Hadoop学习笔记总结
01. MapReduce
1. Combiner（规约）
Combiner号称本地的Reduce。
问：为什么使用Combiner？
答：Combiner发生在Map端，对数据进行规约处理，数据量变小了，传送到reduce端的数据量变小了，传输时间变短，作业的整体时间变短。减少了reduce的输入。
问：为什么Combiner不作为MR运行的标配，而是可选步骤哪？
答：因为不是所有的算法都适合使用Combiner处理，例如求平均数。使用了规约，造成了最终结果的不同。
问：Combiner本身已经执行了reduce操作，为什么在Reducer阶段还要执行reduce操作哪？
答：combiner操作发生在map端的，处理一个任务所接收的文件中的数据，不能跨map任务执行；并且，处理的是局部有序数据，不是全局有序数据。
job.setCombinerClass(MyCombiner.class);//其实就是一个另一个Reducer函数
2. Shuffle机制
Shuffle描述着数据从map task输出到reduce task输入的这段过程。（包括了分组、排序、规约和缓存机制）
(1) split切片概念
- map的数量不是由Block块数量决定，而是由split切片数量决定。
- 切片是一个逻辑概念，指的是文件中数据的偏移量范围
- 切片的具体大小应该根据所处理的文件的大小来调整。
- 最佳的分片大小应该与块相同。因为如果跨越了两个数据块，节点一般不会同时存储这两个块，因而会造成网络传输，较低效率。
- 数据本地化优化。（1）、避免了调用同一个机架中空闲机器运行该map任务，（2）、其它机架来处理（小概率）。浪费集群宽带资源。
(2) shuffle流程
Map端：分区排序规约
- 每个map有一个环形内存缓冲区，用于存储任务的输出。默认大小100MB（io.sort.mb属性），一旦达到阀值0.8（io.sort.spill.percent）,一个后台线程把内容写到(spill)磁盘的指定目录（mapred.local.dir）下的新建的一个溢出写文件。
- 写磁盘前，后台线程会根据将要传入的reducer将数据分区partition,排序sort。一个个小spill的写，写满了就再新建一个溢出文件（spill file）。在每个分区中，后台线程会按键进行内排序，再写入磁盘spill。如果有combiner，运行combine使得map的输出数据更加紧凑，减少传递到磁盘和传递给reduce的数据。
- 等最后记录写完，合并全部溢出写文件为一个已分区且已排序的文件。combiner也会在写到磁盘之前再次执行。
map总结：map输出-->环形缓冲区-->分区，排序，规约（如果有）-->小spill文件-->合并到磁盘。
Reduce端：复制，合并排序
- reduce任务的复制阶段。Reducer通过Http方式得到输出文件的分区。（通过appMaster告知）。少量的复制线程并行获取map的输出，每个map完成时间不同，只要一个map完成，reduce就开始复制输出。
- NodeManager为运行Reduce任务。复制阶段把Map输出（整体溢出文件）复制到Reducer的内存或磁盘（由map输出大小决定）。
- 排序阶段。合并map输出在Reducer的内存或磁盘中（关于为什么内存和磁盘都有，日后总结）。然后也是基于key值得排序，将局部有序的数据合并成全局有序的数据。然后执行reduce方法。
reduce总结：复制map输出，合并排序
总结，shuffle流程的过程其实就是，分组+排序（map和reduce都有排序）的过程，还有在map和reduce端的缓存机制。
在map端的排序和reduce端的排序是分别有序和整体排序的关系。
想要优化整个过程，可以增大内存，减少溢出文件的IO和提高溢出阀值等
(3) MRAppMaster的任务监控调度机制，带shuffle机制的job流程图
和之前Yarn框架管理，组成了整个MapReduce资源的分配和任务调度的过程。
3. Partitioner分区和ReduceTasks数量
Map的结果，会通过partition函数分发到Reducer上。它的作用就是根据key或value及reduce的数量来决定当前的这对输出数据最终应该交由哪个reduce task处理。
默认的HashPartitioner
public class HashPartitioner<K, V> extends Partitioner<K, V> {
public int getPartition(K key, V value,
int numReduceTasks) {
return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
}
}
即：key运算结果相同的被分到同一组，哪个key到哪个Reducer的分配过程，是由Partitioner规定的。
输入是Map的结果对<key, value>和Reducer的数目，输出则是分配的Reducer（整数编号）。就是指定Mappr输出的键值对到哪一个reducer上去。
总结：分区Partitioner主要作用在于以下两点
（1）根据业务需要，产生多个输出文件；
（2）多个reduce任务并发运行，提高整体job的运行效率
job.setPartitionerClass(AreaPartitioner.class);
job.setNumReduceTasks(3);
