Hadoop 执行引擎之 MapReduce

Posted 2021-04-13 莫同学vv

上一篇介绍了Hadoop的存储系统HDFS，这篇来分享Hadoop的执行引擎MapReduce。

MapReduce 简介

Mapreduce 是一个分布式运算程序的编程框架，是用户开发“基于 hadoop 的数据分析 应用”的核心框架。

Mapreduce 核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发运行在一个 hadoop 集群上。

MapReduce 优缺点

优点

1) MapReduce 易于编程。它简单的实现一些接口，就可以完成一个分布式程序，这个 分布式程序可以分布到大量廉价的 PC 机器上运行。也就是说你写一个分布式程序，跟写一 个简单的串行程序是一模一样的。就是因为这个特点使得 MapReduce 编程变得非常流行。

2) 良好的扩展性。当你的计算资源不能得到满足的时候，你可以通过简单的增加机器 来扩展它的计算能力。

3) 高容错性。MapReduce 设计的初衷就是使程序能够部署在廉价的 PC 机器上，这就 要求它具有很高的容错性。比如其中一台机器挂了，它可以把上面的计算任务转移到另外一 个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，而完全是由Hadoop 内部完成的。

4)适合 PB 级以上海量数据的离线处理。这里加红字体离线处理，说明它适合离线处 理而不适合在线处理。比如像毫秒级别的返回一个结果，MapReduce 很难做到。

缺点

MapReduce 不擅长做实时计算、流式计算、DAG(有向图)计算。

1) 实时计算。MapReduce 无法像 mysql 一样，在毫秒或者秒级内返回结果。

2) 流式计算。流式计算的输入数据是动态的，而 MapReduce 的输入数据集是静态的， 不能动态变化。这是因为 MapReduce 自身的设计特点决定了数据源必须是静态的。

3) DAG(有向图)计算。多个应用程序存在依赖关系，后一个应用程序的输入为前一 个的输出。在这种情况下，MapReduce 并不是不能做，而是使用后，每个 MapReduce 作业 的输出结果都会写入到磁盘，会造成大量的磁盘 IO，导致性能非常的低下。

MapReduce 核心思想

1) 分布式的运算程序往往需要分成至少 2 个阶段。

2) 第一个阶段的 maptask 并发实例，完全并行运行，互不相干。

3) 第二个阶段的 reduce task 并发实例互不相干，但是他们的数据依赖于上一个阶段的所有maptask 并发实例的输出。

4) MapReduce 编程模型只能包含一个 map 阶段和一个 reduce 阶段，如果用户的业务逻辑非 常复杂，那就只能多个 mapreduce 程序，串行运行。

MapReduce 进程

一个完整的 mapreduce 程序在分布式运行时有三类实例进程:

1) MrAppMaster:负责整个程序的过程调度及状态协调。

2) MapTask:负责 map 阶段的整个数据处理流程。

3) ReduceTask:负责 reduce 阶段的整个数据处理流程。

MapReduce 编程规范

用户编写的程序分成三个部分:Mapper，Reducer，Driver(提交运行 mr 程序的客户端) 

1、 Mapper 阶段

1) 用户自定义的 Mapper 要继承自己的父类

2) Mapper 的输入数据是 KV 对的形式(KV 的类型可自定义) 

3) Mapper 中的业务逻辑写在 map()方法中

4) Mapper 的输出数据是 KV 对的形式(KV 的类型可自定义)

5) map()方法(maptask 进程)对每一个<K,V>调用一次

2、Reducer 阶段

1) 用户自定义的 Reducer 要继承自己的父类

2) Reducer 的输入数据类型对应 Mapper 的输出数据类型，也是 KV

3) Reducer 的业务逻辑写在 reduce()方法中

4) Reducetask 进程对每一组相同 k 的<k,v>组调用一次 reduce()方法

3、Driver 阶段
整个程序需要一个 Drvier 来进行提交，提交的是一个描述了各种必要信息的 job 对象

MapReduce 工作流程

1、流程如下

2、流程详解

上面的流程是整个 mapreduce 最全工作流程，但是 shuffle 过程只是从第 7 步开始到第16 步结束，具体 shuffle 过程详解，如下:

