Hadoop架構設計、運行原理詳解

1、Map-Reduce的邏輯過程

假設我們需要處理一批有關天氣的數據，其格式如下：

• 按照ASCII碼存儲，每行一條記錄
• 每一行字符從0開始計數，第15個到第18個字符爲年
• 第25個到第29個字符爲溫度，其中第25位是符號+/-

0067011990999991950051507+0000+

0043011990999991950051512+0022+

0043011990999991950051518-0011+

0043012650999991949032412+0111+

0043012650999991949032418+0078+

0067011990999991937051507+0001+

0043011990999991937051512-0002+

0043011990999991945051518+0001+

0043012650999991945032412+0002+

0043012650999991945032418+0078+

現在需要統計出每年的最高溫度。

Map-Reduce主要包括兩個步驟：Map和Reduce

每一步都有key-value對作爲輸入和輸出：

• map階段的key-value對的格式是由輸入的格式所決定的，如果是默認的TextInputFormat，則每行作爲一個記錄進程處理，其中key爲此行的開頭相對於文件的起始位置，value就是此行的字符文本
• map階段的輸出的key-value對的格式必須同reduce階段的輸入key-value對的格式相對應

對於上面的例子，在map過程，輸入的key-value對如下：

(0,0067011990999991950051507+0000+)

(33,0043011990999991950051512+0022+)

(66,0043011990999991950051518-0011+)

(99,0043012650999991949032412+0111+)

(132,0043012650999991949032418+0078+)

(165,0067011990999991937051507+0001+)

(198,0043011990999991937051512-0002+)

(231,0043011990999991945051518+0001+)

(264,0043012650999991945032412+0002+)

(297,0043012650999991945032418+0078+)

在map過程中，通過對每一行字符串的解析，得到年-溫度的key-value對作爲輸出：

(1950, 0)

(1950, 22)

(1950, -11)

(1949, 111)

(1949, 78)

(1937, 1)

(1937, -2)

(1945, 1)

(1945, 2)

(1945, 78)

在reduce過程，將map過程中的輸出，按照相同的key將value放到同一個列表中作爲reduce的輸入

(1950, [0, 22, –11])

(1949, [111, 78])

(1937, [1, -2])

(1945, [1, 2, 78])

在reduce過程中，在列表中選擇出最大的溫度，將年-最大溫度的key-value作爲輸出：

(1950, 22)

(1949, 111)

(1937, 1)

(1945, 78)

其邏輯過程可用如下圖表示：

下圖大概描述了Map-Reduce的Job運行的基本原理：

 

下面我們討論JobConf，其有很多的項可以進行配置：

• setInputFormat：設置map的輸入格式，默認爲TextInputFormat，key爲LongWritable,value爲Text
• setNumMapTasks：設置map任務的個數，此設置通常不起作用，map任務的個數取決於輸入的數據所能分成的inputsplit的個數
• setMapperClass：設置Mapper，默認爲IdentityMapper
• setMapRunnerClass：設置MapRunner, maptask是由MapRunner運行的，默認爲MapRunnable，其功能爲讀取inputsplit的一個個record，依次調用Mapper的map函數
• setMapOutputKeyClass和setMapOutputValueClass：設置Mapper的輸出的key-value對的格式
• setOutputKeyClass和setOutputValueClass：設置Reducer的輸出的key-value對的格式
• setPartitionerClass和setNumReduceTasks：設置Partitioner，默認爲HashPartitioner，其根據key的hash值來決定進入哪個partition，每個partition被一個reduce task處理，所以partition的個數等於reducetask的個數
• setReducerClass：設置Reducer，默認爲IdentityReducer
• setOutputFormat：設置任務的輸出格式，默認爲TextOutputFormat
• FileInputFormat.addInputPath：設置輸入文件的路徑，可以使一個文件，一個路徑，一個通配符。可以被調用多次添加多個路徑
• FileOutputFormat.setOutputPath：設置輸出文件的路徑，在job運行前此路徑不應該存在

當然不用所有的都設置，由上面的例子，可以編寫Map-Reduce程序如下：

public class MaxTemperature {

    publicstatic void main(String[] args) throws IOException {

       if (args.length != 2) {

           System.err.println("Usage: MaxTemperature <inputpath> <outputpath>");

           System.exit(-1);

       }

       JobConf conf = new JobConf(MaxTemperature.class);

       conf.setJobName("Max temperature");

       FileInputFormat.addInputPath(conf, new Path(args[0]));

       FileOutputFormat.setOutputPath(conf, new Path(args[1]));

       conf.setMapperClass(MaxTemperatureMapper.class);

       conf.setReducerClass(MaxTemperatureReducer.class);

       conf.setOutputKeyClass(Text.class);

       conf.setOutputValueClass(IntWritable.class);

