MapReduce

Posted 2020-12-21 hapyygril

2. MAPREDUCE框架结构及核心运行机制

2.1 框架架构

一个完整的mapreduce程序在分布式运行时有三类实例进程：
1、MRAppMaster(Mapreduce application master)：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

2.2 MapReduce程序运行流程

(1) 一个mr程序启动的时候，最先启动的是MRAppMaster，MRAppMaster启动后根据本次job的描述信息，计算出需要的map task实例数量，然后向集群申请机器启动相应数量的map task进程；

(2) map task进程启动之后，根据给定的数据切片范围进行数据处理，主体流程为：
    a) 利用客户指定的inputformat来获取RecordReader读取数据，形成输入KV对；
    b) 将输入KV对传递给客户定义的map()方法，做逻辑运算，并将map()方法输出的KV对收集到缓存；
    c) 将缓存中的KV对按照K分区排序后不断溢写到磁盘文件；

(3) MRAppMaster监控到所有map task进程任务完成之后，会根据客户指定的参数启动相应数量的reduce task进程，并告知reduce task进程要处理的数据范围(数据分区)；

(4) Reduce task进程启动之后，根据MRAppMaster告知的待处理数据所在位置，从若干台map task运行所在机器上获取到若干个map task输出结果文件，并在本地进行重新归并排序，然后按照相同key的KV为一个组，调用客户定义的reduce()方法进行逻辑运算，并收集运算输出的结果KV，然后调用客户指定的outputformat将结果数据输出到外部存储。

2.2.1 MapReduce的示例wordcount运行过程解析

 

 

说明：

① client客户端获取待处理数据的信息（如多少个待处理的文件、待处理文件的大小），然后根据参数配置，形成一个任务分配的规划；

② client客户端向Yarn提交job.split、wc.jar和job.xml等相关文件，并申请资源；

③ Yarn首先启动Mr AppMaster；

④ MRAppMaster根据Yarn提供的本次job的描述信息，计算出需要的map task示例数量，然后向集群申请机器，启动相应的map task进程，这里启动3个map task；

⑤ map task根据任务分配规划分配的“a.txt 0-128”数据切片范围，通过InputFormat从中读取相应的数据，形成输入(K,V)键值对；

⑥ 再通过wordcountMapper的map()方法做逻辑运算处理输入(K,V)键值对；

⑦ 缓存map方法输出的(K,V)键值对到outputCollector；

⑧ map task输出的(K,V)键值对经过shuffle流程分区排序等操作，形成新的(K,V集合)键值对；

⑨ reduce task对(K,V集合)键值对进行逻辑处理；

⑩ reduce task输出(K,V)键值对到outputFormat；

? outputFormat把传过来的(K,V)键值对输出到part-0000*等文本文件中；

3. 客户端向Yarn提交mr程序Job的流程

该流程即为“2.2.1 MapReduce的示例wordcount运行过程解析”中的第一、二步骤。

 

 job.waitForCompletion()方法会调用job.submit方法，里面有JobSubmiter类，JobSubmiter类里面有Cluster类成员，Cluster类有个proxy代理成员，负责代理YarnRunner和代理LocalJobRunner。YarnRunner负责向Yarn提交job资源路径，而LocalJobRunner则是向本地提交job资源路径。YarnRunner和LocalJobRunner运行流程是一样，都是会产生StagingDir和JobID两个对象。JobSubmiter还会调用FileInputFormat.getSplits()方法获取切片规划List<FileSplit>并序列化生成job.split文件，根据客户端设置的job相关参数创建job.xml，最后还得获取job的jar包。StagingDir、JobID、job.spilt、job.xml和jar包共同拼接成一个job资源提交路径。

4. Map Task并行度决定机制

map task的平行度决定map阶段的任务处理并发度，进而影响到整个Job的处理速度。一个Job的map阶段并行度由客户端在提交Job时决定，而客户端对map阶段并行度的规划的基本逻辑为：将待处理数据执行逻辑切片(即按照一个特定切片的大小，将待处理数据划分成逻辑上的多个split)，然后每一个split分配一个mapTask并行实例处理。这段逻辑及形成的切片规划描述文件job.split，由FileInputFormat的getSplits()方法完成。决定map阶段并行度的任务切片规划过程即为“2.2.1 MapReduce的示例wordcount运行过程解析”中的第一步骤。切片规划过程如下：

 

 

切片定义在FileInputFormat类中的getSplit()方法中。

FileInputFormat中默认的切片机制：
a) 简单地按照文件的内容长度进行切片；
b) 切片大小，默认等于block大小；
c) 切片时不考虑数据集整体，而是逐个针对每一个文件单独切片

 

 

