大数据课程————MapReduce

MapReduce

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

优点：

  • 易于编程，用户只关心业务逻辑，实现框架的接口
  • 良好的扩展性。可动态增加服务器，解决计算资源不够的问题
  • 高容错性。任意节点挂掉可以将任务转移至其他节点
  • 适合海量数据计算。（TB/PB级别）几千台服务器共同计算

缺点：

  • 不擅长实时计算。（mysql毫秒级别的）
  • 不擅长流式计算
  • 不擅长DAG有向无环图计算

MapReduce工作流程

  1. 运算程序一般分为2个阶段：Map阶段和Reduce阶段
  2. Map阶段并发MapTask并行运行，互不干扰；Reduce阶段的并发Reduce Task ，但他们的数据依赖于上一个MapTask并发实例的输出
  3. MapReduce编程模型只能包含一个Map和一个Reduce阶段，若业务繁杂，只能使用多个MapReduce程序串行运行

MapReduce进程

  • MrAppmaster：整个程序的过程调度及协调
  • MapTask：负责Map阶段的整个数据流处理
  • ReduceTask：负责Reduce阶段的数据处理

编程规范

  • Mapper阶段：继承Mapper类，输入输出均为kv形式，业务逻辑写在map()中，MapTask进程对每个kv仅调用一次
  • Reduce阶段：继承Reduce类，输入为Mapper的输出数据类型，业务写在reduce()中，ReduceTask进程对每组k相同的kv调用一次reduce()
  • Driver阶段：相当于Yarn的客户端，提交封装了MapReduce程序相关运行参数的Job对象到Yarn集群

本地Hadoop测试WordCount计算成功后，应将其提交到集群，交由集群计算。

  • Driver类中输入输出参数填args[]数组的参数
  • 根据实际情况添加依赖，打包后放入集群运行时，应填写全列名，如“com/yz/mapreduce/wordcount2/WordCountDriver”再添加其他参数即可运行

Hadoop序列化：java自带序列化的简化版

  • 紧凑 ：高效使用存储空间。
  • 快速：读写数据的额外开销小。
  • 互操作：支持多语言的交互

MapReduce的切片机制与MapTask并行度决定机制

数据块：HDFS上将数据分为多个块

数据切片：在逻辑上对输入进行分片，并不会在磁盘上对其切分成片存储，数据切片是MapReduce程序计算输入数据的单位，一个切片对应启动一个MapReduce

  • 一个Job的Map阶段并行度由客户端在 提交Job时的切片数决定
  • 默认情况下，切片大小=BlockSize
  • 每个Slipt切片分配一个MapTask并行实例处理
  • 切片时不考虑数据整体，而是逐个对单个文件单独切片

FileInputFormat切片分析：

  1. 程序找到数据存储的目录

  2. 遍历切片下的每个文件，切片时不考虑数据集整体，对每个文件单独切片

  3. 遍历第一个文件：

    1. 获取文件大小
    2. 根据切片公式计算切片大小，默认切片大小=blocksize
    3. 第一个切片0:128M，第二个128:256，第三个356:300M，每次切片都要判断切完剩下的部分是否大于块的1.1倍，不大于就划成一块切片（源码中有写）
    4. 将切片信息写入切片规划文件中

  5. 整个切片的核心过程都在getSplit( )中完成，InputSplit只记录了切片元数据

  6. 提交切片规划文件到YARN上，YARN的MrAppMaster根据切片规划文件计算开启MapTask的个数

获取切片信息API

  • 获取切片名称：inputSplit.getPath().getName()
  • 根据文件类型获取切片信息：（FileSplit）context.getInputSplit()

MapReduce框架

  • 基本流程：

TextInputFormat：系统默认的切片机制

TextInputFormat是默认的FileInputFormat实现类。按行读取每条记录。键是存储该行在整个文件中的起始字节偏移量， LongWritable类型。值是这行的内容，不包括任何行终止符（换行符和回车符），Text类型。

CombineTextInputFormat切片机制

解决TextInputFormat对单个文件切片的缺陷，如果小文件过多将会产生大量MapTask，效率低下，CombineTextInputFormat将多个小文件从逻辑上划分给同一个MapTask，提高效率

