Hadoop MapReduce V2

Hadoop MapReduce V2

MapReduce介绍

MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）“和"Reduce（归约）”，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。 当前的软件实现是指定一个Map（映射）函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce（归约）函数，用来保证所有映射的键值对中的每一个共享相同的键组。

一个切片对应一个Map程序，默认情况下，一个块对应一个Map程序；切片是一个窗口机制，人为的可以将一个切片变得很小，引入切片可以解耦一个块对应一个Map程序的关系。reduce的数量由人（参考Map输出数据组数量）来决定。

以一条记录为单位调用一次Map方法，

MR原语

• 输入（格式化k，v）–>map映射成一个中间数据集（k，v）–>reduce
• "相同"的key为一组，调用一次reduce方法，方法内迭代这一组数据进行计算
• • 排序，比较
  • 遍历，计算

MapReduce架构概念

Map：

• 读懂数据
• 映射为KV模型
• 并行分布式
• 计算向数据移动

Reduce：

• 数据全量/分量加工
• Reduce中可以包含不同的key
• 相同的key汇聚到一个Reduce方法中
• 相同的Key调用一次reduce方法
• • 排序实现key的汇聚

K，V使用自定义数据类型

• 作为参数传递，节省开发成本，提高程序自由度
• Writable序列化：使分布式程序数据交互
• Comparable比较器：实现具体排序（字典序，数字序等）

MRv1角色：

• JobTracker
• • 核心，主，单点
  • 调度所有的作业
  • 调控整个集群的资源负载
• TaskTracker
• • 从，自身节点资源管理
  • 和JobTracker心跳，汇报资源，获取Task
• Client
• • 作业为单位
  • 规划作业计算分布
  • 提交作业资源到HDFS
  • 最终提交作业到JobTracker
• 弊端：
• • JobTracker：负载过重，单点故障
  • 资源管理与计算调度强耦合，其他计算框架需要重复实现资源管理
  • 不同框架对资源不能全局管理