MapReduce 流程详述
来源:互联网 发布:网络受限怎么办 编辑:程序博客网 时间:2024/05/16 19:07
一、MapReduce的提出、介绍
MapReduce 是一个编程模型,也是一个处理和生成超大数据集的算法模型的相关实现。用户首先创建一个 Map函数处理一个基于key/value pair 的数据集合,输出中间的基于 key/value pair 的数据集合;然后再创建一个 Reduce 函数用来合并所有的具有相同中间 key 值的中间 value 值。因此,可以将许多数据处理问题,转化为 Mapreduce的处理模型来处理。
二、MP的工作流流处理。
理解了Mapreduce的执行流程,有益于后期更好的使用。
进行任务执行。当一个mapreduce任务进来时,如下处理
1、 文件分块。hadoop对输入的文件进行分块,按照每块不大于64M的规格进行划分。
2、 Mapper处理。
a) 执行map函数。每个结点获取相应的数据块,进行mapper处理,处理的结果以key-value的形式输出(还未真正从mapper端输出)。
b) 进行Combine。如果用户定义了Combine类,则对该结点的mapper阶段的输出进行一次reduce(自定义的combine类需要继承Reducer类)。并将值以key-value的形式输出。注意,combine是在每一个map结点上对分块数据进行处理,旨在减少map端的输出,进而提高效率。
3、 进行partition。假设总共有n个Reducer,那么使用num =hash(key)%n,对key值进行哈希以将值输出给相应序号的Reducer。
4、 Reducer处理。将获取的值调用reduce函数,进行处理并输出最终值。
三、MapReduce的深入理解,shuffle
Map阶段产生的Key-Value值对,需要传输到Reduce任务中处理,但MapReduce是用于分布式大量数据处理的,意味着这些数据并非在同一个计算机上的内存中进行处理,需要进行数据在各个slaver中传输,Hadoop中,使用HDFS作为传输的中介。Map任务将所有处理完毕的数据写入HDFS中,Reduce从HDFS中拉取相应的数据。这样,Map只管按照一定的格式存储,而无需知道各个Reduce的信息去传输数据;Reduce只管从HDFS中获取属于自己的数据,无需关注Map的情况。
这就涉及到一个问题,如何定义Map的输出格式,以方便Reduce读取属于自己的数据块。这方面,应该是使用了索引的方式来快速定位,有待研究。
关于shuffle,意思是“洗牌”,主要涵盖以下内容:在Map中将文件读入并处理,存储到HDFS中,Reduce中从HDFS拉取对应的数据进行处理。因此,分为map阶段(前半段),和reduce阶段(后半段)
这是一张官方的shuffle图,从这张图,可以很好地解释shuffle的整个过程。
1、 Map读取各个split进行处理。若文件很大,Map会自动将其划分为多个文件,使用多个Map线程进行处理。每一个Map线程都会生成相应的Key-Value输出值,以及要分发给哪个reduce的partition值。这里,有一个小插曲,就是关于内存缓冲区。
a) 内存缓冲区。Map生成的结果值都是先保存在内存中的,但是这个内存缓冲区是有大小限制的,默认是100MB当map task的输出结果很多时,就可能会撑爆内存,所以需要在一定条件下将缓冲区中的数据临时写入磁盘,然后重新利用这块缓冲区。这个从内存往磁盘写数据的过程被称为Spill,中文可译为溢写,字面意思很直观。这个溢写是由单独线程来完成,不影响往缓冲区写map结果的线程。溢写线程启动时不应该阻止map的结果输出,所以整个缓冲区有个溢写的比例spill.percent。这个比例默认是0.8,也就是当缓冲区的数据已经达到阈值(buffer size * spill percent = 100MB * 0.8 = 80MB),溢写线程启动,锁定这80MB的内存,执行溢写过程。Maptask的输出结果还可以往剩下的20MB内存中写,互不影响。当溢写线程启动后,需要对这80MB空间内的key做排序(Sort)。排序是MapReduce模型默认的行为,这里的排序也是对序列化的字节做的排序。
b) Combiner。在记录进行处理时,应该尽量将映射到同一个reduce的数据拼接到一块,若设置了combiner,会将有相同key的key/value对的数据进行处理,减少溢写到磁盘的数据量。既然combiner会先在局部进行使用(先每一个溢写文件执行一次),再对局部生成的结果合并处理(在merge的时候再执行合并),而不能保证使用使用combiner时,处理的数据集的完整性,因此,只适合于那些能够进行简单切分的任务。用combiner需慎重,否则会导致结果有误。
既然有了内存缓冲区,将结果多次写入文件,还需要在拼接记录时,将相同的Reduce号的结果拼接到一块,以方便Reduce阶段数据读取,这就是下面的merge过程。
