大数据计算引擎MapReduce框架详解
今天来介绍下大数据计算引擎MapReduce，MapReduce主要用于离线计算，电商公司的离线计算任务大多数是用Hive将sql转化为MR程序来运行，可见MapReduce的重要性。
MapReduce介绍
MapReduce是一个分布式运算程序的编程框架。
MapReduce优缺点
优点：易于编程、有良好的扩展性、具有高容错性、适合PB级以上海量数据的离线处理。
缺点：不擅长实时计算、不擅长流式计算、不擅长DAG计算（DAG有向图MR也可以做，只是每个作业的输出结果都会写入磁盘，这样会造成大量的IO而导致性能降低）。
MapReduce核心编程思想
- 分布式计算程序需要分成至少2个阶段。
- 第一个阶段的MapTask并发实例完全并行运行互不相干。
- 第二个阶段的ReduceTask并发实例也互不相干，但是数据来源依赖上一阶段的所有MapTask并发实例的输出。
- MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段，如果逻辑复杂可以多个MapReduce串行运行。
MapReduce进程
一个完整的MapReduce程序运行时有三种实例进程：
- MrAppMaster：负责整个程序的过程调度及状态协调。
- MapTask：负责Map阶段的整个数据处理流程。
- ReduceTask：负责Reduce阶段的整个数据处理流程。
WordCount案例
根据官方文档，WordCount程序应编写类分别继承Mapper、Reducer并重写相应的方法，最后写驱动类来调用和提交。且数据的类型是Hadoop自身封装的序列化类型。
| Java类型 | Hadoop Writable类型 |
|---|---|
| Boolean | BooleanWritable |
| Byte | ByteWritable |
| Integer | IntWritable |
| Float | FloatWritable |
| Long | LongWritable |
| Double | DoubleWritable |
| String | Text |
| Map | MapWritable |
| Array | ArrayWritable |
需求：统计文本文件中每个单词出现的总次数。
- 创建maven工程并在pom.xml中添加依赖。
- 编写继承Mapper的类。
public class WordcountMapper extends Mapper<LongWritable, Text, Text, IntWritable>{
Text k = new Text();
IntWritable v = new IntWritable(1);
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//读取一行数据
String line = value.toString();
//按空格切分
String[] words = line.split(" ");
//封装并输出
for (String word : words) {
k.set(word);
context.write(k, v);
}
}
}
- 编写继承Reducer的类。
public class WordcountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{
int sum;
IntWritable v = new IntWritable();
@Override
protected void reduce(Text key, Iterable<IntWritable> values,Context context) throws IOException, InterruptedException {
//累加求和
sum = 0;
for (IntWritable count : values) {
sum += count.get();
}
//输出
v.set(sum);
context.write(key,v);
}
}
- 编写Driver驱动类。
public class WordcountDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
//获取配置信息
Configuration configuration = new Configuration();
Job job = Job.getInstance(configuration);
//设置jar加载路径
job.setJarByClass(WordcountDriver.class);
//设置map和reduce类
job.setMapperClass(WordcountMapper.class);
job.setReducerClass(WordcountReducer.class);
//设置map输出
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//设置最终输出kv类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//设置输入和输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
//提交
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}
- 将程序打成jar包并上传到集群。
- 启动集群并执行程序
hadoop jar wc.jar com.robofly.wordcount.WordcountDriver /dgf/input /output。
Hadoop序列化
序列化和反序列化：
- 序列化就是把内存中的对象转换成字节序列（或其他数据传输协议），便于存储到磁盘或网络传输。
- 反序列化就是将收到的字节序列或者是磁盘的持久化数据，转换成内存中的对象。
为什么要序列化？
- 一般来说对象只存在内存中，断电就会消失，且对象只能由本地的进程使用不能发送到网络上的其他节点。然而序列化可以存储对象，可以将对象发送到其他节点。
为什么不用Java的序列化？
