hadoop MapReduce 工作机制

摸索了将近一个月的hadoop , 在centos上配了一个伪分布式的环境，又折腾了一把hadoop eclipse plugin,最后终于实现了在windows上编写MapReduce程序，在centos上可以执行。

关于环境的配置，网上很多，不再废话。

仅以此系列的博客记录学习过程中的点点滴滴。

##############################传说中的分割线#####################

学习了WordCount程序，也照着网上的某些文章，实现了一些简单的MapReduce程序，可是并没有很好的总结出来如何用hadoop 写 MapReduce 程序，太多的类和接口，用起来并不顺手。终于，回过头来再仔细品品hadoop的MapReduce工作机制，做一次整体的把握。

MapReduce工作执行涉及到四个实体：

1. Client：编写MapReduce程序，配置job,提交job。

2. JobTracker：初始化作业，分配作业，与TaskTracker通信，协调整个作业的执行。

3. TaskTrack：执行Map任务和Reduce任务，与JobTracker保持通信

4. HDFS：保存作业数据、配置信息，输出结果。

MapReduce的工作阶段：

first: input split （输入数据文件切片）

second:Map （执行Map task）

thrid:combiner（在Map计算出中间文件前作一个简单的合并重复key值的操作）

fourth:shuffle（将Map的输出作为Reduce的输入的过程的阶段）

fifth:reduce（执行Reduce task）

MapReduce的工作过程：

简单的讲，首先Client准备好程序，配好job，向JobTracker提交job。JobTracker收到提交来的Job之后，会着手构建Job，其中包括分配JobID，检查输出目录，输入数据文件，输出目录必须不存在（原因是如果已经存在输出目录，MapReduce的输出结果就不知道该是overwrite还是append了），输入数据文件必须存在。如果通过检查，JobTracker会根据数据文件大小计算输入分片（Input Split ），64M一片，不够64M算一片，分片完成之后，JobTracker就会配置Job所需要的资源，分配完资源，JobTracker就会初始化作业，初始化工作就是将Job放入一个内部的队列，让配置好的JobTracker能调度这个Job，JobTracker会初始化这个Job，初始化就是创建一个正在运行的Job对象（封装任务、记录信息），以便JobTracker能够跟踪这个Job的状态和进程，初始化完成后，JobTracker会获取有多少个Input Split的信息，每个分片创建一个Map任务。创建完Map任务，接下来就是分配任务了，此时TaskTracker会运行一个循环，定期发送heartbeat给JobTracker，默认间隔时间为5秒，通过heartbeat，JobTracker可以监控和获取TaskTracker的状态与问题，TaskTracker也可以通过heartbeat的返回值获取JobTracker给它的指令。任务分配完成后就是执行任务了，JobTracker通过heartbeat实时监控TaskTracker的状态、计算进度，而TaskTracker也能监控自身的状态。当JobTracker获取到最后一个TaskTracker发给它任务执行成功的通知时，JobTracker会把整个Job状态置为成功，然后当Client检查Job状态（异步行为）时会得到Job完成的通知。

1.1：用户编写MapReduce程序创建新的Client

1.2：Client向JobTracker请求获取JobId，用于标识本次MapReduce作业

1.3：Client将运行作业所需的相关资源。包括Job的配置文件，input split数据，Mapper Reducer类的Jar文件存入HDFS

1.4：Client向JobTracker发出作业提交请求

2.1：JobTracker为作业进行初始化工作

2.2：JobTracker从HDFS中获取Client存放的input split数据信息

3：TaskTracker通过heartbeat向JobTracker询问有没有任务可做

4.1: Map TaskTracker将作业的Jar文件和作业的相关参数配置文件从分布式文件存储系统中取出，并复制到本地工作目录下

4.2：TaskTracker新建一个TaskRunner实例来运行此Map任务

4.3：TaskRunner将启动一个单独的JVM，并在其中启动MapTask执行用户指定的map()函数

4.4：MapTask计算获得的数据，定期存入缓存中

4.5：在缓存满了的情况下存入本地磁盘中

4.6：在任务执行时，MapTask定时与TaskTracker通信报告任务进度

5.1：JobTracker分配Reduce任务到Reduce TaskTracker节点中

5.2：同4.2

5.3：同4.3

5.4：ReduceTask从对应的Map TaskTracker节点中远程下载中间结果的数据文件

5.5：ReduceTask执行前向HDFS创建输出文件路径，执行时输出临时结果。

5.6：ReduceTask通过heartbeat向JobTracker通报任务进度，直到任务全部完成

6.1：Client异步轮询执行结果，获得执行完成通知

6.2：Client通知用户作业完成