1) maptask 收集我们的 map()方法输出的 kv 对，放到内存缓冲区中

2) 从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件

3) 多个溢出文件会被合并成大的溢出文件

4) 在溢出过程中，及合并的过程中，都要调用 partitioner 进行分区和针对 key 进行排序

5) reducetask 根据自己的分区号，去各个 maptask 机器上取相应的结果分区数据

6) reducetask 会取到同一个分区的来自不同 maptask 的结果文件，reducetask 会将这些 文件再进行合并(归并排序)

7) 合并成大文件后，shuffle 的过程也就结束了，后面进入 reducetask 的逻辑运算过程 (从文件中取出一个一个的键值对 group，调用用户自定义的 reduce()方法)

一些注意的地方

Shuffle 中的缓冲区大小会影响到 mapreduce 程序的执行效率，原则上说，缓冲区越大， 磁盘 io 的次数越少，执行速度就越快。

缓冲区的大小可以通过参数调整，参数:io.sort.mb 默认 100M。

MapTask 工作机制

并行度决定机制

1) 问题引出
maptask 的并行度决定 map 阶段的任务处理并发度，进而影响到整个 job 的处理速度。

那么，mapTask 并行任务是否越多越好呢？

2) MapTask 并行度决定机制

一个 job 的 map 阶段 MapTask 并行度(个数)，由客户端提交 job 时的切片个数决定。

MapTask 工作机制

1) Read 阶段:Map Task 通过用户编写的 RecordReader，从输入 InputSplit 中解析出 一个个 key/value。

2) Map 阶段:该节点主要是将解析出的 key/value 交给用户编写 map()函数处理，并 产生一系列新的 key/value。

3) Collect 收集阶段:在用户编写 map()函数中，当数据处理完成后，一般会调用OutputCollector.collect()输出结果。在该函数内部，它会将生成的 key/value 分区(调用Partitioner)，并写入一个环形内存缓冲区中。

4) Spill 阶段:即“溢写”，当环形缓冲区满后，MapReduce 会将数据写到本地磁盘上， 生成一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排 序，并在必要时对数据进行合并、压缩等操作。

溢写阶段详细分解:

步骤 1:利用快速排序算法对缓存区内的数据进行排序，排序方式是，先按照分区编号partition 进行排序，然后按照 key 进行排序。这样，经过排序后，数据以分区为单位聚集在 一起，且同一分区内所有数据按照 key 有序。

步骤 2:按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文 件 output/spillN.out(N 表示当前溢写次数)中。如果用户设置了 Combiner，则写入文件之 前，对每个分区中的数据进行一次聚集操作。

步骤 3:将分区数据的元信息写到内存索引数据结构 SpillRecord 中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大 小超过 1MB，则将内存索引写到文件 output/spillN.out.index 中。

5) Combine 阶段:当所有数据处理完成后，MapTask 对所有临时文件进行一次合并， 以确保最终只会生成一个数据文件。

当所有数据处理完后，MapTask 会将所有临时文件合并成一个大文件，并保存到文件output/file.out 中，同时生成相应的索引文件 output/file.out.index。

在进行文件合并过程中，MapTask 以分区为单位进行合并。对于某个分区，它将采用多 轮递归合并的方式。每轮合并 io.sort.factor(默认 100)个文件，并将产生的文件重新加入 待合并列表中，对文件排序后，重复以上过程，直到最终得到一个大文件。

让每个 MapTask 最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量 小文件产生的随机读取带来的开销。

Shuffle 机制

Mapreduce 确保每个 reducer 的输入都是按键排序的。系统执行排序的过程(即将 map输出作为输入传给 reducer)称为 shuffle。

ReduceTask 工作机制

1、设置 ReduceTask 并行度(个数)

reducetask 的并行度同样影响整个 job 的执行并发度和执行效率，但与 maptask 的并发 数由切片数决定不同，Reducetask 数量的决定是可以直接手动设置:

默认值是 1，手动设置为 4 ：

job.setNumReduceTasks(4);

2、注意点
1) reducetask=0 ，表示没有 reduce 阶段，输出文件个数和 map 个数一致。

2) reducetask 默认值就是 1，所以输出文件个数为一个。 

3) 如果数据分布不均匀，就有可能在 reduce 阶段产生数据倾斜

4) reducetask 数量并不是任意设置，还要考虑业务逻辑需求，有些情况下，需要计算全局汇总结果，就只能有 1 个 reducetask。

5) 具体多少个 reducetask，需要根据集群性能而定。

6) 如果分区数不是 1，但是 reducetask 为 1，是否执行分区过程。答案是:不执行分区过程。因为在 maptask 的源码中，执行分区的前提是先判断 reduceNum 个数是否大于 1。不大于 1 肯定不执行。

