Hadoop分布式计算

Mapreduce概述

• 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
• 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[可以把reduce理解为一个单独的聚合程序]
• MapReduce框架都有默认实现，用户只需覆盖map()和reduce()两个函数，即可实现分布式计算
• 这两个函数的形参和返回值都是<key,value>，使用的时候一定要主义构造<k,v>

MapReduce原理

MapReduce原理图

Map任务处理

• 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<k1,v1>。默认，框架对每个InputSplit中的每一行，解析成一个<k1,v1>
• 框架调用Mapper类中的map(...)函数，map函数的形参是<k1,v1>对，输出是<k2,v2>对。一个InputSplit对应一个map task。程序员可以覆盖map函数，实现自己的逻辑
• (假设reduce存在)框架对map输出的<k2,v2>进行分区。不同的分区中的<k2,v2>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
• (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<k2,v2>数量
• (假设reduce存在，可选)在map节点，框架可以执行reduce归约
• (假设reduce存在)框架会对map task输出的<k2,v2>写入到linux 的磁盘文件中。

Reduce任务处理

• 框架对多个map任务的输出，按照不同的分区，通过网络copy到不同的reduce节点。这个过程称作shuffle
• 框架对reduce端接收的[map任务输出的]相同分区的<k2,v2>数据进行合并、排序、分组
• 框架调用Reducer类中的reduce方法，reduce方法的形参是<k2,{v2...}>，输出是<k3,v3>。一个<k2,{v2...}>调用一次reduce函数。程序员可以覆盖reduce函数，实现自己的逻辑
• 框架把reduce的输出保存到HDFS中

Shuffle过程

shuffle过程

• 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(spill)磁盘的指定目录（mapred.local.dir）下的一个新建文件中
• 写磁盘前，要partition,sort。如果有combiner，combine排序后数据
• 等最后记录写完，合并全部文件为一个分区且排序的文件
• Reducer通过Http方式得到输出文件的特定分区的数据
• 排序阶段合并map输出。然后走Reduce阶段
• reduce执行完之后，写入到HDFS中