数据分析工具篇——MapReduce结构

作者：livan

来源：数据python与算法

前面我们介绍了HDFS，作为HDFS的第一代上层架构，我们必须讲解一下hadoop的MapReduce结构，可以说这一结构促进了大数据的兴起。

MapReduce的结构分析

Mapreduce的计算顺序为：在map中数据被一行行的读取，然后进行切分；然后再经历shuffle，然后进行reduce处理。

在mapreduce中计算主要有三部分组成：

Map—Shuffle—Reduce；

我们可以看一个详细的图形：

Mapreduce计算过程：

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）而127mb也是两个输入分片（input split），换句话说我们如果在map计算前做输入分片调整，例如合并小文件，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。

2）map阶段：就是程序员编写好的map函数了，因此map函数效率相对好控制，而且一般map操作都是本地化操作也就是在数据存储节点上进行；

3）combiner阶段：combiner阶段是程序员可以选择的，combiner其实也是一种reduce操作，因此我们看见WordCount类里是用reduce进行加载的。Combiner是一个本地化的reduce操作，它是map运算的后续操作，主要是在map计算出中间文件前做一个简单的合并重复key值的操作，例如我们对文件里的单词频率做统计，map计算时候如果碰到一个hadoop的单词就会记录为1，但是这篇文章里hadoop可能会出现n多次，那么map输出文件冗余就会很多，因此在reduce计算前对相同的key做一个合并操作，那么文件会变小，这样就提高了宽带的传输效率，毕竟hadoop计算力宽带资源往往是计算的瓶颈也是最为宝贵的资源，但是combiner操作是有风险的，使用它的原则是combiner的输入不会影响到reduce计算的最终输入，例如：如果计算只是求总数，最大值，最小值可以使用combiner，但是做平均值计算使用combiner的话，最终的reduce计算结果就会出错。

4）shuffle阶段：将map的输出作为reduce的输入的过程就是shuffle了，这个是mapreduce优化的重点地方。这里我不讲怎么优化shuffle阶段，讲讲shuffle阶段的原理，因为大部分的书籍里都没讲清楚shuffle阶段。Shuffle一开始就是map阶段做输出操作，一般MapReduce计算的都是海量数据，map输出时候不可能把所有文件都放到内存操作，因此map写入磁盘的过程十分的复杂，更何况map输出时候要对结果进行排序，内存开销是很大的，map在做输出时候会在内存里开启一个环形内存缓冲区，这个缓冲区专门用来输出的，默认大小是100mb，并且在配置文件里为这个缓冲区设定了一个阀值，默认是0.80（这个大小和阀值都是可以在配置文件里进行配置的），同时map还会为输出操作启动一个守护线程，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，这个过程叫spill，另外的20%内存可以继续写入要写进磁盘的数据，写入磁盘和写入内存操作是互不干扰的，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，前面我讲到写入磁盘前会有个排序操作，这个是在写入磁盘操作时候进行，不是在写入内存时候进行的，如果我们定义了combiner函数，那么排序前还会执行combiner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。这个过程里还会有一个Partitioner操作，对于这个操作很多人都很迷糊，其实Partitioner操作和map阶段的输入分片（Input split）很像，一个Partitioner对应一个reduce作业，如果我们mapreduce操作只有一个reduce操作，那么Partitioner就只有一个，如果我们有多个reduce操作，那么Partitioner对应的就会有多个，Partitioner因此就是reduce的输入分片，这个程序员可以编程控制，主要是根据实际key和value的值，根据实际业务类型或者为了更好的reduce负载均衡要求进行，这是提高reduce效率的一个关键所在。到了reduce阶段就是合并map输出文件了，Partitioner会找到对应的map输出文件，然后进行复制操作，复制操作时reduce会开启几个复制线程，这些线程默认个数是5个，程序员也可以在配置文件更改复制线程的个数，这个复制过程和map写入磁盘过程类似，也有阀值和内存大小，阀值一样可以在配置文件里配置，而内存大小是直接使用reduce的tasktracker的内存大小，复制时候reduce还会进行排序操作和合并文件操作，这些操作完了就会进行reduce计算了。

5）reduce阶段：和map函数一样也是程序员编写的，最终结果是存储在hdfs上的。

YARN的工作原理

Mapreduce1.0的结构如下：

但是其自身存在一些问题，这一机制存在可扩展性差、内存消耗高、线程复杂、可靠性不强等问题，所以出现了第二代产品Yarn，结构如下：

Yarn作为一个调度器，对应的调度结构为：

1)client首先提交一个application给到rm，rm接收到application后会查看可以存放文件的路径以及app_id；

2)client接收到这个app_id以及路径，将对应的job.xml文件、jar文件等存放在HDFS中对应的路径下；

3)存放完成后，client会向rm发送传送完成的指令，rm接收到这个指令后会形成一个task，并将这个task存放在队列中；

4）会定时向rm请求，查看task队列中是否存在task，如果存在task，则生成容器container；

5）容器在形成的时候会将运行所需要的资源：内存、CPU、jar文件（在HDFS中，nodemanager从HDFS中取出数据文件）等全部汇总到container中；

6）生成的同时还在其中产生一个主管MrAppMaster，这个MrAppMaster会激活map中所有的切片，同时生成多个待运行的maptask；

7）紧接着会向rm提出申请，确定运行这些maptask以及运行所在的服务器，在这些服务器上生成对应个数的container；

8）将运行这些maptask所需要的资源CPU等存放在container中；

9）资源协调好后，MrAppMaster会将maptask发送到container中，并通过java -jar XXX启动所有的maptask；

10）当maptask运行完成后，会在对应的服务器上保留一个结果文件，供reduce调用，同时maptask将运行结果告诉MrAppMaster；

11）向rm提出申请，申请reduce运行所需要的资源以及运行位置；

12）在NodeManager中形成container，存放reducetask并运行，reducetask运行的时候会向maptask所在的服务器找map的运行结果文件；

13）当reducetask运行完成后，会将运行结果存储在服务器上，并通知MrAppMaster，MrAppMaster会销毁这次的task运行；

看到这里，你对hadoop的计算有没有一个完整的理解，欢迎相互沟通～