Hadoop Mapreduce的工作流程

Posted 2020-10-22 李华东

MapReduce是什么？

　　Hadoop MapReduce是一个软件框架，基于该框架能够容易地编写应用程序，这些应用程序能够运行在由上千个商用机器组成地大集群上，并以一种可靠的，具有容错能力的方式并行地处理上TB级别地海量数据集。

MapReduce工作机制

Mapreduce 的4个对象

1、客户端：编写mapreduce程序，配置任务，提交任务。

2、JobTracker：初始化作业，分配作业，与TaskTracker通信，协调整个作业的执行。

3、TaskTracker：保持与JobTracker的通信，在分配的数据片段上执行Map或Reduce任务，TaskTracker和JobTracker的不同有个很重要的方面，就是在执行任务时候TaskTracker可以有n多个，JobTracker则只会有一个（JobTracker只能有一个就和hdfs里namenode一样存在单点故障）。

4、HDFS：保存作业的数据、配置信息等，最后的结果也是保存在HDFS上面。

MapReduce运行步骤：

　　首先是客户端要编写好mapreduce程序，配置好mapreduce的作业也就是job，接下来就要提交job，提交job是提交到JobTracker上的，这个时候JobTracker就会构建这个job，具体就是分配一个新的job任务的ID值。

　　接下来它会做检查操作，这个检查就是确定输出目录是否存在，如果存在那么job就不能正常运行下去，JobTracker会抛出错误给客户端，接下来还要检查输入目录是否存在，如果不存在同样抛出错误，如果存在JobTracker会根据输入计算输入计算输入分片（Input Split），如果分片计算不出来也会抛出错误。当这些都做好了JobTracker就会配置Job需要的资源了。

　　分配好资源后，JobTracker就会初始化作业，初始化主要做的是将Job放入一个内部的队列，让配置好的作业调度器能调度到这个作业，作业调度器会初始化这个job，初始化就是创建一个正在运行的job对象，以便JobTracker跟踪job的状态和进程。

　　初始化完毕后，作业调度器会获取输入分片信息（input split），每个分片创建一个map任务。

　　接下来就是任务分配了，这个时候TaskTracker会运行一个简单的循环机制定期发送心跳给JobTracker，心跳间隔是5秒，程序员可以配置这个时间，心跳就是JobTracker和TaskTracker沟通的桥梁，通过心跳，Jobtracker可以监控TaskTracker是否存活，也可以获取TaskTracker处理的状态和问题。同时TaskTracker也可以通过心跳里的返回值获取JobTracker给它的操作指令。

　　任务分配好后就是执行任务了。在任务执行时候JobTracker可以通过心跳机制监控TaskTracker的状态和进度，同时也能计算出整个job的状态和进度，而TaskTracker也可以本地监控自己的状态和进度。当JobTracker获得了最后一个完成指定任务的TaskTracker操作成功的通知时候，JobTracker会把整个job状态置为成功，然后当客户端查询job运行状态时（这个是异步操作）,客户端会查到job完成的通知的。如果job中途失败，mapreduce也会有相应机制处理，一般而言如果不是程序员本身有bug，mapreduce错误处理机制能够保证job能正常完成。