3、测试 reducetask 多少合适？

1) 环境:1 个 master 节点，16 个 slave 节点:CPU:8GHZ，内存: 2G

2) 结论:

下表改变 reduce task (数据量为 1GB)

4) ReduceTask 工作机制

1) Copy 阶段:ReduceTask 从各个 MapTask 上远程拷贝一片数据，并针对某一片数 据，如果其大小超过一定阈值，则写到磁盘上，否则直接放到内存中。

2) Merge 阶段:在远程拷贝数据的同时，ReduceTask 启动了两个后台线程对内存和 磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。

3) Sort 阶段:按照 MapReduce 语义，用户编写 reduce()函数输入数据是按 key 进行 聚集的一组数据。为了将 key 相同的数据聚在一起，Hadoop 采用了基于排序的策略。由于 各个 MapTask 已经实现对自己的处理结果进行了局部排序，因此，ReduceTask 只需对所有 数据进行一次归并排序即可。

4) Reduce 阶段:reduce()函数将计算结果写到 HDFS 上。

MapReduce 开发总结

在编写 mapreduce 程序时，需要考虑的几个方面:

1) 输入数据接口:InputFormat

默认使用的实现类是:TextInputFormat

TextInputFormat 的功能逻辑是:一次读一行文本，然后将该行的起始偏移量作为 key， 行内容作为 value 返回。

KeyValueTextInputFormat 每一行均为一条记录，被分隔符分割为 key，value。默认分隔 符是 tab( )。

NlineInputFormat 按照指定的行数 N 来划分切片。

CombineTextInputFormat 可以把多个小文件合并成一个切片处理，提高处理效率。 用户还可以自定义 InputFormat。

2) 逻辑处理接口:Mapper

用户根据业务需求实现其中三个方法:map() setup() cleanup ()

3) Partitioner 分区
有默认实现 HashPartitioner，逻辑是根据 key 的哈希值和 numReduces 来返回一个分区号;key.hashCode()&Integer.MAXVALUE % numReduces如果业务上有特别的需求，可以自定义分区。

4) Comparable 排序
当我们用自定义的对象作为 key 来输出时，就必须要实现 WritableComparable 接口，重写其中的 compareTo()方法。 

部分排序:对最终输出的每一个文件进行内部排序。 

全排序:对所有数据进行排序，通常只有一个 Reduce。 

二次排序:排序的条件有两个。

5) Combiner 合并
Combiner 合并可以提高程序执行效率，减少 io 传输。但是使用时必须不能影响原有的业务处理结果。

6) reduce 端分组:Groupingcomparator

reduceTask 拿到输入数据(一个 partition 的所有数据)后，首先需要对数据进行分组， 其分组的默认原则是 key 相同，然后对每一组 kv 数据调用一次 reduce()方法，并且将这一组kv 中的第一个 kv 的 key 作为参数传给 reduce 的 key，将这一组数据的 value 的迭代器传给reduce()的 values 参数。

利用上述这个机制，我们可以实现一个高效的分组取最大值的逻辑。

自定义一个 bean 对象用来封装我们的数据，然后改写其 compareTo 方法产生倒序排序 的效果。然后自定义一个 Groupingcomparator，将 bean 对象的分组逻辑改成按照我们的业务 分组 id 来分组(比如订单号)。这样，我们要取的最大值就是 reduce()方法中传进来 key。

7) 逻辑处理接口:Reducer

用户根据业务需求实现其中三个方法:reduce() setup() cleanup () 

8) 输出数据接口:OutputFormat

默认实现类是 TextOutputFormat，功能逻辑是:将每一个 KV 对向目标文本文件中输出 为一行。

SequenceFileOutputFormat 将它的输出写为一个顺序文件。如果输出需要作为后续MapReduce 任务的输入，这便是一种好的输出格式，因为它的格式紧凑，很容易被压缩。

用户还可以自定义 OutputFormat。

Hadoop系列的内容主要参考以下两本书：

1、Hadoop权威指南：大数据的存储与分析(第4版)

2、Hadoop实战（第2版）

以上为Hadoop执行引擎MapReduce，下一篇将介绍Hadoop的资源管理工具Yarn。

推荐阅读