Hadoop上Data Locality的詳解

Hadoop上的Data Locality是指數(shù)據與Mapper任務運行時數(shù)據的距離接近程度（Data Locality in Hadoop refers to the“proximity” of the data with respect to the Mapper tasks working on the data.）

1. why data locality is imporant?

當數(shù)據集存儲在HDFS中時，它被劃分為塊并存儲在Hadoop集群中的DataNode上。當在數(shù)據集執(zhí)行MapReduce作業(yè)時，各個Mappers將處理這些塊（輸進行入分片處理）。如果Mapper不能從它執(zhí)行的節(jié)點上獲取數(shù)據，數(shù)據需要通過網絡從具有這些數(shù)據的DataNode拷貝到執(zhí)行Mapper任務的節(jié)點上（the data needs to be copied over the network from the DataNode which has the data to the DataNode which is executing the Mapper task）。假設一個MapReduce作業(yè)具有超過1000個Mapper，在同一時間每一個Mapper都試著去從集群上另一個DataNode節(jié)點上拷貝數(shù)據，這將導致嚴重的網絡阻塞，因為所有的Mapper都嘗試在同一時間拷貝數(shù)據（這不是一種理想的方法）。因此，將計算任務移動到更接近數(shù)據的節(jié)點上是一種更有效與廉價的方法，相比于將數(shù)據移動到更接近計算任務的節(jié)點上（it is always effective and cheap to move the computation closer to the data than to move the data closer to the computation）。

2. How is data proximity defined?

當JobTracker（MRv1）或ApplicationMaster（MRv2）接收到運行作業(yè)的請求時，它查看集群中的哪些節(jié)點有足夠的資源來執(zhí)行該作業(yè)的Mappers和Reducers。同時需要根據Mapper運行數(shù)據所處位置來考慮決定每個Mapper執(zhí)行的節(jié)點（serious consideration is made to decide on which nodes the individual Mappers will be executed based on where the data for the Mapper is located）。

3. Data Local

當數(shù)據所處的節(jié)點與Mapper執(zhí)行的節(jié)點是同一節(jié)點，我們稱之為Data Local。在這種情況下，數(shù)據的接近度更接近計算（ In this case the proximity of the data is closer to the computation.）。JobTracker（MRv1）或ApplicationMaster（MRv2）首選具有Mapper所需要數(shù)據的節(jié)點來執(zhí)行Mapper。

4. Rack Local

雖然Data Local是理想的選擇，但由于受限于集群上的資源，并不總是在與數(shù)據同一節(jié)點上執(zhí)行Mapper（Although Data Local is the ideal choice, it is not always possible to execute the Mapper on the same node as the data due to resource constraints on a busy cluster）。在這種情況下，優(yōu)選地選擇在那些與數(shù)據節(jié)點在同一機架上的不同節(jié)點上運行Mapper（ In such instances it is preferred to run the Mapper on a different node but on the same rack as the node which has the data.）。在這種情況下，數(shù)據將在節(jié)點之間進行移動，從具有數(shù)據的節(jié)點移動到在同一機架上執(zhí)行Mapper的節(jié)點，這種情況我們稱之為Rack Local。

5. Different Rack

在繁忙的群集中，有時Rack Local也不可能。在這種情況下，選擇不同機架上的節(jié)點來執(zhí)行Mapper，并且將數(shù)據從具有數(shù)據的節(jié)點復制到在不同機架上執(zhí)行Mapper的節(jié)點。這是最不可取的情況。

如有疑問請留言或者到本站社區(qū)交流討論，感謝閱讀，希望能幫助到大家，謝謝大家對本站的支持！

最新評論