MapReduce框架的簡(jiǎn)單運(yùn)行機(jī)制：

MapReduce是分為兩個(gè)階段的，MapperTask階段，和ReduceTask階段。（中間有一個(gè)Shuffle階段）

Mapper階段，可以通過選擇什么方式（K,V的選擇對(duì)應(yīng)不同的方法）來(lái)讀取數(shù)據(jù)，讀取后把數(shù)據(jù)交給Mapper來(lái)進(jìn)行后續(xù)的業(yè)務(wù)邏輯（用戶寫），讓后進(jìn)入Reduce階段通過Shuffle來(lái)拉取Mapper階段的數(shù)據(jù)，讓后通過OutputFormat(等方法)來(lái)寫出（可以是ES,mysql，hbase，文件）

Mapper階段： 

InputFormat數(shù)據(jù)輸入：

切片與MapTask并行度決定機(jī)制：

MapTask個(gè)數(shù)，決定了并行度（相當(dāng)于在生成map集合的過程中有幾個(gè)人在干活），**（不一定越多越好，當(dāng)數(shù)據(jù)量小的時(shí)候可能開啟的眾多MapTask的時(shí)間用一個(gè)MapTask已經(jīng)計(jì)算完成）

數(shù)據(jù)塊：Block是HDFS物理上把數(shù)據(jù)分成一塊一塊。數(shù)據(jù)塊是HDFS存儲(chǔ)數(shù)據(jù)單位。

數(shù)據(jù)切片：數(shù)據(jù)切片只是在邏輯上對(duì)輸入進(jìn)行分片，并不會(huì)在磁盤上將其切分成片進(jìn)行存儲(chǔ)。數(shù)據(jù)切片是MapReduce程序計(jì)算輸入數(shù)據(jù)的單位，一個(gè)切片會(huì)對(duì)應(yīng)啟動(dòng)一個(gè)MapTask。

job提交過程源碼解析：

因?yàn)槲覀冋业膉ob提交，所以在job提交函數(shù)哪里打個(gè)斷點(diǎn)，

步入函數(shù)后   

ensureState(JobState.DEFINE);  是確保你的狀態(tài)是正確的（狀態(tài)不對(duì)或者running 都會(huì)拋異常）

setUseNewAPI();       處理Hadoop不同版本之間的API兼容

connect();          連接，（客戶端需要與集群或者本機(jī)連接）

checkSpecs(job); 校驗(yàn) 校驗(yàn)輸出路徑是否已經(jīng)創(chuàng)建，是否有參

return submitter.submitJobInternal(Job.this, cluster);   核心代碼    步入的時(shí)候需要點(diǎn)兩下，

第一個(gè)步入是步入的參數(shù)Job  第二個(gè)才步入此方法 

這個(gè)方法是提交job（在集群模式下，提交的job包含（通過客戶端方式把jar包提交給集群），在本地不需要提交jar包，jar在本地是存在的）

還會(huì)進(jìn)行切片，生成切片信息（幾個(gè)切片就有幾個(gè)MapTask）

還會(huì) 生成xml文件

綜上  job提交會(huì)交三樣?xùn)|西（jar,xml文件，切片信息---》集群模式下）

最后會(huì)刪除所有的信息文件

切片邏輯：

**（切片是每一個(gè)文件單獨(dú)切片）

在本地是32m一塊，前邊說過，默認(rèn)一塊對(duì)應(yīng)一個(gè)切片，但是有前提條件，再你減去32m的時(shí)候，余下最后一塊如果大于1.1倍就重新分配切片，但如果小于1.1，則不能更新分片

例子1：

已有一個(gè)32.1m的數(shù)據(jù)   物理分塊是（32m+0.1m）切片分布是（1個(gè)切片，因?yàn)?2.1/32=1.003125<1.1   所以使用一個(gè)切片）

例子2：

已有一個(gè)100m的數(shù)據(jù)

100-32-32=36>32(36/32=1.125>1.1   所以最后36m需要分配兩個(gè)切片)

**塊的大小沒辦法改變，但是可以調(diào)切片大?。╩axSize讓切片調(diào)?。╩inSize讓切片調(diào)大）

切片總結(jié)：

（開一個(gè)MapTask  默認(rèn)是占1g內(nèi)存+1個(gè)cpu）

1）FileInputFormat實(shí)現(xiàn)類

思考：在運(yùn)行MapReduce程序時(shí)，輸入的文件格式包括：基于行的日志文件、二進(jìn)制格式文件、數(shù)據(jù)庫(kù)表等。那么，針對(duì)不同的數(shù)據(jù)類型，MapReduce是如何讀取這些數(shù)據(jù)的呢？