- Java的序列化是重量级序列化框架，对象被序列化后会附带很多额外的信息，不便于在网络中高效传输，所以Hadoop自己开发了一套序列化机制Writable。
开发中当常用的基本序列化类型不能满足需求时就需要自己实现序列化接口，比如在Hadoop内部传递bean对象时。
自定义bean对象实现序列化接口：
- 必须实现Writable接口。
- 反序列化时，需要反射调用空参构造函数，故必须有空参构造函数。
- 重写序列化方法和反序列化方法，且顺序要一致。
- 要让结果显示在文件中时需要重写toString()。
- 如果需要将bean放在key中传输，还需要实现Comparable接口，因为MapReduce中的Shuffle过程要求对key必须能排序。
MapReduce框架原理
从上面可以知道MapReduce分为Map和Reduce两个阶段，下面就从Input到Output来解析MapReduce。
InputFormat数据输入
1、切片与MapTask并行度
之前说过块的大小是128M，数据块是HDFS在物理上把数据分成一块一块。而数据切片只是逻辑上对输入进行切片，并不会在磁盘上将其切分进行存储，且切片是对每一个文件单独切片。
每个Split切片都是分配一个MapTask并行实例进行处理，那么MapTask并行度就等于切片数。在默认情况下切片大小等于块的大小，是为了尽量避免跨节点传输数据。
2、Job提交流程源码和切片源码解析
Job提交流程主要有三步：
- 生成切片信息，并写到stag路径。
- 生成配置信息，并写到stag路径。
- 上传jar包，向集群提交job会向stag路径上传。
Job提交源码解析：
//1.1是1方法里面的方法，以此类推
//1.提交Job
job.waitForCompletion();
//1.1.开始提交
submit();
//1.1.1.设置使用新的API
setUseNewAPI();
//1.1.2.建立连接，会创建一个根据不同场景（本地或集群）下提交Job的对象
connect();
//1.1.2.1.创建提交Job的代理
new Cluster(getConfiguration());
//1.1.2.1.1.判断是本地还是集群（是本地则创建LocalJobRunner对象，是集群则创建YarnRunner对象）
initialize(jobTrackAddr, conf);
//1.1.3.提交job
submitter.submitJobInternal(Job.this, cluster);
//1.1.3.1.创建给集群提交数据的Stag路径（是本地就在项目的盘符中创建，是集群就在HDFS上创建）
Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);
//1.1.3.2.获取jobid，并创建Job路径，路径是根据jobStagingArea和jobId拼接起来的
JobID jobId = submitClient.getNewJobID();
Path submitJobDir = new Path(jobStagingArea, jobId.toString());
//1.1.3.3.拷贝jar包到集群（向集群提交就会向HDFS上传jar包）
copyAndConfigureFiles(job, submitJobDir);
//1.1.3.3.1.上传jar包
rUploader.uploadFiles(job, jobSubmitDir);
//1.1.4.计算切片，生成切片规划文件写到submitJobDir路径中
writeSplits(job, submitJobDir);
maps = writeNewSplits(job, jobSubmitDir);
input.getSplits(job);
//1.1.5.向submitJobFile路径写XML配置文件
writeConf(conf, submitJobFile);
conf.writeXml(out);
//1.1.6.提交Job，返回提交状态（是本地submitClient就是LocalJobRunner，是集群submitClient就是YarnRunner）
status = submitClient.submitJob(jobId, submitJobDir.toString(), job.getCredentials());
FileInputFormat切片源码解析：
//FileInputFormat中的getSplits方法是用来生成切片信息的，看这一个方法即可
//获取文件路径
Path path = file.getPath();
//获取文件大小
long length = file.getLen();
//判断文件是否可切
if (isSplitable(job, path)) {
//获取文件的块大小
long blockSize = file.getBlockSize();
//获取切片大小
/*计算切片大小，默认：切片大小=块大小
切片大小>块大小：修改minSize的值；切片大小<块大小：修改maxSize的值
protected long computeSplitSize(long blockSize, long minSize, long maxSize) {
return Math.max(minSize, Math.min(maxSize, blockSize));
}
*/
long splitSize = computeSplitSize(blockSize, minSize, maxSize);
long bytesRemaining = length; //剩余文件大小
/*(double) bytesRemaining)/splitSize > 1.1
好处：让最后一片不会太小，不会浪费MapTask资源
缺点：会造成跨节点读数据（只会对最后一个MapTask造成跨节点读数据）
*/
//计算剩余文件是否可以切片
while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
//块的索引
int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
//生成切片信息
/*splits：是集合用来装切片信息
makeSplit：该方法用来生成切片信息
