MapReduce工作原理

最近在研究Hadoop,发现网上的一些关于Hadoop的资料都是以前的1.X版本的,包括MapReduce的工作原理,都是以前的一些过时了的东西,所以自己重新整理了一些新2.X版本的MapReduce的工作原理

下面我画了一张图,便于理解MapReduce得整个工作原理



下面对上面出现的一些名词进行介绍


ResourceManager：是YARN资源控制框架的中心模块，负责集群中所有的资源的统一管理和分配。它接收来自NM(NodeManager)的汇报，建立AM，并将资源派送给AM(ApplicationMaster)。

NodeManager:简称NM，NodeManager是ResourceManager在每台机器的上代理，负责容器的管理，并监控他们的资源使用情况（cpu，内存，磁盘及网络等），以及向 ResourceManager提供这些资源使用报告。

ApplicationMaster:以下简称AM。YARN中每个应用都会启动一个AM，负责向RM申请资源，请求NM启动container，并告诉container做什么事情。

Container：资源容器。YARN中所有的应用都是在container之上运行的。AM也是在container上运行的，不过AM的container是RM申请的。

1.  Container是YARN中资源的抽象，它封装了某个节点上一定量的资源（CPU和内存两类资源）。

2.  Container由ApplicationMaster向ResourceManager申请的，由ResouceManager中的资源调度器异步分配给ApplicationMaster；
3. Container的运行是由ApplicationMaster向资源所在的NodeManager发起的，Container运行时需提供内部执行的任务命令（可以是任何命令，比如java、Python、C++进程启动命令均可）以及该命令执行所需的环境变量和外部资源（比如词典文件、可执行文件、jar包等）。
另外，一个应用程序所需的Container分为两大类，如下：
       （1） 运行ApplicationMaster的Container：这是由ResourceManager（向内部的资源调度器）申请和启动的，用户提交应用程序时，可指定唯一的ApplicationMaster所需的资源；
       （2） 运行各类任务的Container：这是由ApplicationMaster向ResourceManager申请的，并由ApplicationMaster与NodeManager通信以启动之。
以上两类Container可能在任意节点上，它们的位置通常而言是随机的，即ApplicationMaster可能与它管理的任务运行在一个节点上。


整个MapReduce的过程大致分为 Map-->Shuffle（排序）-->Combine（组合）-->Reduce





下面通过一个单词计数案例来理解各个过程
1）将文件拆分成splits(片)，并将每个split按行分割形成<key,value>对，如图所示。这一步由MapReduce框架自动完成，其中偏移量即key值



                    
                    分割过程



将分割好的<key,value>对交给用户定义的map方法进行处理，生成新的<key,value>对，如下图所示。


                    执行map方法
                    



得到map方法输出的<key,value>对后，Mapper会将它们按照key值进行Shuffle（排序），并执行Combine过程，将key至相同value值累加，得到Mapper的最终输出结果。如下图所示。

                     Map端排序及Combine过程



Reducer先对从Mapper接收的数据进行排序，再交由用户自定义的reduce方法进行处理，得到新的<key,value>对，并作为WordCount的输出结果，如下图所示。


                    Reduce端排序及输出结果





下面看怎么用Java来实现WordCount单词计数的功能

首先看Map过程

Map过程需要继承org.apache.hadoop.mapreduce.Mapper包中 Mapper 类，并重写其map方法。

    /**          *          *    Mapper<LongWritable, Text, Text, IntWritable>中  LongWritable,IntWritable是Hadoop数据类型表示长整型和整形          *          *    LongWritable, Text表示输入类型 (比如本应用单词计数输入是 偏移量(字符串中的第一个单词的其实位置),对应的单词(值))          *    Text, IntWritable表示输出类型  输出是单词  和他的个数          *  注意：map函数中前两个参数LongWritable key, Text value和输出类型不一致          *      所以后面要设置输出类型 要使他们一致          */          //Map过程          public static class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {              /***              *              */              @Override              protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, IntWritable>.Context context)                      throws IOException, InterruptedException {                  //默认的map的value是每一行,我这里自定义的是以空格分割                  String[] vs = value.toString().split("\\s");                  for (String v : vs) {                      //写出去                      context.write(new Text(v), ONE);                  }                    }          }  

Reduce过程
Reduce过程需要继承org.apache.hadoop.mapreduce包中 Reducer 类，并 重写 其reduce方法。Map过程输出<key,values>中key为单个单词，而values是对应单词的计数值所组成的列表，Map的输出就是Reduce的输入，所以reduce方法只要遍历values并求和，即可得到某个单词的总次数

    //Reduce过程          /***          * Text, IntWritable输入类型,从map过程获得 既map的输出作为Reduce的输入          * Text, IntWritable输出类型          */          public static class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{              @Override              protected void reduce(Text key, Iterable<IntWritable> values,                      Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {                  int count=0;                  for(IntWritable v:values){                      count+=v.get();//单词个数加一                  }                                    context.write(key, new IntWritable(count));              }                        }  

