hadoop 學習筆記：mapreduce框架詳解(轉)

原文：http://www.cnblogs.com/sharpxiajun/p/3151395.html（有刪減）

Mapreduce運行機制

　　下面我貼出幾張圖，這些圖都是我在百度圖片裏找到的比較好的圖片：

　　圖片一：

　　圖片二：

　　圖片三：

　　圖片四：

　　圖片五：

　　圖片六：

　　談mapreduce運行機制，能夠從不少不一樣的角度來描述，好比說從mapreduce運行流程來說解，也能夠從計算模型的邏輯流程來進行講解，也許有些深刻理解了mapreduce運行機制還會從更好的角度來描述，可是將mapreduce運行機制有些東西是避免不了的，就是一個個參入的實例對象，一個就是計算模型的邏輯定義階段，我這裏講解不從什麼流程出發，就從這些一個個牽涉的對象，不論是物理實體仍是邏輯實體。

　　首先講講物理實體，參入mapreduce做業執行涉及4個獨立的實體：

1. 客戶端（client）：編寫mapreduce程序，配置做業，提交做業，這就是程序員完成的工做；

2. JobTracker：初始化做業，分配做業，與TaskTracker通訊，協調整個做業的執行；

3. TaskTracker：保持與JobTracker的通訊，在分配的數據片斷上執行Map或Reduce任務，TaskTracker和JobTracker的不一樣有個很重要的方面，就是在執行任務時候TaskTracker能夠有n多個，JobTracker則只會有一個（JobTracker只能有一個就和hdfs裏namenode同樣存在單點故障，我會在後面的mapreduce的相關問題裏講到這個問題的）

4. Hdfs：保存做業的數據、配置信息等等，最後的結果也是保存在hdfs上面

那麼mapreduce究竟是如何運行的呢？

　　首先是客戶端要編寫好mapreduce程序，配置好mapreduce的做業也就是job，接下來就是提交job了，提交job是提交到JobTracker上的，這個時候JobTracker就會構建這個job，具體就是分配一個新的job任務的ID值，接下來它會作檢查操做，這個檢查就是肯定輸出目錄是否存在，若是存在那麼job就不能正常運行下去，JobTracker會拋出錯誤給客戶端，接下來還要檢查輸入目錄是否存在，若是不存在一樣拋出錯誤，若是存在JobTracker會根據輸入計算輸入分片（Input Split），若是分片計算不出來也會拋出錯誤，至於輸入分片我後面會作講解的，這些都作好了JobTracker就會配置Job須要的資源了。分配好資源後，JobTracker就會初始化做業，初始化主要作的是將Job放入一個內部的隊列，讓配置好的做業調度器能調度到這個做業，做業調度器會初始化這個job，初始化就是建立一個正在運行的job對象（封裝任務和記錄信息），以便JobTracker跟蹤job的狀態和進程。初始化完畢後，做業調度器會獲取輸入分片信息（input split），每一個分片建立一個map任務。接下來就是任務分配了，這個時候tasktracker會運行一個簡單的循環機制按期發送心跳給jobtracker，心跳間隔是5秒，程序員能夠配置這個時間，心跳就是jobtracker和tasktracker溝通的橋樑，經過心跳，jobtracker能夠監控tasktracker是否存活，也能夠獲取tasktracker處理的狀態和問題，同時tasktracker也能夠經過心跳裏的返回值獲取jobtracker給它的操做指令。任務分配好後就是執行任務了。在任務執行時候jobtracker能夠經過心跳機制監控tasktracker的狀態和進度，同時也能計算出整個job的狀態和進度，而tasktracker也能夠本地監控本身的狀態和進度。當jobtracker得到了最後一個完成指定任務的tasktracker操做成功的通知時候，jobtracker會把整個job狀態置爲成功，而後當客戶端查詢job運行狀態時候（注意：這個是異步操做），客戶端會查到job完成的通知的。若是job中途失敗，mapreduce也會有相應機制處理，通常而言若是不是程序員程序自己有bug，mapreduce錯誤處理機制都能保證提交的job能正常完成。