参数1-path：文件路径，参数2-length-bytesRemaining：片的起始位置，参数3-splitSize：切片大小（偏移量）
*/
splits.add(makeSplit(path, length-bytesRemaining, splitSize,
blkLocations[blkIndex].getHosts(),
blkLocations[blkIndex].getCachedHosts()));
//重新计算剩余文件大小
bytesRemaining -= splitSize;
}
//将剩余的文件切成一片
if (bytesRemaining != 0) {
int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining, blkLocations[blkIndex].getHosts(), blkLocations[blkIndex].getCachedHosts()));
}
}
3、FileInputFormat切片机制
先来看下InputFormat的继承树：
|----InputFormat（抽象类）
|----|----FileInputFormat（抽象类）
|----|----|----TextInputFormat（默认用来读取数据的类）
|----|----|----CombineFileInputFormat（抽象类）
|----|----|----|----CombineTextInputFormat（可以合并小文件）
InputFormat中的抽象方法：
//获取切片信息
public abstract List<InputSplit> getSplits(JobContext context) throws IOException, InterruptedException;
//获取RecordReader对象，该对象是真正用来读取数据的对象
public abstract RecordReader<K,V> createRecordReader(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException;
在FileInputFormat抽象类中重写了InputFormat中的getSplits方法，该方法用来生成切片信息。
TextInputFormat是FileInputFormat的实现类，重写了InputFormat中的createRecordReader方法，该方法返回了LineRecordReader，是RecordReader的子类，由名字可以看出是一行一行的读取数据的。TextInputFormat的键是存储该行在整个文件中的起始字节偏移量（LongWritable类型），值是这行的内容（Text类型）。
@Override
public RecordReader<LongWritable, Text> createRecordReader(InputSplit split, TaskAttemptContext context) {
return new LineRecordReader(recordDelimiterBytes);
}
FileInputFormat切片机制：
- 简单的按照文件的内容长度进行切片。
- 切片大小默认等于块大小。
- 切片时不考虑数据集整体，而是对每个文件单独切片。
4、CombineTextInputFormat切片机制
CombineTextInputFormat可以将多个小文件合并成一片进行处理。要想使用CombineTextInputFormat需要设置虚拟存储切片最大值（setMaxInputSplitSize）。
假设虚拟存储切片最大值为4M，现在有四个文件大小分别为1.5M、5.1M、3.8M、6.8M，则虚拟存储过程对四个文件划分的块大小如下：
1.5M<4M 划分1块，块1=1.5M
4M<5.1M<8M 划分2块，块1=2.55M，块2=2.55M
3.8M<4M 划分1块，块1=3.8M
4M<6.8M<8M 划分2块，块1=3.4M，块2=3.4M
最终虚拟存储的文件是1.5M、2.55M、2.55M、3.8M、3.4M、3.4M。
切片过程：
判断虚拟存储的文件大小是否大于setMaxInputSplitSize值，大于等于则单独形成一个切片，如果不大于则跟下一个虚拟存储文件进行合并，共同形成一个文件。
故上述文件最终会形成3个切片，分别为（1.5+2.55）M，（2.55+3.8）M，（3.4+3.4）M。
代码中实现只需要在驱动类中设置两个参数即可：
//InputFormat默认用的是TextInputFormat.class
job.setInputFormatClass(CombineTextInputFormat.class);
//虚拟存储切片最大值设置4M
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);
注：这里的合并小文件只是解决了小文件运算的问题，小文件存储的问题依然存在。
Shuffle机制
Map阶段的后半段和Reduce阶段的前半段称为Shuffle。从源码的角度看，Map阶段为：map–>sort，Reduce阶段为：copy–>sort–>reduce，则Shuffle为sort–>copy–>sort过程。
Shuffle流程：
- MapTask中map方法输出的数据，会先写到环形缓冲区中（环形缓冲区在内存中，底层实现是字节数组，默认100M），写满80%后会继续反向写入，写满的80%数据会进行排序（按照key的字典序用快排来排序），里面不仅仅是数据还会有索引（索引是便于排序），80%写满且排完序后就会溢写到磁盘，可能会溢出多个文件。
- 此外输入到环形缓冲区前会分配分区号，后面快排时会根据分区进行排序，但也仅仅是一个溢写文件内有序，多个溢写文件之间仍旧是无序的，所以接下来会用归并排序（归并排序对有序的文件再排序速度很快且内存占用较小）将多个溢出文件合并成大的溢出文件，最后每个MapTask会有一个最终的结果。
- 接下来ReduceTask会根据自己的分区号去MapTask上拷贝相应的分区数据到内存中（内存不够会溢写到磁盘），因为是两个MapTask的结果，即便分区号一致也是无序，接下来ReduceTask会对其进行排序，同样是归并排序，排序后再按照key进行分组，最后写到Reduce方法中。这就是Shuffle的整个流程。
