MapReduce框架Hadoop应用(一)

　　Google对其的定义：MapReduce是一种变成模型，用于大规模数据集(以T为级别的数据)的并行运算。用户定义一个map函数来处理一批Key-Value对以生成另一批中间的Key-Value对，再定义一个reduce函数将所有这些中间的有相同Key的value合并起来。“Map”(映射)和“Reduce”(简化)的概念和它们的主要思想都是从函数式编程语言借用而来的，还有从矢量编程语言借来的特性。在实现过程中，需指定一个map函数，用来把一组键值对映射成一组新的键值对，再指定并发的reduce函数，用来保证所有映射的每一个键值对共享相同的键组。在函数式编程中认为，应当保持数据不可变性，避免再多个进程或线程间共享数据，这就意味着，map函数虽然很简单，却可以通过两个或多个线程再同一个列表上同时执行，由于列表本身并没有改变，线程之间互不影响。

　　MapReduce模型：

　　Hadoop MapReduce模型主要有Mapper和Reducer两个抽象类。Mapper主要负责对数据的分析处理，最终转化为Key-Value的数据结构；Reducer主要负责获取Mapper出来的结果，对结果进行进一步统计。Hadoop MapReduce 实现存储的均衡，但为实现计算的均衡，这是其天生的缺陷，因此，通常采用规避的办法来解决此问题，由程序员来保证。

　　MapReduce框架构成：

　　

(注:TaskTracker都运行在HDFS的DataNode上)

　　1、JobClient

　　 用户编写的MapReduce程序通过JobClient提交到JobTracker端 ；同时，用户可通过Client提供的一些接口查看作业运行状态。在Hadoop内部用“作业” （Job）表示MapReduce程序。一个 MapReduce程序可对应若干个作业，而每个作业会被分解成若干个Map/Reduce任务（Task）。每一个Job都会在用户端通过JobClient类将应用程序以及配置参数Configuration打包成JAR文件存储在HDFS里，并把路径提交到JobTracker的master服务，然后由master创建每一个Task（即MapTask和ReduceTask）并将它们分发到各个TaskTracker服务中去执行。

　　2、Mapper和Reducer

　　运行在Hadoop上的MapReduce程序最基本的组成部分包括：一个Mapper和一个Reducer以及创建的JobConf执行程序，其实还可以包括Combiner,Combiner实际上也是Reducer的实现。

　　3、JobTracker

　　JobTracker是一个master服务， 主要负责接受Job,并负责资源监控和作业调度。JobTracker 监控所有 TaskTracker 与作业Job的健康状况，一旦发现失败情况后，其会将相应的任务转移到其他节点；同时，JobTracker 会跟踪任务的执行进度、资源使用量等信息，并将这些信息告诉任务调度器，而调度器会在资源出现空闲时，选择合适的任务使用这些资源。一般情况应该把JobTracker部署在单独的机器上。

　　4、TaskTracker

　　 TaskTracker是运行在多个节点上的slaver服务，会周期性地通过Heartbeat将本节点上资源的使用情况和任务的运行进度汇报给JobTracker，同时接收JobTracker发送过来的命令并执行相应的操作（如启动新任务、杀死 任务等），即接受作业并负责直接执行每一个任务。

　　5、JobInprogress

　　JobClient提交Job后，JobTracker会创建一个JobInProgress来跟踪和调度这个Job，并把它添加到Job队列里。JobInProgress会根据提交的任务JAR中定义的数据集来创建对应的一批TaskInProgress用于监控和调度MapTask，同事创建指定数目的TaskInProgress用于监控和调度ReduceTask。

　　6、TaskInProgress

　　JobTracker启动任务时通过每一个TaskInProgress来运行Task,这时会把Task对象（即MapTask和ReduceTask）序列化写入相应的TaskTracker服务中，TaskTracker收到后会创建对应的TaskInProgress用于监控和调度该Task。启动具体的Task进程需要通过TaskInProgress管理，通过TaskRunner对象来运行。TaskRunner会自动装载任务JAR文件并设置好环境变量后，启动一个独立的子进程来执行Task,即MapTask或ReduceTask,但它们不一定在同一个TaskTracker上运行。

　　7、MapTask和ReduceTask

　　一个完整的Job会自动一次执行Mapper、Combiner(在JonConf指定Combiner时执行)和Reducer。其中，Mapper和Combiner是由MapTask调用执行的，Reducer是由ReduceTask调用执行，Combiner实际上也是Reducer接口类实现的。Mapper会根据Job JAR中定义的输入数据集按<k1,v1>对读入，处理完成生成临时的<k2,v2>对，如果定义了Combiner,MapTask会在Mapper完成调用，该Combiner将相同Key的值做一定的合并处理，以减少输出结果集。MapTask的任务完成即交给ReduceTask进程调用Reducer处理，生成最终结果<k3,v3>对。下面来看无Combiner的简单处理：

　　Map Task 执行过程如下图所示。由该图可知，Map Task 先将对应的split （MapReduce处理单元）迭代解析成一 个个 key/value 对，依次调用用户自定义的map() 函数进行处理，最终将临时结果存放到本地磁盘上，其中临时数据被分成若干个partition(分片)，每个partition 将被一个Reduce Task处理。

　　　　　　　　　　　　

　　

　　Reduce Task 执行过程如下图所示。该过程分为三个阶段：

　　　　①从远程节点上读取Map Task 中间结果（称为“Shuffle阶段”）；

　　　　②按照key对key/value 对进行排序（称为“Sort阶段”）；

　　　　③依次读取 <key, value list>，调用用户自定义的 reduce() 函数处理，并将最终结果存到HDFS上（称为“Reduce 阶段”）。

　　　　　　

（注：本文参考：Hadoop应用开发技术详解）