　　下面我從邏輯實體的角度講解mapreduce運行機制，這些按照時間順序包括：輸入分片（input split）、map階段、combiner階段、shuffle階段和reduce階段。

1. 輸入分片（input split）：在進行map計算以前，mapreduce會根據輸入文件計算輸入分片（input split），每一個輸入分片（input split）針對一個map任務，輸入分片（input split）存儲的並不是數據自己，而是一個分片長度和一個記錄數據的位置的數組，輸入分片（input split）每每和hdfs的block（塊）關係很密切，假如咱們設定hdfs的塊的大小是64mb，若是咱們輸入有三個文件，大小分別是3mb、65mb和127mb，那麼mapreduce會把3mb文件分爲一個輸入分片（input split），65mb則是兩個輸入分片（input split）而127mb也是兩個輸入分片（input split），換句話說咱們若是在map計算前作輸入分片調整，例如合併小文件，那麼就會有5個map任務將執行，並且每一個map執行的數據大小不均，這個也是mapreduce優化計算的一個關鍵點。

2. map階段：就是程序員編寫好的map函數了，所以map函數效率相對好控制，並且通常map操做都是本地化操做也就是在數據存儲節點上進行；

3. combiner階段：combiner階段是程序員能夠選擇的，combiner其實也是一種reduce操做，所以咱們看見WordCount類裏是用reduce進行加載的。Combiner是一個本地化的reduce操做，它是map運算的後續操做，主要是在map計算出中間文件前作一個簡單的合併重複key值的操做，例如咱們對文件裏的單詞頻率作統計，map計算時候若是碰到一個hadoop的單詞就會記錄爲1，可是這篇文章裏hadoop可能會出現n屢次，那麼map輸出文件冗餘就會不少，所以在reduce計算前對相同的key作一個合併操做，那麼文件會變小，這樣就提升了寬帶的傳輸效率，畢竟hadoop計算力寬帶資源每每是計算的瓶頸也是最爲寶貴的資源，可是combiner操做是有風險的，使用它的原則是combiner的輸入不會影響到reduce計算的最終輸入，例如：若是計算只是求總數，最大值，最小值可使用combiner，可是作平均值計算使用combiner的話，最終的reduce計算結果就會出錯。

4. shuffle階段：將map的輸出做爲reduce的輸入的過程就是shuffle了，這個是mapreduce優化的重點地方。這裏我不講怎麼優化shuffle階段，講講shuffle階段的原理，由於大部分的書籍裏都沒講清楚shuffle階段。Shuffle一開始就是map階段作輸出操做，通常mapreduce計算的都是海量數據，map輸出時候不可能把全部文件都放到內存操做，所以map寫入磁盤的過程十分的複雜，更況且map輸出時候要對結果進行排序，內存開銷是很大的，map在作輸出時候會在內存裏開啓一個環形內存緩衝區，這個緩衝區專門用來輸出的，默認大小是100mb，而且在配置文件裏爲這個緩衝區設定了一個閥值，默認是0.80（這個大小和閥值都是能夠在配置文件裏進行配置的），同時map還會爲輸出操做啓動一個守護線程，若是緩衝區的內存達到了閥值的80%時候，這個守護線程就會把內容寫到磁盤上，這個過程叫spill，另外的20%內存能夠繼續寫入要寫進磁盤的數據，寫入磁盤和寫入內存操做是互不干擾的，若是緩存區被撐滿了，那麼map就會阻塞寫入內存的操做，讓寫入磁盤操做完成後再繼續執行寫入內存操做，前面我講到寫入磁盤前會有個排序操做，這個是在寫入磁盤操做時候進行，不是在寫入內存時候進行的，若是咱們定義了combiner函數，那麼排序前還會執行combiner操做。每次spill操做也就是寫入磁盤操做時候就會寫一個溢出文件，也就是說在作map輸出有幾回spill就會產生多少個溢出文件，等map輸出所有作完後，map會合並這些輸出文件。這個過程裏還會有一個Partitioner操做，對於這個操做不少人都很迷糊，其實Partitioner操做和map階段的輸入分片（Input split）很像，一個Partitioner對應一個reduce做業，若是咱們mapreduce操做只有一個reduce操做，那麼Partitioner就只有一個，若是咱們有多個reduce操做，那麼Partitioner對應的就會有多個，Partitioner所以就是reduce的輸入分片，這個程序員能夠編程控制，主要是根據實際key和value的值，根據實際業務類型或者爲了更好的reduce負載均衡要求進行，這是提升reduce效率的一個關鍵所在。到了reduce階段就是合併map輸出文件了，Partitioner會找到對應的map輸出文件，而後進行復制操做，複製操做時reduce會開啓幾個複製線程，這些線程默認個數是5個，程序員也能夠在配置文件更改複製線程的個數，這個複製過程和map寫入磁盤過程相似，也有閥值和內存大小，閥值同樣能夠在配置文件裏配置，而內存大小是直接使用reduce的tasktracker的內存大小，複製時候reduce還會進行排序操做和合並文件操做，這些操做完了就會進行reduce計算了。

