MapReduce技术原理

MapReduce基本介绍

MapReduce基本定义：

MapReduce是面向大数据并行处理的计算模型、框架和平台。

它包含以下三层含义：

1. MapReduce是一个基于集群的高性能并行计算平台（Cluster Infrastructure）。
2. MapReduce是一个并行计算与运行软件框架（Software Framework）。
3. MapReduce是一个并行程序设计模型与方法（Programming Model & Methodology）。

MapReduce模型简介：

• MapReduce将复杂的、运行于大规模集群上的并行计算过程高度地抽象到了两个函数：Map和Reduce。
• 编程容易，不需要掌握分布式并行编程细节，也可以很容易把自己的程序运行在分布式系统上，完成海量数据的计算。
• MapReduce采用“分而治之”策略，一个存储在分布式文件系统中的大规模数据集，会被切分成许多独立的分片（split），这些分片可以被多个Map任务并行处理。
• MapReduce设计的一个理念就是“计算向数据靠拢”，而不是“数据向计算靠拢”，因为，移动数据需要大量的网络传输开销。
• MapReduce框架采用了Master/Slave架构，包括一个Master和若干个Slave。Master上运行JobTracker，Slave上运行TaskTracker。
• Hadoop框架是用Java实现的，但是，MapReduce应用程序则不一定要用Java来写。

MadReduce的特点：

MapReduce基于Google发布的并行计算框架。MapReduce论文设计开发，用于大规模数据集（大于1TB）的并行计算，具有如下特点：

• 易于编程：程序员仅需描述做什么，具体怎么做由系统的执行框架处理。
• 良好的扩展性：可通过添加结点以扩展集群能力。
• 高容错性：通过计算迁移或数据迁移等策略提高集群的可用性与容错性。

MapReduce与传统并行计算框架的对比：

	传统并行计算框架	MapReduce
集群架构/容错性	共享式（共享内存、共享存储），容错性差	非共享式，容错性好
硬件/价格/扩展性	刀片服务器、高速网、SAN，价格贵，扩展性差	普通PC机，便宜，扩展性好
编程/学习难度	what-how，难	what，简单
	实时、细粒度计算、计算密集型	批处理、非实时、数据密集型

Map和Reduce函数：

MapReduce的体系结构

MapReduce的体系结构构成：

MapReduce体系结构主要由四个部分组成，分别是：Client、JobTracker、TaskTracker以及Task。

图：MapReduce的体系结构

MapReduce主要有以下4个部分组成：

（1）Client:

• 用户编写的MapReduce程序通过Client提交到JobTracker端。
• 用户可通过Client提供的一些接口查看作业运行状态。

（2）JobTracker:

• JobTracker负责资源监控和作业调度。
• JobTracker 监控所有TaskTracker与Job的健康状况，一旦发现失败，就将相应的任务转移到其他节点。
• JobTracker 会跟踪任务的执行进度、资源使用量等信息，并将这些信息告诉任务调度器（TaskScheduler），而调度器会在资源出现空闲时，选择合适的任务去使用这些资源。

（3）TaskTracker：

• TaskTracker 会周期性地通过“心跳”将本节点上资源的使用情况和任务的运行进度汇报给JobTracker，同时接收JobTracker 发送过来的命令并执行相应的操作（如启动新任务、杀死任务等）。
• TaskTracker 使用“slot”等量划分本节点上的资源量（CPU、内存等）。一个Task 获取到一个slot 后才有机会运行，而Hadoop调度器的作用就是将各个TaskTracker上的空闲slot分配给Task使用。slot 分为Map slot 和Reduce slot 两种，分别供MapTask 和Reduce Task 使用。

（4）Task：

• Task 分为Map Task 和Reduce Task 两种，均由TaskTracker 启动。

MapReduce工作流程

工作流程概述：

图：MapReduce工作流程图

• 不同的Map任务之间不会进行通信。
• 不同的Reduce任务之间也不会发生任何信息交换。
• 用户不能显式地从一台机器向另一台机器发送消息。
• 所有的数据交换都是通过MapReduce框架自身去实现的。

MapReduce各个执行阶段：

图：MapReduce各个执行阶段

Split（分片）：

图:分片

HDFS 以固定大小(默认为128MB)的block 为基本单位存储数据，而对于MapReduce 而言，其处理单位是split。split 是一个逻辑概念，它只包含一些元数据信息，比如数据起始位置、数据长度、数据所在节点等。它的划分方法完全由用户自己决定。

Map任务的数量：

Hadoop为每个split创建一个Map任务，split 的多少决定了Map任务的数目。大多数情况下，理想的分片大小是一个HDFS块。

Reduce任务的数量：

最优的Reduce任务个数取决于集群中可用的reduce任务槽(slot)的数目。
通常设置比reduce任务槽数目稍微小一些的Reduce任务个数（这样可以预留一些系统资源处理可能发生的错误）。

Shuffle过程详解：

图：Shuffle过程

Map端的Shuffle过程：

图：Map端的Shuffle过程

• 每个Map任务分配一个缓存.
• MapReduce默认100MB缓存.

• 设置溢写比例0.8。
• 分区默认采用哈希函数。
• 排序是默认的操作。
• 排序后可以合并（Combine）。
• 合并不能改变最终结果。

• 在Map任务全部结束之前进行归并。
• 归并得到一个大的文件，放在本地磁盘。
• 文件归并时，如果溢写文件数量大于预定值（默认是3）则可以再次启动Combiner，少于3不需要。
• JobTracker会一直监测Map任务的执行，并通知Reduce任务来领取数据。

合并（Combine）和归并（Merge）的区别：

两个键值对<“a”,1>和<“a”,1>，如果合并，会得到<“a”,2>，如果归并，会得到<“a”,<1,1>>

Reduce端的shuffle过程：

图：Reduce端的shuffle过程

• Reduce任务通过RPC向JobTracker询问Map任务是否已经完成，若完成，则领取数据。
• Reduce领取数据先放入缓存，来自不同Map机器，先归并，再合并，写入磁盘。
• 多个溢写文件归并成一个或多个大文件，文件中的键值对是排序的。
• 当数据很少时，不需要溢写到磁盘，直接在缓存中归并，然后输出给Reduce。

MapReduce应用程序执行过程：

图：MapReduce程序执行过程

MapRduce过程详解：

---

---

以上内容为听华为大数据培训课程和大学MOOC上厦门大学 林子雨的《大数据技术原理与应用》课程而整理的笔记。

大数据技术原理与应用： https://www.icourse163.org/course/XMU-1002335004

---