FileInputFormat常見的接口實(shí)現(xiàn)類包括：TextInputFormat、KeyValueTextInputFormat、NLineInputFormat、CombineTextInputFormat和自定義InputFormat等。(應(yīng)用場(chǎng)景的不同選擇不同的接口實(shí)現(xiàn)類)

TextInputFormat是默認(rèn)的FileInputFormat實(shí)現(xiàn)類。按行讀取每條記錄。鍵是存儲(chǔ)該行在整個(gè)文件中的起始字節(jié)偏移量， LongWritable類型。值是這行的內(nèi)容，不包括任何行終止符（換行符和回車符），Text類型。

CombineTextInputFormat用于小文件過多的場(chǎng)景，它可以將多個(gè)小文件從邏輯上規(guī)劃到一個(gè)切片中，這樣，多個(gè)小文件就可以交給一個(gè)MapTask處理。

進(jìn)行虛擬存儲(chǔ)

（1）虛擬存儲(chǔ)過程：

將輸入目錄下所有文件大小，依次和設(shè)置的setMaxInputSplitSize（切片大?。┲当容^，如果不大于設(shè)置的最大值，邏輯上劃分一個(gè)塊。如果輸入文件大于設(shè)置的最大值且大于兩倍，那么以最大值切割一塊；當(dāng)剩余數(shù)據(jù)大小超過設(shè)置的最大值且不大于最大值2倍，此時(shí)將文件均分成2個(gè)虛擬存儲(chǔ)塊（防止出現(xiàn)太小切片）。

 測(cè)試：

再不使用CombineTextInputFormat情況下（默認(rèn)TextInputFormat）

可以看到切片為4

添加代碼，設(shè)置實(shí)現(xiàn)類為CombineTextInputFormat     和   設(shè)置虛擬存儲(chǔ)切片大小

// 如果不設(shè)置InputFormat，它默認(rèn)用的是TextInputFormat.class
job.setInputFormatClass(CombineTextInputFormat.class);
 
//虛擬存儲(chǔ)切片最大值設(shè)置4m
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);

可以看到，現(xiàn)在是3個(gè)切片

我們可以通過改變虛擬切片大小來(lái)改變調(diào)用的切片的數(shù)量

綜上：影響切片的數(shù)量的因素為：（1）數(shù)據(jù)量的大小（2）切片的大?。ㄒ话銜?huì)自動(dòng)調(diào)整）（3）文件格式（有些文件是不可切片的）

影響切片大小的因素：   HDFS中塊的大小（通過調(diào)maxsize,minsize與塊的大小進(jìn)行比較來(lái)判斷）

Shuffle階段：

shuffle階段是一個(gè)從mapper階段出來(lái)的后的階段，會(huì)寫入（k,v）一個(gè)環(huán)形緩沖區(qū)（緩沖區(qū)分為兩半，一半存儲(chǔ)索引，一半存儲(chǔ)數(shù)據(jù)，默認(rèn)100m,到達(dá)80%后會(huì)反向逆寫（減少時(shí)間消耗，提高效率，逆寫是因?yàn)椴恍枰却恳鐚懞笤谶M(jìn)行寫入操作）逆寫入文件前會(huì)進(jìn)行分區(qū)（分區(qū)的個(gè)數(shù)與reduceTask的個(gè)數(shù)有關(guān)）排序（對(duì)key進(jìn)行排序，但是存儲(chǔ)位置并不發(fā)生改變，只改變索引的位置，改變存儲(chǔ)位置消耗資源較大））寫入文件后會(huì)進(jìn)行歸并排序（在有序的情況下，歸并是最高效的））

排序：

排序可以自定義排序，舉例全排序：

自定義了一個(gè)Bean類，bean對(duì)象做為key傳輸，需要實(shí)現(xiàn)WritableComparable接口重寫compareTo方法，就可以實(shí)現(xiàn)排序。

 Combiner合并：

并不滿足所有生產(chǎn)環(huán)境下，只有在不影響最終業(yè)務(wù)邏輯下才可以實(shí)現(xiàn)（求和就可以，算平均值就不可以） 

combiner與reducetask區(qū)別如下：

ReduceTask階段:

