Hadoop理论-MapReduce
一、MapReduce概述
1.简述
MapReduce是分布式运算程序的编程框架,
其核心功能是将用户编写的业务逻辑和自带默认组件整合成一个完整的分布式运算程序,并发运算在一个Hadoop集群上.
2.MapReduce核心思想
解析:
- 全程序分为两个阶段,Map阶段和Reduce阶段,
- Map阶段MapTask是并发的,并行运行,不相干预,
- Reduce阶段ReduceTask是并发的,互不相干,输入的结果依赖于MapTask所输出.
后面会对各个重要的阶段进行更为详细的讲述.!
二、MapReduce框架原理
1.InputFormat数据的输入
1>MapTask的并行度决定Map阶段的任务处理并发度,会影响整个Job的处理速度.
数据切片与MapTask并行度决定机制
- 一个Job的Map阶段并行度由客户端在提交Job时的切片数决定,
- 每一个Split切片会分配一个MapTask进行处理,
- 一般而言,分块大小 = 切片大小,
- 切片不考虑数据集整体,而是针对每一个文件进行单独切片.
2>Job提交流程概述
通过看源码,可知Job端干了什么,下面是一些重要的总结.
- 建立连接过程
1.创建提交Job的代理,
2.判断是本地Yarn还是远程. - 提交Job
- 创建给集群提交数据的路径,会在盘的根目录下生成一个tmp文件
- 获取Job的Id,并且创建Job的路径,
- 将jar包拷贝到集群,会产生jar包,
- 计算切片,调用InputFormat.getsplit()方法获取切片规划,并将切片规则信息生成文件,
- 向tmp中写入xml配置文件的信息,
- 提交Job,返回提交的状态.
最终会在tmp中得到三个东西,
Job.split
Job.xml
Xxx.Jar
3>InputFormat任务流程
客户端会调用InputFormat得第一个方法,将数据切成很多分,每一份叫做.split，
后续工作中,maptask会调用InputFormat的第二个方法RecordReader,通过RecordReader将切片打碎变成KV值,
将KV值传入Mapper.
4>总结
简单的理解就是InputFormat会干两件事情,第一个就是将文件进行切片,客户端Job的提交时,会调用切片规划信息,
第二个是InputFormat里有RecordReader方法,可以将切片打碎为KV值得形式,传入Mapper,Mapper后面会有新的操作.
2.Shuffle机制
1.Shuffle简述
Map方法之后,Reduce方法之前的数据处理过程称为Shuffle.
2.Shuffle原理图示
3.Shuffle流程详解
- MapTask收集会调用Mapper中的Map方法输出里面的KV值,放入到环形缓冲区,
- 环形缓冲区中左侧有内部索引,分区号,和一些配置信息;右侧是一组一组输入的KV值,当缓冲区到达80%时就会发生溢写,溢写的过程会进行第一次溢出性的根据索引信息分区排序,之后发生第二次溢写…
- 当溢出多个文件时,会在进行一次分区性质的归并排序,将多个溢出的文件(第一次,第二次,第三次)进行所谓的第二次归并排序，
- 第三次归并排序是发生在,ReduceTask会将多个MapTask中已经归并好的文件在进行一次各个MapTask分区性质的归并排序,合并成一个大文件.
- 到此,Shuffle过程就结束了,后面ReduceTask会将KV值进行分组,然后调用Reducer的Reduce()方法对数据进行汇总,进行Reduce()业务逻辑的处理.
**注解：**shuffle阶段为了提高数据处理的效率,可以在MapTask阶段进行数据Combiner处理.
Combinner的父类是Reducer,所以要求传入的数据必须有序,所以这要求Combiner应用于Map阶段的排序完成后,也就前两次排序.注意的是Combinner是可选的,在不影响业务逻辑时,才能使用.
3.OutputFormat数据输出
OutputFormat是MapReduce输出的基类,所有实现MapReduce输出都实现了OutFormat接口.
ReduceTask通过调用Reduce()对已经汇总好的数据,通过OutFormat输出写成文件,将结果传写到HDFS上.
总结： 综上整个MapReduce较为详细的讲解就结束了…需要好好理解,Shuffle阶段很重要！
