当前位置:   article > 正文

大数据 MapReduce_mapreduce计算总数为5000蓝色球

mapreduce计算总数为5000蓝色球

只要一个生命的精神世界足够丰富,他是不会感到孤独的。因为他能从不同生命中,感受到存在的意义。

前言

介绍

摘录自:MapReduce

Hadoop的思想来源于Google的几篇论文,Google的那篇MapReduce论文里说:Our abstraction is inspired by the map and reduce primitives present in Lisp and many other functional languages。这句话提到了MapReduce思想的渊源,大致意思是,MapReduce的灵感来源于函数式语言(比如Lisp)中的内置函数mapreduce。函数式语言也算是阳春白雪了,离我们普通开发者总是很远。简单来说,在函数式语言里,map表示对一个列表(List)中的每个元素做计算,reduce表示对一个列表中的每个元素做迭代计算。它们具体的计算是通过传入的函数来实现的,mapreduce提供的是计算的框架。不过从这样的解释到现实中的MapReduce还太远,仍然需要一个跳跃。再仔细看,reduce既然能做迭代计算,那就表示列表中的元素是相关的,比如我想对列表中的所有元素做相加求和,那么列表中至少都应该是数值吧。而map是对列表中每个元素做单独处理的,这表示列表中可以是杂乱无章的数据。这样看来,就有点联系了。在MapReduce里,Map处理的是原始数据,自然是杂乱无章的,每条数据之间互相没有关系;到了Reduce阶段,数据是以key后面跟着若干个value来组织的,这些value有相关性,至少它们都在一个key下面,于是就符合函数式语言里mapreduce的基本思想了。

这样我们就可以把MapReduce理解为,把一堆杂乱无章的数据按照某种特征归纳起来,然后处理并得到最后的结果。Map面对的是杂乱无章的互不相关的数据,它解析每个数据,从中提取出keyvalue,也就是提取了数据的特征。经过MapReduceShuffle阶段之后,在Reduce阶段看到的都是已经归纳好的数据了,在此基础上我们可以做进一步的处理以便得到结果。这就回到了最初,终于知道MapReduce为何要这样设计。

在这里插入图片描述

MapReduce分析

MapReduceHadoop的一个核心部分,今天看了之后,觉得需要仔细学习分析下,O(∩_∩)O哈哈~

概要

MapReduce其实是分治算法的一种实现,所谓分治算法就是“就是分而治之 ,将大的问题分解为相同类型的子问题(最好具有相同的规模),对子问题进行求解,然后合并成大问题的解。

MapReduce就是分治法的一种,将输入进行分片,然后交给不同的Task进行处理,然后合并成最终的解。

在这里插入图片描述

MapReduce可以分为两个主要的部分MapReduceMapInput获取数据,将数据转换为<key, value>形式的数据,传给Reduce进行处理,再由Reduce合并处理数据后输出用户需要的结果。

以下图为例,Splitting过程将数据拆分交由MappingMapping将数据处理为<key, value>的形式,而Shuffling则将数据进行合并,由Reduce进行统计,最后将结果输出。

在这里插入图片描述

如果细分的话,还可以将MapReduce的过程细分为——InputSplitMapShuffleReduce,分别代表了输入,数据分块,Map,Shuffle,Reduce。后面几个是我要仔细分析的部分,详细的内容请见后半部分。

在这里插入图片描述

上图中分为Map任务和Reduce任务两个阶段,从Map端输出到Reduce端的红色和绿色的线表示数据流的一个过程,也就是Shuffle的过程。

流程说明
Map数据输入,做初步的处理,输出形式的中间结果。
Shuffle按照partition、key对中间结果进行排序合并,输出给Reducer线程。
Reduce对相同key的输入进行最终的处理,并将结果写入到文件中。

其中Shuffle可以分为Map端部分和Reduce端部分。Map端实际包含了输入(input)过程、切分(partition)过程、溢写spill过程(sortcombine过程)、合并(merge)过程。Reduce端实际包括了复制(copy)、合并(merge)的过程。

Shuffle过程的期望

摘录自:MapReduce之Shuffle过程详述

对于Hadoop集群,当我们在运行作业时,大部分的情况下,MapTaskReduceTask的执行是分布在不同的节点上的,因此,很多情况下,Reduce执行时需要跨节点去拉取其他节点上的MapTask结果,这样造成了集群内部的网络资源消耗很严重,而且在节点的内部,相比于内存,磁盘IO对性能的影响是非常严重的。如果集群中运行的作业有很多,那么task的执行对于集群内部网络的资源消费非常大。因此,我们对于MapRedue作业Shuffle过程的期望是:

  • 完整地从MapTask端拉取数据到Reduce端;
  • 在跨节点拉取数据时,尽可能地减少对带宽的不必要消耗;
  • 减少磁盘IO对Task执行的影响。

Shuffle-Map

在这里插入图片描述

Input

在MapTask执行的时候,其输入来源HDFS的Block,MapTask只读取Split。Spilt与Block的对应关系可能是多对一,默认是一对一。

Partition

MapReduce提供了Partitioner接口,其作用是根据KeyValueReduce的数量来决定当前这对输出数据最终应该交由哪个ReduceTask处理。默认对Key进行哈希运算后,再以ReduceTask数量取模。接下来需要将数据写入内存缓冲区中。缓冲区的作用就是批量收集Map结果,减少磁盘I/O影响。

