MapReduce工作原理

MapReduce工作原理

一、 概述
MapReduce是一个分布式运算程序的编程框架，是用户开发“基于hadoop的数据分析应用”的核心框架。
MapReduce核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完成的分布式运算程序，并发运行在一个hadoop集群上。

为什么要MapReduce？
1、 海量数据在单机上处理运维硬件资源限制，无法胜任
2、 而一旦将单机版程序扩展到集群来分布式运行，将极大的增加程序的复杂度和开发难度
3、 引入MapReduce框架后，开发人员可以将绝大部分工作几种在业务逻辑的开发上，而将分布式计算中的复杂性交由框架来处理

设想一个海量数据场景下的wordcount需求：
单机版：内存受限，磁盘受限，运算能力受限
分布式：
1、 文件分布式存储
2、 运算逻辑需要至少分成2个阶段（一个阶段独立开发，一个阶段汇聚）
3、 运算程序如何分发
4、 程序如何分配运算任务
5、 两个阶段的程序如何启动？如何协调？
6、 整个程序运行过程的监控？容错？重试？

可见在程序由单机版扩成分布式时，会引入大量的复杂工作。为了提高开发效率，可以将分布式程序中的公共功能封装成框架，让开发人员可以将精力集中于业务逻辑。

而Mapreduce就是这样一个分布式程序的通用框架，其应对以上问题的整体结构如下：
1、 MRAppMaster（MapReduce application master）
2、 MapTasK
3、 ReduceTask

二、 MapReduce框架结构及核心运行机制

1、 MapReduce结构
一个完成的MapReduce程序在分布式运行时有三类实例进程：
1、MRAppMaster：负责整个程序的过程调度及状态协调
2、MapTask：负责Map阶段的整个数据处理流程
3、ReduceTask：负责Reduce阶段的整个数据处理流程

2、 MR程序运行流程
具体步骤：
1、mr程序启动时，最先启动时MRAppMaster，MRAppMaster启动后根据本次job的描述信息，计算出需要的maptask实例数量，然后想集群申请机器启动相应数量的maptask进程。
2、 maptask进程启动后，根据跟定的数据切片范围进行数据处理，主体流程为：

a)  利用客户指定的inputformat来获取RecordReader读取数据，形成出入KV对
b)  将输入的KV对传递给客户定义的map方法，做逻辑运算，并将map方法输出的KV对收集到缓存。
c)  将缓存的KV对按照K分区排序后不断溢写到磁盘文件

3、MRAppMaster监控到所有maptask进程任务完成之后，会根据客户指定的参数启动相应数量的reducetask进程，并告知reducetask进程要处理的数据范围（数据分区）
4、Reducetask进程启动之后，根据MRAppMaster告知的待处理数据所在的位置，从若干maptask运行所在机器上获取的若干个maptask输出结果文件，并在本地进行重新归并排序，然后按照相同key的KV为一个组，调用客户定义的reduce方法进行逻辑运算并收集运算输出结果KV，然后调用客户指定的outputformat将结果数据输出到外部存储。

3、MapTask并行度决定机制
maptask的并行度决定map阶段的任务处理并发度，进而影响到整个job的处理速度，那么，maptask并行实例是否越多越好呢？其并行度又是如何决定的呢？

一个job的map阶段并行度有客户端在提交job时决定，而客户端对map阶段并行度的规划的基本逻辑为：
将待处理数据执行逻辑切片，然后每一个split分配一个maptask并行处理。

4、 FileInputFormat切片机制
a) 切片定义在InputFormat类中的getSplit()方法中
b) FileInputFormat中默认的切片机制
i. 简单的按照文件的内容长度进行切片
ii. 切片大小，默认等于block大小
iii. 切片时不考虑数据集整体，而是逐个针对每一个文件单独切片
比如待处理的数据有两个文件
file1.txt 320M
file2.txt 10M
经过FileInputformat的切片机制运算后，形成的切片信息如下：
file1.txt.split1– 0~128
file1.txt.split2– 128~256
file1.txt.split3– 256~320
file2.txt.split1– 0~10M
c) FileInputFormat中切片的大小的参数配置
通过分析源码，在FileInputFormat中，计算切片大小的逻辑：Math.max(minSize,Math.min(maxSize,blockSize));切片主要由这几个值来运算决定
minsize：默认值：1
配置参数： mapreduce.input.fileinputformat.split.minsize
maxsize：默认值：Long.MAXValue
配置参数：mapreduce.input.fileinputformat.split.maxsize
blocksize
在默认情况下，切片大小=blocksize
maxsize：切片最大值，如果比blocksize小，则会让切片变小，并且等于配置的这个参数的值
minsize：切片最小值，如果比blocksize大，则会让切片比blocksize还大

选择并发数的影响因素：
1、 运算节点的硬件配置
2、 运算任务的类型：CPU密集型还是IO密集型
3、 运算任务的数据量

5、Map并行度的经验之谈
最好每个map的执行时间至少一分钟
如果job的每个map或者reduce的运行时间都只有30-40秒，那么久减少该job的map或者reduce的数量。每个task的启动和加入到调度器中进行调度，这个过程需要花费几秒钟，所以如果每个task都非常快就完成了，就会在task的开始和结束的时候浪费太多的时间。

配置task的JVM重用可以改善该问题：mapred.job.reuse.jvm.num.tasks,默认为1，表示一个JVM上最多可以顺序执行的task数目为1，也就是说一个task启动一个JVM）
如果input的文件非常大，比如1TB，可以考虑将hdfs上的每个block size设大，比如设成256M或512M

6、ReduceTask的并行度
reducetask的并行度同样影响整个job的执行并发度和执行效率，但与maptask的并发数由切片数决定不同，Reducetask数量的决定是可以直接手动设置：

//默认值是1，手动设置为4
job.setNumReduceTasks(4);

如果数据分布不均匀，就有可能在reduce阶段产生数据倾斜
注意： reducetask数量并不是任意设置，还要考虑业务逻辑需求，有些情况下，需要计算全局汇总结果，就只能有1个reducetask