好程序员大数据干货分享Mapreduce中job的提交流程

好程序员大数据干货分享Mapreduce中job的提交流程

一、MapReduce的定义：

MapReduce是面向大数据并行处理的计算模型、框架和平台。

它的主要思想是：map（映射）和reduce（归约）

1、MapReduce是一个基于集群的高性能并行计算平台

2、MapReduce是一个并行计算与运行软件框架

3、MapReduce是一个并行程序设计模型与方法

二、MapReduce的主要功能：

1、数据划分和计算任务调度

2、数据/代码互定位

3、系统优化

4、出错检测和恢复

三、计算任务调度中job的提交流程

遇到的问题：

在学到这的时候，我们会面临一些问题：

1、首先面临的问题就是数据是如何分布的？

2、一个超大文件按照那种方式切割下来，分别丢到不同的机器上？

3、按照某种方式切割下来后，是如何丢到不同机器上去的？

4、某个机器分配到什么任务？如何分配的？

5、拿到任务后如何解决的？

6、带着这些问题，我们就需要学习一下job的提交流程，从该流程中去寻找我们问题的答案。

Job的具体提交流程如下图所示：

我们用文字概括如下：

1、　　客户端提交job到resourcemanager(rm)

2、　　rm将其放到等待队列，返回jobid和文件路径信息

3、　　客户端将所需要计算的资源，上传到hdfs上(包括job信息和分片信息)的存储路径

4、　　客户端给rm返回一个资源准备好的信息，job放入等待队列，告诉他可以启动job，等待rm进行调度

5、　　rm在调度之前，申请一个资源nodemanager(nm)，nm启动container，它接收到任务到hdfs上将资源获取到container，然后跟客户端交互已经得到需要计算的资源，客户端向其发送启动applicationmaster(am)的命令

6、　　am启动起来后，通过解析分片信息向rm申请运算资源(maptask)

7、　　rm收到信息查看nm资源情况，通过负载均衡分配所需要的机器，nm每一次心跳都会从job的描述信息查询自己所分配到的任务，接收到任务消息的机器会从hdfs上拿取计算资源，然后跟am交互，am发送启动maptask的命令。

8、　　Maptask结束后，通知am，然后释放maptask资源，am向rm发出信息，申请reducetask的资源

9、　　rm分配资源，am启动reducetask

10、　　reducetask收集maptask完成的数据，启动reduce逻辑。执行完成后，通知am，然后释放reducetask的资源。am通知rm。am释放资源