2、 将map中的溢写文件进行merge。每次溢写会在磁盘上生成一个溢写文件,如果map的输出结果真的很大,有多次这样的溢写发生,磁盘上相应的就会有多个溢写文件存在。当map task真正完成时,内存缓冲区中的数据也全部溢写到磁盘中形成一个溢写文件。最终磁盘中会至少有一个这样的溢写文件存在。如前面的例子,“aaa”从某个map task读取过来时值是5,从另外一个map 读取时值是8,因为它们有相同的key,所以得merge成group。什么是group。对于“aaa”就是像这样的:{“aaa”, [5, 8, 2, …]},数组中的值就是从不同溢写文件中读取出来的,然后再把这些值加起来。请注意,因为merge是将多个溢写文件合并到一个文件,所以可能也有相同的key存在,在这个过程中如果client设置过Combiner,也会使用Combiner来合并相同的key。
至此,map端的所有工作都已结束,最终生成的这个文件也存放在TaskTracker够得着的某个本地目录内。每个reduce task不断地通过RPC从JobTracker那里获取map task是否完成的信息,如果reduce task得到通知,获知某台TaskTracker上的map task执行完成,Shuffle的后半段过程开始启动。
Reduce端的shuffle过程
Shuffle在reduce端, Reducer真正运行之前,所有的时间都是在拉取数据,做merge,且不断重复地在做。
1、 Copy过程,简单地拉取数据。Reduce进程启动一些数据copy线程(Fetcher),通过HTTP方式请求map task所在的TaskTracker获取map task的输出文件。因为maptask早已结束,这些文件就归TaskTracker管理在本地磁盘中。
2、 Merge阶段。这里的merge如map端的merge动作,只是数组中存放的是不同map端copy来的数值。Copy过来的数据会先放入内存缓冲区中,这里的缓冲区大小要比map端的更为灵活,它基于JVM的heap size设置,因为Shuffle阶段Reducer不运行,所以应该把绝大部分的内存都给Shuffle用。这里需要强调的是,merge有三种形式:1)内存到内存 2)内存到磁盘 3)磁盘到磁盘。默认情况下第一种形式不启用,让人比较困惑,是吧。当内存中的数据量到达一定阈值,就启动内存到磁盘的merge。与map 端类似,这也是溢写的过程,这个过程中如果你设置有Combiner,也是会启用的,然后在磁盘中生成了众多的溢写文件。第二种merge方式一直在运行,直到没有map端的数据时才结束,然后启动第三种磁盘到磁盘的merge方式生成最终的那个文件。
3、Reducer的输入文件。不断地merge后,最后会生成一个“最终文件”。为什么加引号?因为这个文件可能存在于磁盘上,也可能存在于内存中。对我们来说,当然希望它存放于内存中,直接作为Reducer的输入,但默认情况下,这个文件是存放于磁盘中的。当Reducer的输入文件已定,整个Shuffle才最终结束。然后就是Reducer执行,把结果放到HDFS上。
四、MapReduce工作流
现阶段,许多处理并不是使用一次就能够完成数据的处理,需要多次mapreduce。这就涉及到工作流了。待续...
参考:
MapReduce:详解Shuffle过程
- MapReduce 流程详述
- MapReduce工作流程详述
- MapReduce之Shuffle过程详述
- MapReduce流程
- TortoiseSVN基本功能使用流程详述
- linux启动流程的详述
- ANN_MLP神经网络使用流程详述
- socket开发流程详述(上)
- MapReduce实现流程分析
- MAPREDUCE计算流程
- MapReduce流程分析
- MapReduce流程分析
- MapReduce流程分析
- hadoop mapreduce执行流程
- mapreduce流程1
- mapreduce流程2
- MAPREDUCE流程3
- 详解MapReduce工作流程
- CentOS 6上的redis搭建实战记录
- C的动态内存管理--mallac()和free()
- 判断是否含有全角
- strtol()函数解析
- void ArpRequest (void)
- MapReduce 流程详述
- JavaWEB开发-国际化
- iOS开发:iOS网络编程--ASIHTTPRequest框架安装和配置
- experiment : 使用vs2008编译C文件
- c++中string类成员函数c_str()
- Ubuntu安装MongoDB
- 端口号被占用解决方法
- PHP MVC快速开发框架EaglePHP v2.5正式发布
- Fiddler 教程