Spilt

内存缓冲区的大小默认是 100 M 100M 100M,是一个环状的缓存数组。当MapTask输出结果很多的时候,内存缓冲区可能会不足,所以需要在超过默认阈值 0.8 0.8 0.8(io.sort.spil l.percent)的时候,就会发生Spill溢写的过程,将缓冲区中的数据临时写入到本地磁盘中,循环利用这个内存缓冲区。如果Spill溢写的过程有多次,则会有多个缓存文件

这个Spill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 0.8 0.8,也就是当缓冲区的数据已经达到阈值( b u f f e r S i z e ∗ s p i l l P e r c e n t = 100 M B ∗ 0.8 = 80 M B bufferSize * spillPercent = 100MB * 0.8 = 80MB bufferSizespillPercent=100MB0.8=80MB),溢写线程启动,锁定这 80 M B 80MB 80MB的内存,执行溢写过程。MapTask的输出结果还可以往剩下的 20 M B 20MB 20MB内存中写,互不影响。

Sort

在将数据写入磁盘之前,先要对要写入磁盘的数据进行一次排序操作(在内存中完成排序,这里使用的排序方法是快排),先按<key,value,partition>中的partition分区号排序,然后再按key排序,这个就是sort操作,最后溢出的小文件是分区的,且同一个分区内是保证key有序的。

Combine

执行combine操作要求开发者必须在程序中设置了combine(程序中通过job.setCombinerClass(myCombine.class)自定义combine操作)。

  • 程序中有两个阶段可能会执行combine操作:
    • Map输出数据根据分区排序完成后,在写入文件之前会执行一次Combine操作(前提是Job中设置了这个操作);
    • 如果Map输出比较大,溢出文件个数大于3(此值可以通过属性min.num.spills.for.combine配置)时,在merge的过程(多个spill文件合并为一个大文件)中还会执行combine操作;

combine主要是把形如<test, 1> <test, 1> <test, 2>这样的key值相同的Value进行相进行简单的统计工作,将相同的Value值进行相加,如上例的结果为<test, 4>

merge

在最终结果输出之前会对多个溢写文件进行合并,保证最终输出结果有且仅有一个中间数据文件,该过程称为merge

  • 如果生成的文件太多,可能会执行多次合并,每次最多能合并的文件数默认为 10 10 10,可以通过属性min.num.spills.for.combine配置;
  • 多个溢出文件合并时,会进行一次排序,排序算法是多路归并排序
  • 是否还需要做combine操作,一是看是否设置了combine,二是看溢出的文件数是否大于等于3
  • 最终生成的文件格式与单个溢出文件一致,也是按分区顺序存储,并且输出文件会有一个对应的索引文件,记录每个分区数据的起始位置,长度以及压缩长度,这个索引文件名叫做file.out.index

说明

Map过程的输出是写入本地磁盘而不是HDFS,因为写入到HDFS必然带来不必要的网络开销。

输出数据先存放在缓存数组中而不是直接写入到本地,好处在于可以减少磁盘I/O的开销,提高合并和排序的速度。

Shuffle-Reduce

在这里插入图片描述

Copy

Reduce进程启动一些数据copy线程(Fetcher),通过HTTP方式请求MapTask所在的TaskTracker获取MapTask的输出文件。因为这时MapTask早已结束,这些文件就归TaskTracker管理在本地磁盘中。

默认情况下,当整个MapReduce作业的所有已执行完成的MapTask任务数超过MapTask总数的 5 5% 5后,JobTracker便会开始调度执行ReduceTask任务。然后ReduceTask任务默认启动mapred.reduce.parallel.copies(默认为 5 5 5)个MapOutputCopier线程到已完成的MapTask任务节点上分别copy一份属于自己的数据。这些copy的数据会首先保存的内存缓冲区中,当内冲缓冲区的使用率达到一定阀值后,则写到磁盘上。

Merge

Map端复制来的数据首先写到Reduce端的缓存中,同样缓存占用到达一定阈值后会将数据写到磁盘中,同样会进行partition、combine、sort等过程。如果形成了多个磁盘文件还会进行合并,最后一次合并的结果作为Reduce的输入而不是写入到磁盘中

Reduce

Merge的最后会生成一个文件,大多数情况下存在于磁盘中,但是需要将其放入内存中。当Reducer输入文件已定,整个Shuffle阶段才算结束。然后就是Reducer执行,把结果放到HDFS上。

完整图例

点击查看原图:查看

在这里插入图片描述

总结

Map每次从split后的分块中一行一行的读取数据,然后将处理后的形为<key, value>的数据放在buffer缓冲区中,并对数据分区partition、排序sort。当缓冲区达到默认阈值 0.8 0.8 0.8后,会发生spill溢写操作,将数据写入到本地磁盘中。磁盘中可能会由于多次溢写生成很多个溢写小文件,而这些小文件内部是有序的,但小文件和小文件之间是无序的,所以需要进行多次归并,合并成一个全盘有序的文件。

由于一个split对应一个MapReduce端是从多个Map中拉取数据,所以也需要进行归并为一个有序的文件,最终每个相同的key分为一组执行一次Reduce方法,并将结果写入到HDFS中。

Hadoop中的压缩

附录

论文

教程

另辟蹊径的分析

系列文章

很赞的几篇文章

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/正经夜光杯/article/detail/780806
推荐阅读
相关标签
  

闽ICP备14008679号