最后执行MapReduce任务

    public static void main(String[] args) {                            Configuration conf=new Configuration();              try {                  //args从控制台获取路径 解析得到域名                  String[] paths=new GenericOptionsParser(conf,args).getRemainingArgs();                  if(paths.length<2){                      throw new RuntimeException("必須輸出 輸入 和输出路径");                  }                  //得到一个Job 并设置名字                  Job job=Job.getInstance(conf,"wordcount");                  //设置Jar 使本程序在Hadoop中运行                  job.setJarByClass(WordCount.class);                  //设置Map处理类                  job.setMapperClass(WordCountMapper.class);                  //设置map的输出类型,因为不一致,所以要设置                  job.setMapOutputKeyClass(Text.class);                  job.setOutputValueClass(IntWritable.class);                  //设置Reduce处理类                  job.setReducerClass(WordCountReducer.class);                  //设置输入和输出目录                  FileInputFormat.addInputPath(job, new Path(paths[0]));                  FileOutputFormat.setOutputPath(job, new Path(paths[1]));                  //启动运行                  System.exit(job.waitForCompletion(true) ? 0:1);              } catch (IOException e) {                  e.printStackTrace();              } catch (ClassNotFoundException e) {                  e.printStackTrace();              } catch (InterruptedException e) {                  e.printStackTrace();              }          }  

即可求得每个单词的个数

下面把整个过程的源码附上,有需要的朋友可以拿去测试

    package hadoopday02;            import java.io.IOException;            import org.apache.hadoop.conf.Configuration;      import org.apache.hadoop.fs.Path;      import org.apache.hadoop.io.IntWritable;      import org.apache.hadoop.io.LongWritable;            import org.apache.hadoop.io.Text;      import org.apache.hadoop.mapreduce.Job;      import org.apache.hadoop.mapreduce.Mapper;      import org.apache.hadoop.mapreduce.Reducer;      import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;      import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;      import org.apache.hadoop.util.GenericOptionsParser;            public class WordCount {          //计数变量          private static final IntWritable ONE = new IntWritable(1);          /**          *          * @author 陈伟         *    Mapper<LongWritable, Text, Text, IntWritable>中  LongWritable,IntWritable是Hadoop数据类型表示长整型和整形          *          *    LongWritable, Text表示输入类型 (比如本应用单词计数输入是 偏移量(字符串中的第一个单词的其实位置),对应的单词(值))          *    Text, IntWritable表示输出类型  输出是单词  和他的个数          *  注意：map函数中前两个参数LongWritable key, Text value和输出类型不一致          *      所以后面要设置输出类型 要使他们一致          */          //Map过程          public static class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {              /***              *              */              @Override              protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, IntWritable>.Context context)                      throws IOException, InterruptedException {                  //默认的map的value是每一行,我这里自定义的是以空格分割                  String[] vs = value.toString().split("\\s");                  for (String v : vs) {                      //写出去                      context.write(new Text(v), ONE);                  }                    }          }          //Reduce过程          /***          * @author 汤高          * Text, IntWritable输入类型,从map过程获得 既map的输出作为Reduce的输入          * Text, IntWritable输出类型          */          public static class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{              @Override              protected void reduce(Text key, Iterable<IntWritable> values,                      Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {                  int count=0;                  for(IntWritable v:values){                      count+=v.get();//单词个数加一                  }                                    context.write(key, new IntWritable(count));              }                        }                    public static void main(String[] args) {                            Configuration conf=new Configuration();              try {                  //args从控制台获取路径 解析得到域名                  String[] paths=new GenericOptionsParser(conf,args).getRemainingArgs();                  if(paths.length<2){                      throw new RuntimeException("必須輸出 輸入 和输出路径");                  }                  //得到一个Job 并设置名字                  Job job=Job.getInstance(conf,"wordcount");                  //设置Jar 使本程序在Hadoop中运行                  job.setJarByClass(WordCount.class);                  //设置Map处理类                  job.setMapperClass(WordCountMapper.class);                  //设置map的输出类型,因为不一致,所以要设置                  job.setMapOutputKeyClass(Text.class);                  job.setOutputValueClass(IntWritable.class);                  //设置Reduce处理类                  job.setReducerClass(WordCountReducer.class);                  //设置输入和输出目录                  FileInputFormat.addInputPath(job, new Path(paths[0]));                  FileOutputFormat.setOutputPath(job, new Path(paths[1]));                  //启动运行                  System.exit(job.waitForCompletion(true) ? 0:1);              } catch (IOException e) {                  e.printStackTrace();              } catch (ClassNotFoundException e) {                  e.printStackTrace();              } catch (InterruptedException e) {                  e.printStackTrace();              }          }                      }