MapReduce

Posted 2023-03-08

参考技术A

图2-1 MapReduce 体系结构

• 用户编写的MapReduce程序通过Client提交到JobTracker端
• 用户可通过Client提供的一些接口查看作业运行状态

• JobTracker负责资源监控和作业调度
• JobTracker 监控所有TaskTracker与Job的健康状况，一旦发现失败，就将相应的任务转移到其他节点
• JobTracker 会跟踪任务的执行进度、资源使用量等信息，并将这些信息告诉任务调度器（TaskScheduler），而调度器会在资源出现空闲时，选择合适的任务去使用这些资源

• TaskTracker 会周期性地通过“心跳”将本节点上资源的使用情况和任务的运行进度汇报给JobTracker，同时接收JobTracker 发送过来的命令并执行相应的操作（如启动新任务、杀死任务等）
• TaskTracker 使用“slot”等量划分本节点上的资源量（CPU、内存等）。一个Task 获取到一个slot 后才有机会运行，而Hadoop调度器的作用就是将各个TaskTracker上的空闲slot分配给Task使用。slot 分为Map slot和Reduce slot两种，分别供MapTask 和Reduce Task 使用，且两种slot不能互相使用。

Task分为Map Task 和Reduce Task 两种，均由TaskTracker启动，一个节点可以同时进行map任务和task任务。

split分片是一个逻辑概念，是MapReduce的处理单位，记录元数据信息（文件的起始位置、长度、数据所在节点等）。split一般设计为一个block大小，这是因为： 如果split太小，启动map任务会过多，占用过多资源；如果split太大，一是影响并行度，二是由于split跨越不同block，可能增加数据传输成本。

图3-3 MapReduce任务执行流程示意图

图3-4 Shuffle过程基本流程图

输入的数据执行map任务后，会先写入到本地缓存中（缓存默认大小是100M），缓存数据达到溢写比（默认是0.8）后，会溢写到本地磁盘中。写入到磁盘之前，会进行数据的分区、排序和可能的合并。由于每次溢写都会形成一个文件，最后需要对所有文件进行归并。归并后的文件数据都是已经分区和排好序的。

图3-6 Reduce端Shuffle过程流程图