Hadoop MapReduce基本原理

一、什么是：

　　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。

　　源于Google MapReduce论文（04年）。

　　Master - Slave 模式。

　　MapReduce的核心是：分而治之，并行处理；以及其调度和处理数据的自动化。 

　　Hadoop中MR的主要内容：

　　　　hadoop序列化writable接口，数据类型

　　　　应用开发 （debug 单元测试）解决基本数据处理，作业调优

　　　　工作机制  作业提交流程，作业调度，shuffle与排序

　　　　MR类型 输入输出类型

　　　　特性：二次排序（全排、部分排），join

　　　　压缩算法

二、基本流程:

1、MR中主要是Map和Reduce两个阶段，其中基本流程是：

　　1、mr的数据处理单位是一个split，一个split对应一个map任务，处理时会有多个map任务同时运行；当map从HDFS上读取一个split时，这里会有“移动计算，不移动数据”的机制来减少网络的数据传输，使得效率能最大化；

　　2、获取到split时，默认会以TextInputFormat的格式读入，文件中的字符位置的偏移量作为 key，以及每一行的数据作为 value；

　　3、之后则进入map函数中进行处理，这个阶段可以获取需要的数据并加以处理，并以key value的形式写出，作为后面reduce函数的输入；

　　4、map到reduce之间会有一个shuffle的过程，大致过程是把不同key利用partitioner分散到各个reduce节点上去；

　　5、在reduce上会先通过 比较排序（前面shuffl会有预排序） 进行文件的归并，之后进入reduce函数，在每个reduce函数中key是唯一的，对应的value则是一个 Iterable接口类型，通过Iterable可以遍历所有当前key对应的所有value；

　　6、之后在reduce中对数据进行处理后，利用OutputFormat对处理后的key value保存到HDFS上即完成了整个流程。

　　注：一个split的大小计算：max( minimumSize, min( maximumSize, blockSize ))；

　　　　　　　　　　　　通常 blockSize 在 minimumSize和maximumSize之间，所以一般分片大小就是块大小。

2、流程图：

　　

3、编程中可定制的类：

　　InputFormat —> Mapper —> Partitioner (HashPartitioner) —> Combiner —> Reducer —> OutputFormat

4、shuffle过程：map输出 到 reduce获取数据的过程。

 

　　Map端：

　　　　map输出 -> 写入内存缓冲区，考虑效率进行预排序 ->

　　　　a. 达到缓冲区阈值（0.8），一个线程便开始把内容溢出到磁盘。在溢出到磁盘的过程中，map输出继续写到缓冲区，若此期间缓冲区被填满，map将被阻塞直到写磁盘过程完成。

　　　　b. 每当达到缓冲区阈值时，就会新建一个溢出文件(spill file)；因此在任务完成前，会有几个溢出文件，并最终合并成一个已分区且已排序的输出文件。

　　　　c.在写入磁盘之前，线程首先根据reduce把数据划分成相应的分区(partition)。在每个分区中，会按键进行排序，如果有combiner，它就在排序后运行。combiner使得map输出更紧凑，可减少写到磁盘和传到reduce的数据。

 

　　　　如果存在至少3个溢出文件，则combiner会在溢出文件合并前再次运行。如果低于3个则不会运行，因为不值得调用。

 

　　Reduce端：

　　　　map的输出存储在运行map任务的tasktracker的节点磁盘上。

 

　　　　获取数据 -> 排序合并 -> reduce

　　　　每个map节点运行时间不一样，只要有一个节点完成，reduce任务就会开始获取其输出。reduce任务有少量并行线程可同时获取map端数据。

　　　　若map端输出很小，则数据会被复制到redeuce任务的JVM内存中。若大于一个指定阈值，则获取的数据会合并后存储到本地磁盘中，合并阶段会维持原map输出的键顺序。或指定有combiner，则会在合并期间运行以降低写入磁盘数据量。

　　　　在redece阶段，会对已排序输出中的每键调用reduce函数，些阶段的输出直接写到HDFS上。

 

　　combiner运行3次：分区内、溢出文件大于3、reduce合并文件

　　排序运行2次：分区中预排序、reduce排序

　　参考：Hadoop中 key键的排序比较器类的实现

　　

三、优缺点：

　　优点：

    　　1. 易于编程

    　　2. 良好的扩展性，增加机器来扩展计算能力

    　　3. 高容错性

    　　4. 适合PB级以上海量数据离线处理。

 

　　缺点：

    　　1. 实时计算

    　　2. 流式计算

    　　3. DAG有向图计算

 

　　应用：网站pv uv统计，搜索引擎索引，海量数据查找与统计，复杂数据分析算法实现。