FileInputFormat中切片的大小的参数配置

通过分析源码，在FileInputFormat中，计算切片大小的逻辑：Math.max(minSize,Math.min(maxSize,blockSize))；切片主要由这几个值来运算决定：

minSize	默认值：1	配置参数：mapreduce.input.fileinputformat.split.minSize
maxSize	默认值：Long.MAXValue	配置参数：mapreduce.input.fileinputformat.split.maxSize
blockSize	默认情况下切片的大小

默认情况下，切片大小=blockSize

maxSize(切片最大值)：参数如果调到比blockSize小，则会让切片变小，而且就等于配置的这个参数的值；

minSize(切片最小值)：参数如果调的比blockSize大，则可以让切片变得比blockSize还大。

map并行度的经验之谈：

选择并发数的影响因素：①运算节点的硬件配置；②运算任务的类型：CPU密集型或IO密集型；③运算任务的数据量；

如果硬件配置为2*12core + 64G，恰当的map并行度是大约每个节点20~100个map，最好每个map的执行时间至少一分钟。

如果job的每个map或者reduce task的运行时间都只有30-40秒钟，那么就减少该job的map或者reduce数；每一个task(map|task)的setup和加入到调度器中进行调度，这个中间的过程可能都要花费几秒钟，所以如果每个task都非常快就跑完了，就会在task的开始和结束的时候浪费太多的时间。配置task的JVM重用可以改善该问题：mapred.job.jvm.num.tasks，默认是1，表示一个JVM上最多可以顺序执行的task数目（属于同一个Job）是1，也就是说一个task启动一个JVM。

如果input的文件非常的大，比如1TB，可以考虑将hdfs上的每个block size设大，比如设成256MB或者512MB。

5. Reduce Task并行度决定机制

Reduce task的并行度同样影响整个Job的执行并发度和执行效率，但与map task的并发数由切片数决定不同，Reduce task数量的决定是可以直接手动设置的。

如果数据分布不均匀，就有可能在reduce阶段产生数据倾斜

注意：reduce task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reduce task。

尽量不要运行太多的reduce task。对大多数job来说，最好reduce的个数和集群中的reduce持平，或者比集群的reduce slots小。这个对于小集群而言，尤其重要。

6. MapReduce的shuffle机制

6.1 概述

MapReduce中，map阶段处理的数据如何传递给reduce阶段，是mapreduce框架中最关键的一个流程，这个流程就叫shuffle；
shuffle：洗牌、发牌——(核心机制：数据分区，排序，缓存)；
具体来说：就是将maptask输出的处理结果数据，分发给reduce task，并在分发的过程中，对数据按key进行了分区和排序；

5.2 shuffle流程

shuffle是MR处理流程中的一个过程，它的每一个处理步骤是分散在各个map task和reduce task节点上完成的，整体来看，分为3个操作：
(1) 分区partition
(2) Sort根据key排序
(3) Combiner进行局部value的合并

1、①②③④map task读文件，是通过TextInputFormat(--> RecordReader --> read()) 一次读一行，返回(key,value)；

2、⑤上一步获取的(key,value)键值对经过Mapper的map方法逻辑处理形成新的(k,v)键值对，通过context.write输出到OutputCollector收集器；

3、⑥OutputCollector把收集到的(k,v)键值对写入到环形缓冲区中，环形缓冲区默认大小为100M，只写80%(环形缓冲区其实是一个数组，前面写着，后面有个组件清理这，写到文件中，防止溢出)。当环形缓冲区里面的数据达到其大小的80%时，就会触发spill溢出；

4、⑦spill溢出前需要对数据进行分区和排序，即会对环形缓冲区里面的每个(k,v)键值对hash一个partition值，相同partition值为同一分区，然会把环形缓冲区中的数据根据partition值和key值两个关键字升序排序；同一partition内的按照key排序；

5、⑧将环形缓冲区中排序后的内存数据不断spill溢出到本地磁盘文件，如果map阶段处理的数据量较大，可能会溢出多个文件；

6、⑨多个溢出文件会被merge合并成大的溢出文件，合并采用归并排序，所以合并的maptask最终结果文件还是分区且区内有序的；

7、⑩reduce task根据自己的分区号，去各个map task节点上copy拷贝相同partition的数据到reduce task本地磁盘工作目录；

9、?reduce task会把同一分区的来自不同map task的结果文件，再进行merge合并成一个大文件(归并排序)，大文件内容按照k有序；

10、??合并成大文件后，shuffle的过程也就结束了，后面进入reduce task的逻辑运算过程，首先调用GroupingComparator对大文件里面的数据进行分组，从文件中每次取出一组(k,values)键值对，调用用户自定义的reduce()方法进行逻辑处理；