       JobClient.runJob(conf);

    }

}

3、Map-Reduce數據流(data flow)

Map-Reduce的處理過程主要涉及以下四個部分：

• 客戶端Client：用於提交Map-reduce任務job
• JobTracker：協調整個job的運行，其爲一個Java進程，其main class爲JobTracker
• TaskTracker：運行此job的task，處理input split，其爲一個Java進程，其mainclass爲TaskTracker
• HDFS：hadoop分佈式文件系統，用於在各個進程間共享Job相關的文件

3.1、任務提交

JobClient.runJob()創建一個新的JobClient實例，調用其submitJob()函數。

• 向JobTracker請求一個新的job ID
• 檢測此job的output配置
• 計算此job的input splits
• 將Job運行所需的資源拷貝到JobTracker的文件系統中的文件夾中，包括jobjar文件，job.xml配置文件，input splits
• 通知JobTracker此Job已經可以運行了

提交任務後，runJob每隔一秒鐘輪詢一次job的進度，將進度返回到命令行，直到任務運行完畢。

 

3.2、任務初始化

 

當JobTracker收到submitJob調用的時候，將此任務放到一個隊列中，job調度器將從隊列中獲取任務並初始化任務。

初始化首先創建一個對象來封裝job運行的tasks, status以及progress。

在創建task之前，job調度器首先從共享文件系統中獲得JobClient計算出的input splits。

其爲每個input split創建一個map task。

每個task被分配一個ID。

 

3.3、任務分配

 

TaskTracker週期性的向JobTracker發送heartbeat。

在heartbeat中，TaskTracker告知JobTracker其已經準備運行一個新的task，JobTracker將分配給其一個task。

在JobTracker爲TaskTracker選擇一個task之前，JobTracker必須首先按照優先級選擇一個Job，在最高優先級的Job中選擇一個task。

TaskTracker有固定數量的位置來運行map task或者reduce task。

默認的調度器對待map task優先於reduce task

當選擇reduce task的時候，JobTracker並不在多個task之間進行選擇，而是直接取下一個，因爲reducetask沒有數據本地化的概念。

 

3.4、任務執行

 

TaskTracker被分配了一個task，下面便要運行此task。

首先，TaskTracker將此job的jar從共享文件系統中拷貝到TaskTracker的文件系統中。

TaskTracker從distributed cache中將job運行所需要的文件拷貝到本地磁盤。

其次，其爲每個task創建一個本地的工作目錄，將jar解壓縮到文件目錄中。

其三，其創建一個TaskRunner來運行task。

TaskRunner創建一個新的JVM來運行task。

被創建的child JVM和TaskTracker通信來報告運行進度。

 

3.4.1、Map的過程

MapRunnable從inputsplit中讀取一個個的record，然後依次調用Mapper的map函數，將結果輸出。

map的輸出並不是直接寫入硬盤，而是將其寫入緩存memory buffer。

當buffer中數據的到達一定的大小，一個背景線程將數據開始寫入硬盤。

在寫入硬盤之前，內存中的數據通過partitioner分成多個partition。

在同一個partition中，背景線程會將數據按照key在內存中排序。

每次從內存向硬盤flush數據，都生成一個新的spill文件。

當此task結束之前，所有的spill文件被合併爲一個整的被partition的而且排好序的文件。

reducer可以通過http協議請求map的輸出文件，tracker.http.threads可以設置http服務線程數。

3.4.2、Reduce的過程

當map task結束後，其通知TaskTracker，TaskTracker通知JobTracker。

對於一個job，JobTracker知道TaskTracer和map輸出的對應關係。

reducer中一個線程週期性的向JobTracker請求map輸出的位置，直到其取得了所有的map輸出。

reduce task需要其對應的partition的所有的map輸出。

reduce task中的copy過程即當每個map task結束的時候就開始拷貝輸出，因爲不同的maptask完成時間不同。

reduce task中有多個copy線程，可以並行拷貝map輸出。

當很多map輸出拷貝到reduce task後，一個背景線程將其合併爲一個大的排好序的文件。

當所有的map輸出都拷貝到reduce task後，進入sort過程，將所有的map輸出合併爲大的排好序的文件。

最後進入reduce過程，調用reducer的reduce函數，處理排好序的輸出的每個key，最後的結果寫入HDFS。

 

 

3.5、任務結束

 

當JobTracker獲得最後一個task的運行成功的報告後，將job得狀態改爲成功。

當JobClient從JobTracker輪詢的時候，發現此job已經成功結束，則向用戶打印消息，從runJob函數中返回。

如有不懂，歡迎撥打10010或10086，轉何哲江。