虚拟存储切片最大值设置：CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m

MapTask工作机制

  1. 读取数据组件Inputformat(接口，实际是TextinputFormat)通过getSplits方法对输入目录中的文件进行逻辑切片，得到block，有多少个block就有多少个MapTask
  2. 输入文件切块之后，由RecordReader对象（实际是LineRecordReader）进行行读取，读一行返回一个ky，key为首字母偏移量，value为这行的文本内容
  3. 读取block后返回ky,进入用户自己继承的Mapper类，重写map函数，写业务代码
  4. mapper结束后，通过conetxt.write收集结果，，在context中对其进行分区处理
  5. 然后会将数据写入内存，内存中这片区域叫环形缓冲区，作用是批量收集Mapper结果，减少磁盘IO的影响，ky对以及Partition的结果都会被写入缓冲区，写入之前ky都会被序列化成字节数组。缓冲区其实就是一个存放ky的数组，环形结构值一个抽象概念。缓冲区有100M大小，当当Mapper输出结果较多，则需要另起一个线程将数据写入磁盘，这个行为叫Spill溢写。溢写的阈值是80%，即当数组快到80%时，就开始溢写，同时还会接收Mapper数据，并且当二者速度相差过大时，内存还会等待溢写，直到可以继续收集。溢写之前对key的索引按照字典顺序进行快排，快排之后进行combiner规约，生成小文件。hadoop的mapred-site.xml中定义了缓冲区的相关设置。缓冲区大小通过mapreduce.task.io.sort.mb设置，阈值通过mapreduce.map.sort.split.percent设置
  6. 溢写程序启动后，对80M内容的Key做排序，排序是MapReduce模型默认的行为，是对序列化的字节做的排序
  7. 合并溢写文件，每次溢写都会在磁盘生成一个临时文件，多Mapper输出结果大，则会有多次溢写，有多个临时文件，整个数据处理结束后，开始对磁盘中的临时文件做Merge合并成一个文件，并写入磁盘，并为这个we你按提供一个索引文件，记录每个reduce对应数据的偏移

MapReduce工作流程

MapReduce_Shuffle机制

Map方法之后就开始Reduce阶段，Reduce第一个阶段是Reduce_Shuffle，一般当做Reduce业务层前置阶段。第二阶段即真正的ReduceTask，用来对数据进行操

Shuffle大致分为四个步骤：

  1. 分区：环型缓冲期前的逻辑分区
  2. 排序：：缓冲期写入磁盘前的快速排序
  3. combiner规约：溢写前、合并小文件等都会用到的操作，可选
  4. 分组：小文件合并成一个大文件后，对其进行归并排序、分组

Partition分区

系统默认的分区逻辑如下，默认分区是根据key的hashCode对ReduceTask个数取模得到，用户无法控制key存储到哪个分区：

public class HashPartitioner<K2, V2> implements Partitioner<K2, V2> {

……

public int getPartition(K2 key, V2 value, int numReduceTasks) {

​ return (key.hashCode() & 2147483647) % numReduceTasks;

}

}

想要控制存储分区，可继承下面的Partitioner抽象类，并重写getPartitioner()方法：

public abstract class Partitioner<KEY, VALUE> {

public abstract int getPartition(KEY var1, VALUE var2, int var3);

}

若自定义了分区，必须在job驱动中设置自定义Partitioner，否则还是会走默认，并根据Partitioner的逻辑设置相应数量的ReduceTask

分区总结：

  • 若ReduceTask数量>getPartitioner结果数量，则会产生空的part-r-000xx文件。造成资源浪费
  • 若1<ReduceTask数量<getPartitioner结果数量，则一部分分区数据无法存放，报IO异常
  • 若ReduceTask数量=1，则为默认情况，所有分区文件都交给一个ReduceTask，结果生成一个part文件
  • 分区号必须从0开始，逐一累加

WritableComparable排序

排序是MapReduce中最重要的操作之一，MapTask和ReduceTask均会对数据排序，这是Hadoop行为，不论逻辑是否需要均会排序。

MapTask中，处理的结果暂时放在环形缓冲区，到达阈值后，对80%的数据进行一次快排，并将排序后的数据溢写到磁盘，全部处理完毕后对多有文件进行归并排序

ReduceTask中，从每个MapTask上远程拷贝相应的数据文件，若文件大于阈值则溢写到磁盘，否则存在内存中。

  • 若内存中文件大小或数量到达阈值，则合并后将数据溢写在磁盘。
  • 若磁盘中文件数量达到阈值则做一次归排生成一个大文件
  • 所有数据拷贝完后，ReduceTask统一对内存和磁盘上所有数据进行一次归并排序

排序分类：

部分排序：MapReduce根据记录的键对数据集排序，保证输出的每个文件内部有序

全排序：最终输出结果只有一个文件，文件内部有序，一般不会使用这种方式，因为数据量太大，用一个ReduceTask处理效率太低

辅助排序：FroupingComparator分组，少用

二次排序（自定义排序）：若compareTo中的判断条件为2个即为二次排序

Combiner合并

combiner是可选的步骤，是Mapper和Reduce之外的组件，Combiner的父类就是Reduce。Combiner的意义就是对每个MapTask的输出进行局部汇总，以减少网络传输量。

选择Combiner的限制条件是，使用后不能影响最终的业务逻辑，例如比较适合叠加操作，而不适合求平均值操作

outPutFormatgaishu概述

后续：

https://www.bilibili.com/video/BV1Qp4y1n7EN

P105

Study
#Big Data #Hadoop
大数据课程————MapReduce
https://zhouyinglin.cn/post/e8243c3.html
作者
小周
发布于
2022年8月6日
更新于
2022年12月15日
许可协议