ITPub博客

首页 > 应用开发 > IT综合 > 数据分析工具篇——MapReduce结构

数据分析工具篇——MapReduce结构

IT综合 作者:数据森麟公众号 时间:2021-01-18 08:40:34 0 删除 编辑


作者:livan

来源:数据python与算法


   前面我们介绍了HDFS,作为HDFS的第一代上层架构,我们必须讲解一下hadoop的MapReduce结构,可以说这一结构促进了大数据的兴起。


MapReduce的结构分析


Mapreduce的计算顺序为:在map中数据被一行行的读取,然后进行切分;然后再经历shuffle,然后进行reduce处理。

在mapreduce中计算主要有三部分组成:

Map—Shuffle—Reduce;

我们可以看一个详细的图形:

Mapreduce计算过程:

1)输入分片(input split):在进行map计算之前,mapreduce会根据输入文件计算输入分片(input split),每个输入分片(input split)针对一个map任务,输入分片(input split)存储的并非数据本身,而是一个分片长度和一个记录数据的位置的数组,输入分片(input split)往往和hdfs的block(块)关系很密切,假如我们设定hdfs的块的大小是64mb,如果我们输入有三个文件,大小分别是3mb、65mb和127mb,那么mapreduce会把3mb文件分为一个输入分片(input split),65mb则是两个输入分片(input split)而127mb也是两个输入分片(input split),换句话说我们如果在map计算前做输入分片调整,例如合并小文件,那么就会有5个map任务将执行,而且每个map执行的数据大小不均,这个也是mapreduce优化计算的一个关键点。

2)map阶段:就是程序员编写好的map函数了,因此map函数效率相对好控制,而且一般map操作都是本地化操作也就是在数据存储节点上进行;

3)combiner阶段:combiner阶段是程序员可以选择的,combiner其实也是一种reduce操作,因此我们看见WordCount类里是用reduce进行加载的。Combiner是一个本地化的reduce操作,它是map运算的后续操作,主要是在map计算出中间文件前做一个简单的合并重复key值的操作,例如我们对文件里的单词频率做统计,map计算时候如果碰到一个hadoop的单词就会记录为1,但是这篇文章里hadoop可能会出现n多次,那么map输出文件冗余就会很多,因此在reduce计算前对相同的key做一个合并操作,那么文件会变小,这样就提高了宽带的传输效率,毕竟hadoop计算力宽带资源往往是计算的瓶颈也是最为宝贵的资源,但是combiner操作是有风险的,使用它的原则是combiner的输入不会影响到reduce计算的最终输入,例如:如果计算只是求总数,最大值,最小值可以使用combiner,但是做平均值计算使用combiner的话,最终的reduce计算结果就会出错。

4)shuffle阶段:将map的输出作为reduce的输入的过程就是shuffle了,这个是mapreduce优化的重点地方。这里我不讲怎么优化shuffle阶段,讲讲shuffle阶段的原理,因为大部分的书籍里都没讲清楚shuffle阶段。Shuffle一开始就是map阶段做输出操作,一般MapReduce计算的都是海量数据,map输出时候不可能把所有文件都放到内存操作,因此map写入磁盘的过程十分的复杂,更何况map输出时候要对结果进行排序,内存开销是很大的,map在做输出时候会在内存里开启一个环形内存缓冲区,这个缓冲区专门用来输出的,默认大小是100mb,并且在配置文件里为这个缓冲区设定了一个阀值,默认是0.80(这个大小和阀值都是可以在配置文件里进行配置的),同时map还会为输出操作启动一个守护线程,如果缓冲区的内存达到了阀值的80%时候,这个守护线程就会把内容写到磁盘上,这个过程叫spill,另外的20%内存可以继续写入要写进磁盘的数据,写入磁盘和写入内存操作是互不干扰的,如果缓存区被撑满了,那么map就会阻塞写入内存的操作,让写入磁盘操作完成后再继续执行写入内存操作,前面我讲到写入磁盘前会有个排序操作,这个是在写入磁盘操作时候进行,不是在写入内存时候进行的,如果我们定义了combiner函数,那么排序前还会执行combiner操作。

每次spill操作也就是写入磁盘操作时候就会写一个溢出文件,也就是说在做map输出有几次spill就会产生多少个溢出文件,等map输出全部做完后,map会合并这些输出文件。这个过程里还会有一个Partitioner操作,对于这个操作很多人都很迷糊,其实Partitioner操作和map阶段的输入分片(Input split)很像,一个Partitioner对应一个reduce作业,如果我们mapreduce操作只有一个reduce操作,那么Partitioner就只有一个,如果我们有多个reduce操作,那么Partitioner对应的就会有多个,Partitioner因此就是reduce的输入分片,这个程序员可以编程控制,主要是根据实际key和value的值,根据实际业务类型或者为了更好的reduce负载均衡要求进行,这是提高reduce效率的一个关键所在。到了reduce阶段就是合并map输出文件了,Partitioner会找到对应的map输出文件,然后进行复制操作,复制操作时reduce会开启几个复制线程,这些线程默认个数是5个,程序员也可以在配置文件更改复制线程的个数,这个复制过程和map写入磁盘过程类似,也有阀值和内存大小,阀值一样可以在配置文件里配置,而内存大小是直接使用reduce的tasktracker的内存大小,复制时候reduce还会进行排序操作和合并文件操作,这些操作完了就会进行reduce计算了。

5)reduce阶段:和map函数一样也是程序员编写的,最终结果是存储在hdfs上的。


YARN的工作原理


Mapreduce1.0的结构如下:

但是其自身存在一些问题,这一机制存在可扩展性差、内存消耗高、线程复杂、可靠性不强等问题,所以出现了第二代产品Yarn,结构如下:

Yarn作为一个调度器,对应的调度结构为:

1)client首先提交一个application给到rm,rm接收到application后会查看可以存放文件的路径以及app_id;

2)client接收到这个app_id以及路径,将对应的job.xml文件、jar文件等存放在HDFS中对应的路径下;

3)存放完成后,client会向rm发送传送完成的指令,rm接收到这个指令后会形成一个task,并将这个task存放在队列中;

4)会定时向rm请求,查看task队列中是否存在task,如果存在task,则生成容器container;

5)容器在形成的时候会将运行所需要的资源:内存、CPU、jar文件(在HDFS中,nodemanager从HDFS中取出数据文件)等全部汇总到container中;

6)生成的同时还在其中产生一个主管MrAppMaster,这个MrAppMaster会激活map中所有的切片,同时生成多个待运行的maptask;

7)紧接着会向rm提出申请,确定运行这些maptask以及运行所在的服务器,在这些服务器上生成对应个数的container;

8)将运行这些maptask所需要的资源CPU等存放在container中;

9)资源协调好后,MrAppMaster会将maptask发送到container中,并通过java -jar XXX启动所有的maptask;

10)当maptask运行完成后,会在对应的服务器上保留一个结果文件,供reduce调用,同时maptask将运行结果告诉MrAppMaster;

11)向rm提出申请,申请reduce运行所需要的资源以及运行位置;

12)在NodeManager中形成container,存放reducetask并运行,reducetask运行的时候会向maptask所在的服务器找map的运行结果文件;

  13)当reducetask运行完成后,会将运行结果存储在服务器上,并通知MrAppMaster,MrAppMaster会销毁这次的task运行;

  看到这里,你对hadoop的计算有没有一个完整的理解,欢迎相互沟通~


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/69982434/viewspace-2750635/,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论

注册时间:2020-08-24

  • 博文量
    8
  • 访问量
    3996