Ps:当分组有6个。当ReduceTask任务有10个时，只有6个输出文件有数据，其它的为空文件；当Task任务时5个时，报错，因为有的分组找不到reduce函数。
4. 自定义分区、排序、分组的总结
在第3节已经讲述了分区（partition）的概念，在分区过后，每个分区里面的数据按照key进行排序、分组。排序会在map和reduce过程中多次调用。在reduce端排序之后，具有相同Key值的记录是属于同一个分组的传入reduce()方法。
下面以二次排序SecondSort为例讲解:
job.setSortComparatorClass()
job.setGroupingComparatorClass()
1.自定义key
创建的自定义key:NewPairKey需要实现的接口：WritableComparable,可序列的并且可比较的
static class NewPairKey implements WritableComparable<NewPairKey> {
int first = 0;
int second = 0;
//空构造器和含参构造器
//序列化，将IntPair转化成使用流传送的二进制
public void write(DataOutput out) throws IOException {}
//反序列化，从流中的二进制转换成IntPai
public void readFields(DataInput in) throws IOException {}
// NewPairKey的比较逻辑
public int compareTo(NewPairKey o) {}
// 新建的类应该重写的方法
public String toString() {}
public boolean equals(Object obj) {}
public int hashCode() {}
}
2.排序的比较逻辑
Key排序的规则：
-
如果设置了job的setSortComparatorClass(KeyComparator.class)，作为key比较函数类
public static class KeyComparator extends WritableComparator{} -
如果没有设置，则系统会自动使用自定义类NewPairKey中实现的compareTo()方法作为key比较的。上面的方法不是必要的。但是都是构造了新的比较逻辑。
// 当NewPairKey进行排序时，会调用该方法,第一列升序排列，第一列不同时，第二列升序排列。 @Override public int compareTo(NewPairKey o) { int minus = this.first - o.first; if (minus != 0) { return minus; } return this.second - o.second; }
Ps：上面的compareTo(NewPairKey o)参数类型是NewPairKey，需要将字节流反序列化成NewPairKey对象再比较，造成了新建对象的额外开销。
RawComparator接口允许其实现直接比较数据流中的记录，无需先把数据流反序列化为对象，加速比较！。
如下面IntWritable默认是实现源码。
public class IntWritable implements WritableComparable<IntWritable> {
private int value;
public IntWritable() {}
public IntWritable(int value) {
set(value);
}
/** Set the value of this IntWritable. */
public void set(int value) {
this.value = value;
}
/** Return the value of this IntWritable. */
public int get() {
return value;
}
@Override
public void readFields(DataInput in) throws IOException {
value = in.readInt();
}
@Override
public void write(DataOutput out) throws IOException {
out.writeInt(value);
}
/** Returns true iff <code>o</code> is a IntWritable with the same value. */
@Override
public boolean equals(Object o) {
if (!(o instanceof IntWritable))
return false;
IntWritable other = (IntWritable) o;
return this.value == other.value;
}
@Override
public int hashCode() {
return value;
}
/** Compares two IntWritables. */
@Override
public int compareTo(IntWritable o) {
int thisValue = this.value;
int thatValue = o.value;
return (thisValue < thatValue ? -1 : (thisValue == thatValue ? 0 : 1));
}
@Override
