sort阶段：在对数据进行合并的同时，会进行排序操作，由于MapTask阶段已经对数据进行了局部的排序，ReduceTask只需保证Copy的数据的最终整体有效性即可。

Shuffle操作的缺点

• 相比于spark flink计算引擎，计算非常缓慢，主要原因就是数据频繁的在内存和磁盘之间多次往返。

MapReduce官方示例Wordcount

• wordcount执行流程图
  

Wordcount思路

• map阶段的核心：把输入的数据经过切割，全部标记1，因此输出就是<单词，1>。
• shuffle阶段核心：经过MR程序内部自带默认的排序分组等功能，把key相同的单词会作为一组数据构成新的KV键值对。
• reduce阶段核心：处理shuffle完的一组数据，该组数据就是该单词所有的键值对。对所有的1进行累加求和，得到单词总数。

具体操作

1. 上传文件数据

hadoop fs -mkdir /input
hadoop fs -put abc.txt /input

2. 执行mapreduce操作

cd /export/server/hadoop-3.3.0/share/hadoop/mapreduce
hadoop jar hadoop-mapreduce-examples-3.3.0.jar wordcount /input /output

3. 执行成功输出
   
   

Tips：如果出现以下报错：

Couldn't preview the file. NetworkError: Failed to execute 'send' on 'XMLHttpRequest': Failed to load 'http://node3:9864/webhdfs/v1/input/abc.txt?op=OPEN&namenoderpcaddress=node1:8020&offset=0&_=1658766058385'.

1. 需要在hdfs-stie.xml文件中添加如下示例

<property>
    <name>dfs.webhdfs.enabledname>
    <value>truevalue>
property>

2. 需要在windows中的hosts文件中添加Hadoop群集的node IP。