5. reduce階段：和map函數同樣也是程序員編寫的，最終結果是存儲在hdfs上的。

Mapreduce的相關問題

　　這裏我要談談我學習mapreduce思考的一些問題，都是我本身想出解釋的問題，可是某些問題到底對不對，就要廣大童鞋幫我確認了。

1. jobtracker的單點故障：jobtracker和hdfs的namenode同樣也存在單點故障，單點故障一直是hadoop被人詬病的大問題，爲何hadoop的作的文件系統和mapreduce計算框架都是高容錯的，可是最重要的管理節點的故障機制卻如此很差，我認爲主要是namenode和jobtracker在實際運行中都是在內存操做，而作到內存的容錯就比較複雜了，只有當內存數據被持久化後容錯纔好作，namenode和jobtracker均可以備份本身持久化的文件，可是這個持久化都會有延遲，所以真的出故障，任然不能總體恢復，另外hadoop框架裏包含zookeeper框架，zookeeper能夠結合jobtracker，用幾臺機器同時部署jobtracker，保證一臺出故障，有一臺立刻能補充上，不過這種方式也無法恢復正在跑的mapreduce任務。

2. 作mapreduce計算時候，輸出通常是一個文件夾，並且該文件夾是不能存在，我在出面試題時候提到了這個問題，並且這個檢查作的很早，當咱們提交job時候就會進行，mapreduce之因此這麼設計是保證數據可靠性，若是輸出目錄存在reduce就搞不清楚你究竟是要追加仍是覆蓋，不論是追加和覆蓋操做都會有可能致使最終結果出問題，mapreduce是作海量數據計算，一個生產計算的成本很高，例如一個job徹底執行完可能要幾個小時，所以一切影響錯誤的狀況mapreduce是零容忍的。

3. Mapreduce還有一個InputFormat和OutputFormat，咱們在編寫map函數時候發現map方法的參數是之間操做行數據，沒有牽涉到InputFormat，這些事情在咱們new Path時候mapreduce計算框架幫咱們作好了，而OutputFormat也是reduce幫咱們作好了，咱們使用什麼樣的輸入文件，就要調用什麼樣的InputFormat，InputFormat是和咱們輸入的文件類型相關的，mapreduce裏經常使用的InputFormat有FileInputFormat普通文本文件，SequenceFileInputFormat是指hadoop的序列化文件，另外還有KeyValueTextInputFormat。OutputFormat就是咱們想最終存儲到hdfs系統上的文件格式了，這個根據你須要定義了，hadoop有支持不少文件格式，這裏不一一列舉，想知道百度下就看到了。