MapReduce运行流程分析

栏目: 编程工具 · 发布时间: 7年前

内容简介:MapReduce运行流程分析

研究MapReduce已经有一段时间了。起初是从分析WordCount程序开始,后来开始阅读Hadoop源码,自认为已经看清MapReduce的运行流程。现在把自己的理解贴出来,与大家分享,欢迎纠错。

还是以最经典的WordCount程序作为基础,来分析map阶段、reduce阶段和最复杂的shuffle阶段。

文本1:hello world                                      文本2:map reduce

hello hadoop                                              java interface

abc qaz                                                      java hdfs

java jvm                                                    spark storm

这样的2个小文本文件(不足64M),肯定会产生2个map任务,reduce任务默认是1个。当然,map任务和reduce任务的个数都可以在程序中或者配置文件中人为设置。为了说明partition的过程,我们把reduce任务的个数设为2。

1、map阶段

map1                                                            map2

输入:<xxxx, hello world>                                          <xxxx, map reduce>

<xxxx, hello hadoop>                                        <xxxx, java interface>

<xxxx, abc qaz>                                              <xxxx, java hdfs>

<xxxx, java jvm>                                              <xxxx, spark storm>

切分:<hello, 1>                                                          <map, 1>

<word, 1>                                                          <reduce, 1>

<hello, 1>                                                          <java, 1>

<hadoop, 1>                                                      <interface, 1>

<abc, 1>                                                            <java, 1>

<qaz, 1>                                                            <hdfs, 1>

<java, 1>                                                            <spark, 1>

<jvm, 1>                                                            <storm, 1>

2、shuffle阶段

切分完毕后,每一组<key, value>都会不断地被collect到一个内存缓冲区中,对应代码中的数据结构MapOutputBuffer。

partition过程:每一组<key, value>在被收集的时候,就已经确定了分区(partition),即在这个时候就已经确定了要交给哪个reduce任务处理。分区会给<key, value>加上一个索引标识。假设分区后(分区算法可以设定,默认是hash值模运算),数据如下:reduce1的标识是0,reduce2的标识是1

<hello, 1>                0                                          <map, 1>                        0

<word, 1>                1                                          <reduce, 1>                      1

<hello, 1>                0                                          <java, 1>                          0

<hadoop, 1>            1                                          <interface, 1>                  1

<abc, 1>                  0                                          <java, 1>                        0

<qaz, 1>                  1                                          <hdfs, 1>                        1

<java, 1>                0                                          <spark, 1>                        0

<jvm, 1>                  1                                          <storm, 1>                      1

spill过程:缓冲区默认是100M,每当里面的数据达到80M(比例80%,这个比例也可以人为设置),就会另起一个线程SpillThread往磁盘溢写,每次溢写都会产生一个数据文件和对应的索引文件。

sort过程:在溢写的过程中一直在排序,比较算法可以定制,默认 排序 算法是快速排序(可以人为设定),排序的过程就是一些位置的索引在不断的变化。

排序之后的数据:

<abc, 1>                0                                          <hdfs, 1>                        1

<hello, 1>                0                                          <interface, 1>                  1

<hello, 1>                0                                          <java, 1>                          0

<hadoop, 1>            1                                        <java, 1>                        0

<java, 1>                0                                          <map, 1>                        0

<jvm, 1>                  1                                        <reduce, 1>                      1

<qaz, 1>                  1                                          <spark, 1>                        0

<word, 1>                1                                          <storm, 1>                      1

combine过程:这个过程默认是没有的,需要明确指定combiner。combiner其实就是一个reducer,可以让数据交给reduce任务之前,进行一些计算、合并。它的意义在于,使数据进一步减少,减轻了                      reduce任务通过网络获取数据的压力和reduce处理数据的压力。combiner也可以自己定制,每个溢写文件都会combine。

combiner会通过一个比较器对key进行比较,相同的key(比较结果为0,比较算法可以定制),会被放到一个集合的迭代器中,然后迭代进行一次reduce运算,产生一个输出。

combine之后的数据:

<abc, 1>                0                                        <hdfs, 1>                        1

<hello, 1+1>            0                                        <interface, 1>                  1

<hadoop, 1>            1                                        <java, 1+1>                    0

<java, 1>                0                                          <map, 1>                        0

<jvm, 1>                  1                                        <reduce, 1>                      1

<qaz, 1>                  1                                          <spark, 1>                        0

<word, 1>                1                                          <storm, 1>                      1

merge过程:一个map所有的溢写文件都会进行合并,产生一个最终的溢写文件和一个索引文件。合并是针对于不同的溢写文件中相同分区的数据。在这个合并的过程中,也会进行combine操作(如果设置了的话),此处的combine过程同上,不再细说。

copy数据过程:每个reduce任务会远程copy属于自己的多个map输出数据文件,通过http传输,在本地会合并。另外,这个过程也会进行combine,此次不过多说明。

结果如下:

reduce0                        reduce1

<abc, 1>                    <hadoop, 1>

<hello, 2>                    <jvm, 1>

<java, 1>                    <qaz, 1>

<java, 2>                    <word, 1>

<map, 1>                    <hdfs, 1>

<spark, 1>                  <interface, 1>

<reduce, 1>

<storm, 1>

sort过程:对上述结果进行排序,结果如下:

reduce0                        reduce1

<abc, 1>                    <hadoop, 1>

<hello, 2>                    <hdfs, 1>

<java, 1>                    <interface, 1>

<java, 2>                    <jvm, 1>

<map, 1>                    <qaz, 1>

<spark, 1>                  <reduce, 1>

<storm, 1>

<word, 1>

3、reduce阶段

通过一个GroupComparator对key进行比较,相同的key(比较结果为0,比较算法可以定制),会被放到一个集合的迭代器中,然后迭代进行一次reduce运算,产生一个输出。类似combine过程。

最终的输出:                    reduce0                        reduce1

<abc, 1>                    <hadoop, 1>

<hello, 2>                    <hdfs, 1>

<java, 3>                    <interface, 1>

<map, 1>                    <jvm, 1>

<spark, 1>                  <qaz, 1>

<reduce, 1>

<storm, 1>

<word, 1>

从上述过程的分析可以看出,合并和排序是核心!!!

PS:其实每个阶段没有这么分明,只不过是为了分析和理解的需要,才进行这样详细的划分,而且划分的还不一定正确,请大家及时纠错。另外,上述流程中涉及到好多的细节,没有一一说明。

本文永久更新链接地址 http://www.linuxidc.com/Linux/2017-06/144455.htm


以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

The Art of Computer Programming, Volume 4,  Fascicle 3

The Art of Computer Programming, Volume 4, Fascicle 3

Donald E. Knuth / Addison-Wesley Professional / 2005-08-05 / USD 19.99

Finally, after a wait of more than thirty-five years, the first part of Volume 4 is at last ready for publication. Check out the boxed set that brings together Volumes 1 - 4A in one elegant case, and ......一起来看看 《The Art of Computer Programming, Volume 4, Fascicle 3》 这本书的介绍吧!

HTML 压缩/解压工具
HTML 压缩/解压工具

在线压缩/解压 HTML 代码

HTML 编码/解码
HTML 编码/解码

HTML 编码/解码

UNIX 时间戳转换
UNIX 时间戳转换

UNIX 时间戳转换