MapReduce運(yùn)行流程
以wordcount為例,運(yùn)行的詳細(xì)流程圖如下
1.split階段
首先mapreduce會根據(jù)要運(yùn)行的大文件來進(jìn)行split,每個輸入分片(input split)針對一個map任務(wù),輸入分片(input split)存儲的并非數(shù)據(jù)本身,而是一個分片長度和一個記錄數(shù)據(jù)位置的數(shù)組。輸入分片(input split)往往和HDFS的block(塊)關(guān)系很密切,假如我們設(shè)定HDFS的塊的大小是64MB,我們運(yùn)行的大文件是64x10M,mapreduce會分為10個map任務(wù),每個map任務(wù)都存在于它所要計算的block(塊)的DataNode上。
2.map階段
map階段就是程序員編寫的map函數(shù)了,因此map函數(shù)效率相對好控制,而且一般map操作都是本地化操作也就是在數(shù)據(jù)存儲節(jié)點(diǎn)上進(jìn)行。本例的map函數(shù)如下:
- publicclassWCMapperextendsMapperLongWritable,Text,Text,IntWritable{@Override
- protectedvoidmap(LongWritablekey,Textvalue,Contextcontext)throwsIOException,InterruptedException{
- Stringstr=value.toString();
- String[]strs=StringUtils.split(str,'');for(Strings:strs){
- context.write(newText(s),newIntWritable(1));
- }
- }
- }
根據(jù)空格切分單詞,計數(shù)為1,生成key為單詞,value為出現(xiàn)1次的map供后續(xù)計算。
3.shuffle階段
shuffle階段主要負(fù)責(zé)將map端生成的數(shù)據(jù)傳遞給reduce端,因此shuffle分為在map端的過程和在reduce端的執(zhí)行過程。
先看map端:
- map首先進(jìn)行數(shù)據(jù)結(jié)果數(shù)據(jù)屬于哪個partition的判斷,其中一個partition對應(yīng)一個reduce,一般通過key.hash()%reduce個數(shù)來實(shí)現(xiàn)。
- 把map數(shù)據(jù)寫入到Memory Buffer(內(nèi)存緩沖區(qū)),到達(dá)80%閥值,開啟溢寫進(jìn)磁盤過程,同時進(jìn)行key排序,如果有combiner步驟,則會對相同的key做歸并處理,最終多個溢寫文件合并為一個文件。
reduce端:
reduce節(jié)點(diǎn)從各個map節(jié)點(diǎn)拉取存在磁盤上的數(shù)據(jù)放到Memory Buffer(內(nèi)存緩沖區(qū)),同理將各個map的數(shù)據(jù)進(jìn)行合并并存到磁盤,最終磁盤的數(shù)據(jù)和緩沖區(qū)剩下的20%合并傳給reduce階段。
4.reduce階段
reduce對shuffle階段傳來的數(shù)據(jù)進(jìn)行最后的整理合并
- publicclassWCReducerextendsReducerText,IntWritable,Text,IntWritable{@Override
- protectedvoidreduce(Textkey,IterableIntWritablevalues,Contextcontext)throwsIOException,InterruptedException{intsum=0;for(IntWritablei:values){
- sum+=i.get();
- }
- context.write(key,newIntWritable(sum));
- }
- }
MapReduce的優(yōu)缺點(diǎn)
優(yōu)點(diǎn):
- 易于編程;
- 良好的擴(kuò)展性;
- 高容錯性;
4.適合PB級別以上的大數(shù)據(jù)的分布式離線批處理。
缺點(diǎn):
- 難以實(shí)時計算(MapReduce處理的是存儲在本地磁盤上的離線數(shù)據(jù))
- 不能流式計算(MapReduce設(shè)計處理的數(shù)據(jù)源是靜態(tài)的)
- 難以DAG計算MapReduce這些并行計算大都是基于非循環(huán)的數(shù)據(jù)流模型,也就是說,一次計算過程中,不同計算節(jié)點(diǎn)之間保持高度并行,這樣的數(shù)據(jù)流模型使得那些需要反復(fù)使用一個特定數(shù)據(jù)集的迭代算法無法高效地運(yùn)行。