Hadoop — 分布式计算框架 Map-Reduce（初识 ）

#分布式计算框架 -> Map-Reduce 

#Mapper

Map-reduce的思想就是“分而治之”

Mapper负责“分”,即把复杂的任务分解为若干个“简单的任务” 执行 “简单的任务” 

有几个含义:

1 数据或计算规模相对于原任务要大大缩小;

2 就近计算,即会被分配到存放了所需数据的节点进行计算;

3 这些小任务可以并行计算,彼此间几乎没有依赖关系

#Reducer

对map阶段的结果进行汇总

Reducer的数目由mapred-site.xml配置文件里的项目mapred.reduce.tasks决定。缺省值为1,用户可以覆盖之。

#Shuffler

mapper 和 reducer 中间的一步（不是必须存在）

将 mapper 输出按照某种 key 值重新分割 或 组合成 n 份，把符合key值的某些输出送到特定的reducer处理

简化了reducer的处理过程

#性能调优

调整reducer的数量

输入：大文件优于小文件

压缩map的输出（降低网络传输）

优化每个节点能运行的任务（mapred.tasktracker.map.tasks.maximummapred.tasktracker.reduce.tasks.maximum） (缺省值均为2)

#Map-Reduce工作机制剖析

#调度机制

缺省为队列（FIFO）作业调度

支持公平调度器

支持容器调度器

#任务执行优化

推测式执行：

1.原理：JobTracker 会根据 执行中的任务和他的副本哪个先执行，推测出该任务和副本哪个执行快，而kill掉慢者。

2.推测式执行缺省打开，通过在mapred-site.xml配置文件中设置mapred.map.tasks.speculative.execution和mapred.reduce.tasks.speculative.execution可为map任务或reduce任务开启或关闭推测式执行。

重用JVM（可以省去启动新的JVM消耗的时间）：

在mapred-site.xml配置文件中设置mapred.job.reuse.jvm.num.tasks设置单个JVM上运行的最大任务数(1表示无限制)

忽略模式：(缺省关闭,用SkipBadRecord方法打开)

任务在读取数据失败2次后,会把数据位置告诉jobtracker,后者重启该任务并且在遇到所记录的坏数据时直接跳过。

#错误处理机制：

1.硬件故障（jobtracker-tasktracker故障）

jobtracker必须使用质量好的机器（尽可能减小故障的机率）

tasktracker 的故障是 jobtracker 通过心跳机制 发现的，之后jobtracker会将其从任务节点列表中删除

如果故障节点正在执行map任务，并且没有执行完成，jobtracker会让其他节点重新执行此map任务

如果故障节点正在执行 reduce 任务，并且没有执行完成，jobtracker会让其他节点继续执行此任务

2.任务失败（代码有bug、进程崩溃）

jvm自动退出，向tasktracker 父进程发送错误信息，写入logs中

tasktracker监控程序判断并标记，任务计数器减一，通过心跳信号告诉jobtracker，会重新进队列、分配、执行

当任务失败次数达到 4次，将不会再被执行，同时宣布任务失败