mapreduce的理解

Posted 2020-08-19

1.自己设计一个并行计算框架，应该需要考虑那些问题呢？

第一个问题是：并行计算肯定是多台计算机吗，多台计算机他们之间如何划分任务？

这个地方总归有一个模块来分发任务，也就意味这它就是老大，它来维护任务或者资源

mapreduce在hadoop 1.x版本上是jobtracker,hadoop 2.x版本是通过yarn来管理的,它是ResourceManager,来管理其他节点以及如何分布任务的。

小弟在Hadoop 1.x版本上是tasktracker,在hadoop2版本上是NodeManager，NodeManager在启动一个进程YARNchild来运行处理计算数据。

第二个问题是：并行计算所需的计算数据从哪里来？

一个任务很大，如果都让放在老大那边，是不是压力很大吗？所以他们使用现成的可以存储数据的hdfs来负责存储数据，客户端向ResourceManager得到任务允许之后，然后将所需jar包，依赖都放在hdfs节点上，让他们自己都去取所需任务，老大只要告诉他们一定的标志就可以了吗。

第三个问题是：并行计算计算出来的结果，如何进行汇总？

并行计算计算出来的数据，最终还是写给了hdfs，不可能写给老大，老大可能还要连续接受别人给的新任务，也不可能放在每个节点上，这样数据过于离散，最后还是选择了继续放在hdfs上。

第四个问题是：如何在这个过程中有的任务失败了，会想什么办法来弥补呢？

他们通过rpc通信，（也就是所谓的心脏跳动机制，来时不时给老大反馈，）老大在让其它nodeManager来继续干这些事情，来弥补计算。

2.mapreduce的运行流程是什么？

                                                        client                  

                        

                                                        jobtracker

                inputsplit            ->mapper()  

                                                                    mapoutput  ----shuffle---reducer()  ------>output

                inputsplit            ->mapper()

inputsplit:一个inputsplit对应这一个map函数   ：也就一行作为一个mapper函数来处理。

mapper输出[hello    1] [zhang 1] [san 1]

shuffle:对起所需结果，进行分组。如hello 一组，[hello, (1,1,1)]

reduceer:输出 hello 5

                        zhangsan 1

hadoop中数据要在网络之间传输，必须实现序列化（先将文件写到磁盘中，在从磁盘中在经过网络传输）

Hadoop使用自己的高效序列化机制来代替Java版的序列化机制（string，long等都实现seriable),

hadoop序列化机制必须实现writable接口。

本文出自 “简答生活” 博客，转载请与作者联系！