（1）Copy階段：ReduceTask從各個(gè)MapTask上遠(yuǎn)程拷貝一片數(shù)據(jù)，并針對(duì)某一片數(shù)據(jù)，如果其大小超過一定閾值，則寫到磁盤上，否則直接放到內(nèi)存中。

（2）Sort階段：在遠(yuǎn)程拷貝數(shù)據(jù)的同時(shí)，ReduceTask啟動(dòng)了兩個(gè)后臺(tái)線程對(duì)內(nèi)存和磁盤上的文件進(jìn)行合并，以防止內(nèi)存使用過多或磁盤上文件過多。按照MapReduce語(yǔ)義，用戶編寫reduce()函數(shù)輸入數(shù)據(jù)是按key進(jìn)行聚集的一組數(shù)據(jù)。為了將key相同的數(shù)據(jù)聚在一起，Hadoop采用了基于排序的策略。由于各個(gè)MapTask已經(jīng)實(shí)現(xiàn)對(duì)自己的處理結(jié)果進(jìn)行了局部排序，因此，ReduceTask只需對(duì)所有數(shù)據(jù)進(jìn)行一次歸并排序即可。

（3）Reduce階段：reduce()函數(shù)將計(jì)算結(jié)果寫到HDFS上。

ReduceTask的個(gè)數(shù)可以手動(dòng)進(jìn)行設(shè)置，設(shè)置幾就會(huì)產(chǎn)生幾個(gè)文件（分區(qū)同上）

Reduce Join：

簡(jiǎn)述流程：

（1）自定義bean對(duì)象（序列化反序列化函數(shù)---implements Writable）

（2）寫mapper類     先重寫setup方法（因?yàn)楸景咐枰獌蓚€(gè)文件，初始化（讀多個(gè)文 希望先獲取到文件名稱（多文件） 一個(gè)文件一個(gè)切片   setup方法是一個(gè)優(yōu)化手段 獲取文件名稱）

（3）寫reduce類（業(yè)務(wù)邏輯）   先創(chuàng)建一個(gè)集合（類型為bean類型）和bean對(duì)象用于存儲(chǔ)

用for循環(huán)遍歷value（key是一樣的  一樣的key才會(huì)進(jìn)入同一個(gè)reduce方法）

獲取文件名判斷寫出不同的業(yè)務(wù)邏輯

"order"表：

先創(chuàng)建一個(gè)bean對(duì)象，用于存儲(chǔ)數(shù)據(jù)，用于后續(xù)寫入集合

用到方法   BeanUtils.copyProperties(tmpOrderBean,value);  獲取原數(shù)據(jù)

讓后加入上述創(chuàng)建的集合 orderBeans.add(tmpOrderBean);

“pd”表：

BeanUtils.copyProperties(pdBean,value);直接獲取原數(shù)據(jù)

存儲(chǔ)結(jié)束，結(jié)合階段：

使用增強(qiáng)for

orderbean.setPname(pdBean.getPname());

使用set函數(shù)直接設(shè)置集合中的pname

讓后寫入

context.write(orderbean,NullWritable.get());
業(yè)務(wù)結(jié)束

Reduce Join的缺點(diǎn)：這種方式中，合并的操作是在Reduce階段完成，Reduce端的處理壓力太大，Map節(jié)點(diǎn)的運(yùn)算負(fù)載則很低，資源利用率不高，且在Reduce階段極易產(chǎn)生數(shù)據(jù)傾斜。

Map Join：

使用場(chǎng)景

Map Join適用于一張表十分小、一張表很大的場(chǎng)景。

Map端實(shí)現(xiàn)數(shù)據(jù)合并就解決了Reduce Join的缺點(diǎn)（數(shù)據(jù)傾斜）

簡(jiǎn)述流程：

在map類中

setup方法：將較小文件讀入緩存，將數(shù)據(jù)存儲(chǔ)到全局的map集合中，將緩存中的數(shù)據(jù)全部寫入

重寫的map方法中：

轉(zhuǎn)換成字符串在切割，通過切割后的數(shù)組獲取map集合中的pname

讓后重新設(shè)置輸出文件的格式進(jìn)行寫出

到此這篇關(guān)于hadoop之MapReduce框架原理的文章就介紹到這了,更多相關(guān)MapReduce框架原理內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論