Partition分区：
//默认Partition分区是根据hashCode对ReduceTasks个数取模得到的，没法指定key到哪个分区，不设置默认只有一个分区
public class HashPartitioner<K, V> extends Partitioner<K, V> {
public int getPartition(K key, V value, int numReduceTasks) {
//key.hashCode() & Integer.MAX_VALUE：用来保证结果一定为正数
return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
}
}
自定义Partitioner步骤：
- 自定义类继承Partitioner重写getPartition()方法。
- 在job的驱动类中设置自定义Partitioner。
- 自定义Partition后，要根据自定义Partitioner的逻辑设置相应数量的ReduceTask。
Partition分区总结：
- 如果ReduceTask的数量>getPartition的结果数，则会多产生几个空的输出文件part-r-000xx。
- 如果1
- 如果ReduceTask的数量=1，则不管MapTask端输出多少个分区文件，最终结果都交给这一个ReduceTask，最终也就只会产生一个结果文件 part-r-00000。
- 分区号必须从零开始，逐一累加。
WritableComparable排序：
排序是MapReduce框架中最重要的操作之一，MapTask和ReduceTask均会对数据按照key进行排序，如果用对象作为key传输，就需要实现WritableComparable接口并重写compareTo方法才可以实现排序。
Combiner合并：
- Combiner组件的父类是Reducer。
- Combiner和Reducer的区别在于运行的位置，Combiner在每一个MapTask节点运行，而Reducer是接收所有Mapper的输出结果。
- Combiner的意义是对每个MapTask的输出进行局部汇总，以减少网络的传输。
- Combiner能应用的前提是不能影响最终的业务逻辑（比如求平均数时两者结果不一致）。
自定义Combiner：自定义一个Combiner继承Reducer并重写Reduce方法来实现。
OutputFormat数据输出
先来看下OutputFormat的继承树：
|----OutputFormat（抽象类）
|----|----FileOutputFormat（抽象类）
|----|----|----TextOutputFormat（默认使用的OutputFormat类）
OutputFormat中的抽象方法：
//获取RecordWriter对象，该对象是用来写数据的
public abstract RecordWriter<K,V> getRecordWriter(TaskAttemptContext context) throws IOException, InterruptedException;
//检查输出的一些参数，比如输出路径是否设置了，输出路径是否存在
public abstract void checkOutputSpecs(JobContext context) throws IOException, InterruptedException;
在FileOutputFormat抽象类中重写了checkOutputSpecs方法，该方法中做了如下操作：检查输出路径是否设置了，输出路径是否存在。
TextOutputFormat是FileOutputFormat的实现类，重写了getRecordWriter方法，该方法返回了LineRecordWriter的对象，该对象是真正用来写数据的对象。
@Override
public RecordWriter<K,V> getRecordWriter(TaskAttemptContext job) throws IOException, InterruptedException{
return new LineRecordWriter<>(fileOut, keyValueSeparator);
}
自定义OutputFormat：
有时需要控制最终文件的输出路径和输出格式，可以自定义OutputFormat实现。先自定义一个类继承FileOutputFormat，然后改写RecordWriter，具体改写输出数据的方法write()即可。
两种join
Reduce Join：
Map端的工作是为来自不同表或文件的键值对打标签来区别不同的来源。Reduce端的工作是在每一个分组当中将来源于不同文件的记录分开，最后在进行合并就行了。这种方式合并的操作在Reduce阶段完成，Reduce端的处理压力太大，容易在Reduce阶段发生数据倾斜。可以在Map端进行数据合并来解决数据倾斜。
Map Join：
适用于一张表很小另一张很大的场景。Map Join在Map端缓存多张表来提前处理业务逻辑，减少了Reduce端数据的压力，减少了数据倾斜的可能。
MapReduce工作流程
MapTask工作流程：
- 客户端获取待处理数据的信息，根据参数配置形成一个任务分配的规划（切片）。
- 客户端向ResourceManager提交信息，有切片信息、jar包、配置文件。
- ResourceManager启动AppMaster，根据提交信息计算出MapTask的数量，然后向ResourceManager申请资源。
- MapTask通过InputFormat一行行的读取数据，读到Mapper方法中进行处理，处理完后写出到环形缓冲区中，之后属于Shuffle了，后面再介绍。
ReduceTask工作流程：
- 经过Shuffle后，ReduceTask把相同分区的数据拷贝到同一个ReduceTask中。
- 将文件进行合并，然后进行归并排序。
- 先分组，然后Reducer一次读取一组数据进行处理。
- 处理完成后通过OutputFormat写入磁盘。
以上就是今天的内容分享了，MapReduce理论知识比较多，几天才整理完毕，喜欢的点个关注吧。