MaxCompute MapReduce

摘要： 大数据计算服务(MaxCompute)的功能详解和使用心得

前言

MapReduce已经有文档，用户可以参考文档使用。本文是在文档的基础上做一些类似注解及细节解释上的工作。

功能介绍

MapReduce

说起MapReduce就少不了WordCount，我特别喜欢文档里的这个图片。

比如有一张很大的表。表里有个String字段记录的是用空格分割开单词。最后需要统计所有记录中，每个单词出现的次数是多少。那整体的计算流程是

1. 输入阶段：根据工作量，生成几个Mapper，把这些表的数据分配给这些Mapper。每个Mapper分配到表里的一部分记录。

2. Map阶段：每个Mapper针对每条数据，解析里面的字符串，用空格切开字符串，得到一组单词。针对其中每个单词，写一条记录

3.Shuffle阶段-合并排序：也是发生在Mapper上。会先对数据进行排序。比如WordCount的例子，会根据单词进行排序。排序后的合并，又称Combiner阶段，因为前面已经根据单词排序过了，相同的单词都是连在一起的。那可以把2个相邻的合并成1个。Combiner可以减少在后续Reduce端的计算量，也可以减少Mapper往Reducer的数据传输的工作量。

4.Shuffle阶段-分配Reducer：把Mapper输出的单词分发给Reducer。Reducer拿到数据后，再做一次排序。因为Reducer拿到的数据已经在Mapper里已经是排序过的了，所以这里的排序只是针对排序过的数据做合并排序。

5. Reduce阶段：Reducer拿前面已经排序好的输入，相同的单词的所有输入进入同一个Redue循环，在循环里，做个数的累加。

6. 输出阶段：输出Reduce的计算结果，写入到表里或者返回给客户端。

拓展MapReduce

如果Reduce后面还需要做进一步的Reduce计算，可以用拓展MapReduce模型（简称MRR）。MRR其实就是Reduce阶段结束后，不直接输出结果，而是再次经过Shuffle后接另外一个Reduce。

Q：如何实现M->R->M->R这种逻辑呢

A：在Reduce代码里直接嵌套上Map的逻辑就可以了，把第二个M的工作在前一个R里完成，而不是作为计算引擎调度层面上的一个单独步骤，比如

快速开始

运行环境

工欲善其事，必先利其器。MR的开发提供了基于IDEA和Eclipse的插件。其中比较推荐用IDEA的插件，因为IDEA我们还在持续做迭代，而Eclipse已经停止做更新了。而且IDEA的功能也比较丰富。

• 具体的插件的安装方法步骤可以参考文档,本文不在赘言。

• 另外后续还需要用到客户端，可以参考文档安装。

• 后续为了更加清楚地说明问题，我会尽可能地在客户端上操作，而不用IDEA里已经集成的方法。

线上运行

以WordCount为例，文档可以参考这里

步骤为

1. 做数据准备，包括创建表和使用Tunnel命令行工具导入数据

2. 将代码拷贝到IDE里，编译打包成mapreduce-examples.jar

3. 在odpscmd里执行add jar命令：

add jar /JarPath/mapreduce-examples.jar -f;

这里的 /JarPath/mapreduce-examples.jar的路径要替换成本地实际的文件路径。这个命令能把本地的jar包传到服务器上，-f是如果已经有同名的jar包就覆盖，实际使用中对于是报错还是覆盖需要谨慎考虑。

1. 在odpscmd里执行

`jar -resources mapreduce-examples.jar -classpath mapreduce-examples.jar

2.等待作业执行成功后，可以在SQL通过查询wc_out表的数据，看到执行的结果

功能解读

任务提交

任务的是在MaxComput（ODPS）上运行的，客户端通过jar命令发起请求。

对比前面的快速开始，可以看到除去数据准备阶段，和MR相关的，有资源的上传（add jar步骤）和jar命令启动MR作业两步。

1.客户端发起add jar/add file等资源操作，把在客户端的机器（比如我测试的时候是从我的笔记本）上，运行任务涉及的资源文件传到服务器上。这样后面运行任务的时候，服务器上才能有对应的代码和文件可以用。如果以前已经传过了，这一步可以省略。

这个命令发起作业。MapReduce的任务是运行在MaxCompute集群上的，客户端需要通过这个命令把任务运行相关的信息告诉集群。

1.客户端先解析-classpath参数，找到main方法相关的jar包的位置

3. wc_in wc_out是传给main方法的参数，通过解析main方法传入参数String[] args获得这个参数

4. -resources告诉服务器，在运行任务的时候，需要用到的资源有哪些。

JobConfig

JobConf定义了这个任务的细节，还是这个图，解释一下JobConf的其他设置项的用法。

1. 输入数据

InputUtils.addTable(TableInfo table, JobConf conf)设置了输入的表。

setSplitSize(long size)通过调整分片大小来调整Mapper个数，单位 MB，默认256。Mapper个数不通过void setNumMapTasks(int n)设置。

setMemoryForJVM(int mem)设置 JVM虚拟机的内存资源，单位：MB，默认值 1024.