11、??最后通过OutputFormat方法将结果数据写到part-r-000**结果文件中；

注：shuffle中的环形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。环形缓冲区的大小可以通过在mapred-site.xml中设置mapreduce.task.io.sort.mb的值来改变，默认100M。溢出的时候调用combiner组件，逻辑和reduce的一样，合并，相同的key，value相加，这样传效率高，不用一下子传好多相同的key，在数据量非常大的时候，这样的优化可以节省很多网络带宽和本地磁盘IO流的读写，具体的代码实现：定义一个combiner类，集成Reducer，输入类型和map的输出类型相同。

关于大量小文件的优化策略：

(1) 默认情况下，TextInputFormat对任务的切片机制是按文件规划切片，不管文件多小，都会是一个单独的切片，都会交给一个maptask，这样，如果有大量小文件，就会产生大量的maptask，处理效率极其低下；

(2) 优化策略：最好的方法是，在数据处理系统的最前端(预处理/采集)，就将小文件先合并成大文件，再上传到HDFS做后续分析。补救措施是，如果已经是大量小文件在hdfs中，可以使用另一种InputFormat来做切片(CombineFileInputFormat)，它的切片逻辑与FileInputFormat不同，它可以将多个小文件从逻辑上规划到一个切片中，这样，多个小文件就可以交给一个maptask来处理。

7. MapReduce中的序列化

7.1 概述

Java的序列化是一个重量级序列化框架(Serializable)，一个对象被序列化后，会附带很多额外的信息(各种校验信息、header、继承体系等等)，不便于在网络中高效传输；所以，hadoop自己开发了一套序列化机制(Writable)，精简、高效。

7.2 自定义对象实现MR中的序列化接口

如果需要将自定义的bean放在key中传输，则还需要实现comparable接口，因为mapreduce的shuffle流程一定会对key进行排序，此时，自定义的bean实现的接口应该是：public class FlowBean implements WritableComparable<FlowBean>

参考资料：https://www.bbsmax.com/A/KE5Qjg6qdL/

 

 

 

 

 

 

 

 

map阶段

 （1）输入分片（input split）

在进行map计算之前，mapreduce会根据输入文件计算输入分片（input split），每个输入分片（input split）针对一个map任务

输入分片（input split）存储的并非数据本身，而是一个分片长度和一个记录数据的位置的数组，输入分片（input split）往往和hdfs的block（块）关系很密切

假如我们设定hdfs的块的大小是64mb，如果我们输入有三个文件，大小分别是3mb、65mb和127mb，

那么mapreduce会把3mb文件分为一个输入分片（input split），

65mb则是两个输入分片（input split）

127mb也是两个输入分片（input split）

那么就会有5个map任务将执行，而且每个map执行的数据大小不均，这个也是mapreduce优化计算的一个关键点。

在map阶段，使用job.setInputFormatClass定义的InputFormat将输入的数据集分割成小数据块splites，同时InputFormat提供一个RecordReder的实现。

使用的是TextInputFormat，RecordReader会将文本的字节偏移量作为key，这一行的文本作为value。这就是自定义Map的输入是<LongWritable, Text>

（2）分区

在写入磁盘之前，线程首先根据reduce任务的数目将数据划分为相同数目的分区，也就是一个reduce任务对应一个分区的数据。

其实分区就是对数据进行hash。然后对每个分区中的数据进行排序，如果此时设置了Combiner，将排序后的结果进行Combiner操作

这是提高reduce效率的一个关键所在。

（3）排序和Combiner

写入内存（缓冲区）==》排序 ==》 combiner ==》写入磁盘 ==》溢出文件

map在做输出时候会在内存里开启一个环形内存缓冲区，将结果写入内存（缓冲区）

map还会启动一个守护线程，如果缓冲区的内存达到了阀值的80%时候，这个守护线程就会把内容写到磁盘上，另外的20%内存可以继续写，这个过程叫spill；

写入内存和写入磁盘是互不干扰的，如果缓存区被撑满了，那么map就会阻塞写入内存的操作，让写入磁盘操作完成后再继续执行写入内存操作

每次spill操作也就是写入磁盘操作时候就会写一个溢出文件，也就是说在做map输出有几次spill就会产生多少个溢出文件，等map输出全部做完后，map会合并这些输出文件。

（4）将分区中的数据拷贝给相对应的reduce任务。

reduce阶段

（1）Reduce会接收到不同map任务传来的数据，并且每个map传来的数据都是有序的。

如果reduce端接受的数据量相当小，则直接存储在内存中，如果数据量超过了该缓冲区大小的一定比例，则对数据合并后溢写到磁盘中。

（2）随着溢写文件的增多，后台线程会将它们合并成一个更大的有序的文件，这样做是为了给后面的合并节省时间。

（3）最后一次合并的结果并没有写入磁盘，而是直接输入到reduce函数