论文摘抄 - FlumeJava

本摘抄不保证论文完整性和理解准确性 

原始的MapReduce。分Map，Shuffle，Reduce。

Map里包含shards。

Shuffle理解为groupByKey的事情。Reduce里包含Combiner，能够定义Sharder来控制key怎么和Reducer worker相应起来。

核心抽象和基本原语

PCollection<T>是一个不可变的bag，能够是有序的(Sequence)，也能够是无序的(Collection)。PCollection能够来自于内存里的Java PCollection对象，也能够读取自文件。

PTable<K, V>，能够看成PCollection<Pair<K, V>>。不可变无序multi-map。

第一个原语是parallelDo()，把PCollection<T>变成新的PCollection<S>，处理方式定义在DoFn<T, S>里。emitFn是call-back。传给用户的process(…)。使用emitFn.emit(outElem)发射出去。parallelDo()能够在map或reduce中使用。DoFn不应该使用闭包外全局的变量。(inline function)纯操作自己的inputs。

第二个原语是groupByKey()，把PTable<K, V>转变成PTable<K,Collection<V>>。

第三个原语是combineValues()，接收input为PTable<K,Collection<V>>和一个V的符合结合律的方法，返回PTable<K, V>。

第四个原语是flatten()。接收一个PCollection<T>的list，返回一个PCollection<T>

衍生原语(Derived Operations)

count()，接收PCollection<T>，返回PTable<T, Integer>

实现方式为parallelDo()。groupByKey()和combineValues()

join()，接收PTable<K, V1>，PTable<K, V2>。返回PTable<K,Tuple2<Collection<V1>, Collection<V2>>

实现方式为，第一步，使用parallelDo()把每一个input PTable<K, Vi>变成通用的PTable<K, TaggedUnion2<V1,V2>>；第二步使用flattern来combine tables。第三步。使用groupByKey()作用于被扁平过了tables。产生PTable<K,Collection<TaggedUnion2<V1, V2>>>

top()，接收比較函数和N，

实现方式为parallelDo()，groupByKey()和combineValues()

延迟分析(Deffered Evaluation)

PCollection对象有两种状态，defferred或materialized。

FlumeJava.run()真正触发execution plan的物化/运行。

PObjects

PObject<T>用于存储Java对象，物化过了之后能够使用getValue()方法获得PObject的值。有点像Future。

operate()方法

优化器

parallelDoFusion(融合)

Producer-Consumer and Sibling Fusion。例如以下图

大致是说。ABCD这几种由同一份input产生的parallelDo，能够融合起来在一个parallelDo，即A+B+C+D，里处理。一些中间结果也能够不要。

MapShuffleCombineReduce(MSCR) Operation

FlumeJava优化器的核心在于把ParallelDo，GroupByKey，CombineValues和Flattern的组合转换成一个个单个的MapReduce。

MSCR是一个中间层的操作，有M个input channels(每一个能够进行map操作)，有R个Reduce channels(每一个能够进行shuffle，或combine。或reduce操作)。单个input channal m，接收PCollection<T_m>作为输入，运行R路output输出的ParallelDo “map”操作，产生R个PTable<K_r, V_s> outputs。每一个output channel r flatterns它的M个inputs，然后

a)  进行一次GroupByKey的“shuffle”，或CombineValues的“combine”。或O_r-output的ParallelDo “reduce”。然后把结果写出到O_r-output PCollections

b)  把inputs直接写出为outputs

前者这种output channel称为”Grouping” channel，后者称为”pass-through” channel。”pass-through” channel同意map的output成为一个MSCR操作的输出。

每一个MSCR操作能够用一个MapReduce完毕。

它让MapReduce更加通用，体如今：

Ø  同意多个reducers和combiners。

Ø  同意每一个reducer产生多个outputs；

Ø  消除了每一个reducer必须以同样的key为input来产出output的约束；

Ø  同意pass-through形式的outputs。

所以MSCR是优化器里非常好的一个中间操作目标。

MSCR Fusion

MSCR操作产生于一些相关的GroupByKey操作集合。相关的GroupByKey操作是指产生于同样的input(如Flattern操作)，或被同一个parallelDo操作制造出来的input。

这部分比較晦涩难懂啊。可是是理解核心

全局优化策略

优化要达到的效果是最后的运行计划里包含尽可能少的又高效的MSCR操作。

1.  Sink Flatterns。把扁平操作下沉，如h(f(a)+f(b))=> h(f(a))+h(f(b))，即分配律，然后又能和parallelDo的融合特性结合起来，如(hof)(a)+(hog)(b)

2.  Lift CombineValues。假设CombineValues紧跟着GroupByKey操作。

3.  Insert fusion blocks。假设俩GroupByKey操作是由生产者-消费者的ParallelDo chain连起来的，ParallelDo要在GroupByKey里做上调和下移。

4.  Fuse ParallelDos。

5.  Fuse MSCRs。

针对这几个策略的实施，后面举了个样例而且描绘了详细的运行图，非常帮助理解

优化的不足和未来工作

优化器没有分析用户写的方法，比方估算input和output数据量大小。

也没有改动用户的代码来做优化。

须要做一些分析避免运算的反复。及去除不必要或不合理的groupByKey。

Executor

优化完了之后是运行。眼下支持的是batch的模式提交作业。

在运行方面，FlumeJava会做方便用户开发、debug，自己主动创建删除文件。自己主动识别数据量大小调整运行并行度和改变运行模式(remote)等等事情。

全文完 :)