public String toString() {
return Integer.toString(value);
}
/** A Comparator optimized for IntWritable. */
public static class Comparator extends WritableComparator {
public Comparator() {
super(IntWritable.class);
}
@Override
public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) {
int thisValue = readInt(b1, s1);
int thatValue = readInt(b2, s2);
return (thisValue < thatValue ? -1 : (thisValue == thatValue ? 0
: 1));
}
}
static { // register this comparator
WritableComparator.define(IntWritable.class, new Comparator());
}
}
从IntWritable 的例子中，可以看到：
1、把WritableComparator当IntWritable的内部类，写到里面
2、如何注册一个自定义的WritableComparator。
此处注意一下，关注static { WritableComparator.define(IntWritable.class,new Comparator())} 的位置。
参看《http://blog.itpub.net/30066956/viewspace-2112283/》
3.分组函数类
WritableComparator是RawComparator接口的实现。功能：1.提供了原始compare()方法的一个默认实现；2.和充当RawComparator实例的工厂（《权威指南P105》）。和WritableComparable区别详情见《http://www.cnblogs.com/robert-blue/p/4159434.html》
job.setGroupingComparatorClass(MyGroupingComparator.class).
static class MyGroupingComparator implements RawComparator<NewPairKey> {
@Override
public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) {
return WritableComparator.compareBytes(b1, s1, Integer.SIZE / 8,
b2, s2, Integer.SIZE / 8);
}
@Override
public int compare(NewPairKey arg0, NewPairKey arg1) {
return arg0.first - arg1.first;
}
}
总结
分组：
- 实际上，没有使用自定义分组也能实现二次排序逻辑。
- 使用了自定义分组后，分组的逻辑变成不再以整个NewPairKey作为比较，而是以fisrt为标的，把一些相同键的键值进行合并组，测试可知：Reduce input groups=16变成了4。
- compare方法需要知道比较的是Int型数据，就是4个字节的比较，Long型数据就是8个字节的比较。
分区和分组的区别：
- 分区是对输出结果文件进行分类拆分文件以便更好查看，比如一个输出文件包含所有状态的http请求，那么为了方便查看通过分区把请求状态分成几个结果文件。
- 分组就是把一些相同键的键值对进行进行合并组；分区之后数据全部还是照样输出到reduce端，而分组的话就有所减少了。当然这2个步骤也是不同的阶段执行。分区是在map端执行，环形内存缓冲区输出到溢出文件的时候就是按照分区输出；分组是在reduce端。
Group Comparator的执行过程：
- 在reduce阶段，reducer接收到所有映射到这个reducer的map输出后，调用key比较函数类对所有数据排序得到全局有序数据。然后开始构造一个key对应的value迭代器。这时就要用到分组，使用job.setGroupingComparatorClass设置的分组函数类。只要这个比较器比较的两个key相同，他们就属于同一个组，它们的value放在一个value迭代器。
需要Group Comparator吗？
- 问：mapper产生的中间结果经过shuffle和sort后，每个key整合成一个记录，每次reduce方法调用处理一个记录，但是group的目的是让一次reduce调用处理多条记录,为什么？
- 答：如果不用分组，那么同一组的记录就要在多次reduce方法中独立处理，那么有些状态数据就要传递了，就会增加复杂度，在一次调用中处理的话，这些状态只要用方法内的变量就可以的。
关于WritableComparable、RawComparator和WritableComparator联系与区别下回再总结了。
参考《Hadoop权威指南》
《http://www.cnblogs.com/robert-blue/p/4159434.html》
《http://blog.itpub.net/30066956/viewspace-2112283/》
初接触，记下学习笔记，还有很多问题，望指导，谢谢。