MapReduce源码分析之架构分析1

前言

    MapReduce的源码分析是基于Hadoop1.2.1基础上进行的代码分析。

    本篇，将不会涉及代码部分的分析，只是简单分析map的整体架构，并介绍map与reduce的运行过程，主要是为后续的分析做一个铺垫。至于MapTask/ReduceTask的原理分析，JobTracker部分，以及TaskTracker如何启动一个Task这些都将在后续章节给出。

MR编程模型

    MapReduce的编程模型是来自lisp，源于在函数式编程语言中可以通过reduce(map(fn())这种形式将问题进行拆分处理。

    借鉴于此，MapReduce编程分为两个阶段，Map阶段和Reduce阶段。通过这种形式，用户只需要关心map函数和reduce函数的编写，就可以将复杂业务处理通过简单的MapReduce来实现。

    map函数，接收输入数据的key/value键值对，进行处理，产生新的key/value键值对，作为中间数据，输出到磁盘上。MapReduce框架会对输出的key/value键值对，进行分区，同一个分区中的数据最后都会被同一个Reduce处理。

    reduce函数，读取Map的输出结果，读取完成后进行排序，将排序后的有序的key/value键值对传递给reduce函数处理，处理完成后产生新的key/value键值对，输出到存储上(一般是hdfs上)。

MR架构

    

 MapReduce框架的架构如上图所示，是采用比较常见的Master/Slave的架构模式。

         在MapReduce中JobTracker负责作业的管理，资源监控。TaskTracker负责执行Task。Task可以分为MapTask和ReduceTask。

         需要知道的是一个Job即代表了用户执行的一个分布式的计算过程的作业，而Task则表示一个作业会被拆分为许多个小的任务中的一个，Task可以分为Map阶段的任务或者是Reduce阶段的任务，也就是说Task是任务处理中的一个单元，有这个小的单元去完成一部分计算的任务，最后所有任务都完成，结果经过汇聚，就代表一个作业的处理完毕。

         用户执行一个作业的过程如下：

         1.用户提交作业，由JobClient将相关作业信息进行打包并传递到hdfs上，并通知JobTracker。

         2.JobTracker接收到新的作业，对作业初始化。根据TaskTracker通过心跳汇报上来的负载信息，得知空闲资源分布情况。由任务调度器决定将任务下发到哪些有空闲资源的节点。

         3.Tracker接收到任务后，启动单独的jvm运行Task。Task在运行过程中的状态都会先汇报给TaskTracker，再由TaskTracker汇报给JobTracker。

MapTask运行过程

         一个MapTask的运行过程如上图所示。运行过程可以分为三个阶段，分别是数据读取阶段，Map阶段，分区阶段。

         数据读取阶段，是指InputFormat负责理解数据格式并解析成key,value传递给map函数处理。InputFormat提供了getInputSplit接口，负责将输入数据切分为一个个InputSplit(分片)，同时还提供getRecordReader接口，负责解析InputSplit，通过RecordReader提取出key/value键值对。这些键值对就是作为map函数的输入。

         Map阶段，是指运行用户实现的Mapper接口中的map函数，该函数负责对输入的key/value数据进行初步处理，产生新的key/value键值对作为中间数据保存在本地磁盘上。

         分区阶段，map输出的临时数据，会被分成若干个分区，每个分区都会被一个ReduceTask处理。

ReduceTask运行过程

         ReduceTask的执行过程如上图所示。该过程可以分为三个阶段，分别为Shuffle阶段，sort阶段，reduce阶段。

         Shuffle阶段，是指ReduceTask通过查询JobTracker知道有哪些Map处理完毕。一旦有MapTask处理完毕，就会远程读取这些MapTask产生的临时数据。

         Sort阶段，是指将读取的数据，按照key对key/value键值对进行排序。

         Reduce阶段，是指运行用户实现的Reducer接口中的reduce函数，该函数读取sort阶段的有序的key/value键值对，进行处理，并将最终的处理结果存到hdfs上。

多Map和多Reduce运行分析

    上图所示，是一个多MapTask和多ReduceTask的数据处理流程。这个Job用户指定的是3个Map和2个Reduce。

其处理过程是：

    JobTracker启动3个MapTask，每个MapTask都从读取对应的InputSplit。MapTask调用用户实现的map函数，产生新的数据。至于数据会被划到哪个分区，这是有Partitioner控制的，默认情况下使用的HashPartitioner,相同的key最终都会被划到一个分区中,因为指定了2个ReduceTask所以数据会被分为两个分区。在中间数据产生到磁盘前都会对数据进行排序。保证每个分区中的数据都是有序的。

    在Map运行中，会根据用户配置的Reduce在Map完成多少进度时启动。根据用户的配置JobTracker会在适当的时候向有空闲资源的TaskTracker下发ReduceTask,由TaskTracker启动ReduceTask。ReduceTask启动后，查询JobTracker获取它的输入源的Map是否已经有可读的数据。有则从发起http请求从这些MapTask输出的节点上拉取数据到本地。因为指定了3个Map，因此一个Reduce需要从3个Map读取数据。读取后需要对读取的数据进行归并排序，以保障数据的有序性。这时，才会调用到用户实现的reduce函数，做最后的处理，在处理完毕后，将数据存储到hdfs上。每个ReduceTask处理完成后，都会在hdfs上产生一个结果文件。因此这里就会在hdfs上看到有两个结果文件。