大数据之Hadoop的mapreduce-创新互联

一、MapReduce工作流程1

• MapReduce将输入的数据集逻辑切片split
• map任务以并行方式处理切片数据
• 框架对map输出排序，然后将数据发送给reduce
• MapReduce的输入输出数据存在于同一个文件系统HDFS
• 框架负责任务调度、任务监控和失败任务的重新执行
• MapReduce处理键值对形式的很多键值对输入，生成键值对形式的很多键值对输出
• 框架会对键和值序列化，因此键类型和值类型需要实现Writable接口，框架对键进行排序，因此必须实现WritableComparable接口
• map输出键值对类型和reduce键值对输入类型一致
• map的输入键值对类型和输出键值对类型一般不一致
• reduce的输入键值对类型和输出键值对类型一般不一致

​​​​​​​二、MapReduce工作流程2

• 每个block会有map任务
• block切分为切片，每个切片对应一个map任务，默认一个block一个切片，一个map
• map默认按行读取切片数据，组成键值对<当前行字节偏移量, "读到的行字符串">
• map函数对该键值对进行计算，输出若干键值对。
  • partition指定该键值对由哪个reducer进行处理
• map输出的kvp写到环形缓冲区，环形缓冲区默认100MB，阈值80%，当环形缓冲区达到80%就向磁盘溢写小文件，该小文件首先按照分区号排序，相同分区号的按key进行排序
• 默认如果落磁盘的小文件达到了3个，则进行归并，归并的大文件也是按分区号排序，相同分区号按照key进行排序，只是一个归并。
• 如果map任务处理完了，它的输出被下载到reducer所在主机
  • 按照HTTP GET的方式下载reducer，reducer发送HTTP GET请求到mapper主机下载数据，该过程是洗牌shuffle
• 每个map任务都要经历运行结束洗牌的过程
• 等所有map任务都运行结束，并且洗牌结束，每个reducer获取到它自己应得的所有数据，此时开始reducer处理过程
• 如果有时间，reduce会对洗牌获取的数据进行归并落磁盘
  • 如果没有时间，也归并，只是可能不落磁盘，直接交给reduce方法进行迭代处理
  • 洗牌获取到的数据也可能不落磁盘，此时归并的键值对来源可能是磁盘的和内存的一个混合
• reduce按照key进行分组，每个分组调用一次reduce方法，该方法迭代计算，将结果写到HDFS输出

三、MapReduce作业提交流程

• 客户端，提交MapReduce作业
• YARN的资源管理器(Resource Manager)，协调集群中计算资源的分配
• YARN的节点管理器(Node Manager)，启动并监控集群中的计算容器
• MapReduce的Application Master，协调MapReduce作业中任务的运行。Application Master和MapReduce任务运行于容器中，这些容器由resourcemanager调度，由nodemanager管理
• 分布式文件系统(一般是HDFS)，在组件之间共享作业数据。Job对象的submit方法创建了一个内部的JobSubmitter实例并调用该实例的submitJobInternal方法。一旦提交了作业，waitForComletion方法每秒钟轮询作业的执行进度，如果进度发生了变化，则向控制台报告进度。当作业成功完成，展示作业计数器的数据，否则展示作业失败的错误日志信息

你是否还在寻找稳定的海外服务器提供商？创新互联www.cdcxhl.cn海外机房具备T级流量清洗系统配攻击溯源，准确流量调度确保服务器高可用性，企业级服务器适合批量采购，新人活动首月15元起，快前往官网查看详情吧