2.Map阶段

setMapperClass(Class theClass)设置Mapper使用的Java类。

setMapOutputKeySchema(Column[] schema)设置 Mapper 输出到 Reducer 的 Key 行属性。

setMapOutputValueSchema(Column[] schema)设置 Mapper 输出到 Reducer 的 Value 行属性。和上个设置一起定义了Mapper到Reducer的数据格式。

3. Shuffle-合并排序

setOutputKeySortColumns(String[] cols)设置 Mapper 输出到 Reducer 的 Key 排序列。

setOutputKeySortOrder(JobConf.SortOrder[] order)设置 Key 排序列的顺序。

setCombinerOptimizeEnable(boolean isCombineOpt)设置是否对Combiner进行优化。

setCombinerClass(Class theClass)设置作业的 combiner。

4.Shuffle-分配Reduce

setNumReduceTasks(int n)设置 Reducer 任务数，默认为 Mapper 任务数的 1/4。如果是Map only的任务，需要设置成0。可以参考这里。

setPartitionColumns(String[] cols)设置作业的分区列，定义了数据分配到Reducer的分配策略。

5.Reduce阶段

setOutputGroupingColumns(String[] cols)数据在Reducer里排序好了后，是哪些数据进入到同一个reduce方法的，就是看这里的设置。一般来说，设置的和setPartitionColumns(String[] cols)一样。可以看到二次排序的用法。

setReducerClass(Class theClass)设置Reducer使用的Java类。

6.数据输出

setOutputOverwrite(boolean isOverwrite)设置对输出表是否进行覆盖。类似SQL里的Insert into/overwrite Talbe的区别。

OutputUtils.addTable(TableInfo table, JobConf conf)设置了输出的表。多路输入输出可以参考这里。

7. 其他

void setResources(String resourceNames)有和jar命令的-resources一样的功能，但是优先级高于-resources（也就是说代码里的设置优先级比较高）

最后通过JobClient.runJob(job);客户端往服务器发起了这个MapReduce作业。

详细的SDK的文档，可以在Maven里下载。这是下载地址。

Map/Reduce

读表

在一个Mapper里，只会读一张表，不同的表的数据会在不同的Mapper worker上运行，所以可以用示例里的这个方法先获得这个Mapper读的是什么表。

资源表/文件

资源表和文件可以让一些小表/小文件可以方便被读取。鉴于读取数据的限制需要小于64次，一般是在setup里读取后缓存起来，具体的例子可以参考这里。

生产及周期调度

任务提交

客户端做的就是给服务器发起任务的调度的指令。之前提到的jar命令就是一种方法。鉴于实际上运行场景的多样性，这里介绍其他的几种常见方法:

• odpscmd -e/-f：odpscmd的-e命令可以在shell脚本里直接运行一个odpscmd里的命令，所以可以在shell脚本里运行

odpscmd -e 'jar -resources xxxxxx'

这样的命令，在shell脚本里调用MapReduce作业。一个完整的例子是

如果在odpscmd的配置文件里已经配置好了，那只需要写-e的部分。

-f和-e一样，只是把命令写到文件里，然后用odpscmd -f xxx.sql引用这个文件，那这个文件里的多个指令都会被执行。

• 大数据开发套件可以配置MapReduce作业。

• 大数据开发套件可以配置Shell作业。可以在Shell作业里参考上面的方法用odpscmd -e/-f来调度MapReduce作业。

• 在JAVA代码里直接调用MapReduce作业，可以通过设置SessionState.setLocalRun(false); 实现，具体可以参考这里。

定时调度

大数据开发套件的定时任务/工作流可以配置调度周期和任务依赖，配合前面提到的方法里的MapReduce作业/Shell作业，实现任务的调度。

产品限制

安全沙箱

沙箱是MaxCompute的一套安全体系，使得在MaxCompute上运行的作业无法获得其他用户的信息，也无法获得系统的一些信息。主要包括以下几点，完整的列表可以参考文档

• 无法访问外部数据源(不能当爬虫，不能读RDS等)

• 无法起多线程/多进程

• 不支持反射/自定义类加载器（所以不支持一些第三方包）

• 不允许读本地文件（比如JSON里就用到了，就需要改用GSON）

• 不允许JNI调用

其他限制

详见MaxCompute MR 限制项汇总