MapReduce定义

MapReduce是一个分布式运算程序的编程框架

MapReduc优缺点

优点

1. 易于编程
2. 良好的扩展性
3. 高容错性
4. 适合PB级以上海量数据的离线计算

缺点

1. 不擅长实时计算
2. 不擅长流式计算
3. 不擅长DAG（有向图）计算

MapReduc核心思想

1. Job(作业) : 一个MapReduce程序称为一个Job，MR程序一般需要分成2个阶段：map阶段和reduce阶段
2. MRAppMaster：MR任务的主节点，一个Job在运行时，会先启动这个进程，负责Job中执行状态的监控、容错、RM申请资源、提交Task等等
3. Map是MapReduce程序运行的第一个阶段，MapTask负责是Map阶段程序的计算，在一个MR程序的Map阶段，会启动N个MapTask，每个MapTask是完全并行运行，互不相干
4. Reduce是MapReduce程序运行的第二个阶段(最后一个阶段)，Reduce阶段的目的是将Map阶段，每个MapTask计算后的结果进行合并汇总，数据依赖于上一个阶段的所有MapTask并发实例的输出，ReduceTask也是并行运行，每个ReduceTask最终都会产生一个结果
5. MapReduce程序只能包含一个Map阶段和一个Reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个MapReduce程序，串行运行

MapReduc工作流程

Map阶段

切片（split）

切片指的是MapReduce框架根据输入数据源的大小和配置参数，将数据源分割成多个较小的数据集合，每个数据集合称为一个切片（Split），每个切片会被分配给一个单独的MapTask进行处理

InputFormat

MR程序必须指定一个输入目录，一个输出目录，InputFormat代表输入目录文件的格式。默认的是普通文件，使用FileInputFormat，如果处理的数据在数据库中，需要使用DBInputFormat

FileInputFormat

用来读取数据，其本身为一个抽象类，继承自 InputFormat 抽象类，针对不同的类型的数据有不同的子类来处理，不同的子类有着不同的切片机制，常见的接口实现类如下：

• TextInputFormat（默认）

    切片机制：1. 通过计算文件的起始位置、文件的长度以及配置的块大小，简单的按照文件的内容长度进行切片2. 切片大小，默认等于Block大小（blocksize）3. 切片时不考虑数据集整体，而是逐个针对每一个文件单独切片4. 每次切片时，都要判断切完剩下的部分是否大于块的1.1倍，不大于1.1倍就划分为一块切片
  

• KeyValueTextInputFormat

    按行读取，每一行为一条记录，被分隔符分隔，默认分隔符为'\t'
  

• NLineInputFormat

    切片机制按照指定的行数N来划分，即输入文件的总行数/N=切片数，不能整除则+1片
  

• CombineTextInputFormat

    用于小文件过多的场景，它可以将多个小文件从逻辑上规划到一个切片中，这样多个小文件就可以交给一个MapTask处理切片机制：包括虚拟存储过程和切片两个部分虚拟存储过程：1. 将输入目录下所有文件按照文件名称字典顺序一次读入，记录文件大小，并累加计算所有文件的总长度2. 根据设置的虚拟存储切片最大值，将每个文件划分成一个一个设置的切片值大小的文件3. 当剩余数据大小超过设置的切片值且不大于2倍时，将文件均分成2个虚拟存储块（防止出现太小切片）切片过程：1. 判断虚拟存储的文件大小是否大于设置的切片值，大于等于则单独形成一个切片2. 如果不大于则跟下一个虚拟存储文件进行合并，共同形成一个切片举例：text1大小2M、text2大小5M、text3大小3M、text4大小6M设置的虚拟存储切片最大值为4M虚拟存储过程：text1：2M < 4M 划分为1块text2：4M < 5M < 2 * 4M 划分为2块，块1：2.5M，块2：2.5Mtext3：3M < 4M 划分为1块text4：6M < 5M < 2 * 4M 划分为2块，块1：3M，块2：3M最终虚拟存储过程划分的块数为6块，2M、2.5M、2.5M、3M、3M、3M切片过程：没有文件大小是大于4M的，所以俩俩合并共同形成一个切片，最终切片为3块2 + 2.5 = 4.5M2.5 + 3 = 5.5M3 + 3 = 6M
  

• 自定义InputFormat

FileInputFormat切片机制

1. 通过计算文件的起始位置、文件的长度以及配置的块大小，简单的按照文件的内容长度进行切片
2. 切片大小，默认等于Block大小（blocksize）
3. 切片时不考虑数据集整体，而是逐个针对每一个文件单独切片

FileInputFormat切片流程

1. 程序先找到你数据存储的目录
2. 开始遍历处理目录下的每一个文件
3. 遍历第一个文件，获取文件的大小，计算设置切片的大小（默认是块大小128M），开始切片
4. 将切片信息写到一个切片规划文件中
5. 提交切片规划文件到YARN上，YARN的MRAppMaster根据切片规划文件计算开启MapTask个数

读取（RecordReader）

RecordReader负责从输入格式中，读取数据，读取后封装为一组记录(k-v)，mapreduce只能处理kv

处理（mapper）

将解析出的key_value交给map()函数处理，并产生一系列新的key_value

收集（collect）

收集线程负责将写出的key-value收集到缓冲区(MapOutPutBuffer)中，每个记录在进入缓冲区时，先调用Partitioner（分区器）为记录计算一个区号

• 缓冲区默认大小为100M

溢写（spill）

溢写线程会在缓冲区已经收集了80%空间的数据时被唤醒，唤醒后负责将缓冲区收集的数据溢写到磁盘上，生成一个临时文件

溢写流程

1. 一旦缓冲区满足溢写条件，先对缓冲区的所有数据，进行一次排序，排序方式是先按照分区编号Partition进行排序，然后按照key进行升序排序，排序时，只排索引不移动数据，经过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照key有序
2. 按照分区编号由小到大进行溢写，将每个分区中的数据写入任务工作目录下的临时文件中，溢写多次，生成多个临时文件，如果最后一批数据不满足溢写条件会执行一次flush
3. 将分区数据的元信息写到内存索引数据结构SpillRecord中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小

合并（combine）

溢写结束后，MapTask对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。因为后续reduce会读取文件，这样可避免同时读取大量文件产生的开销

合并流程

1. MapTask以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式
2. 每轮合并10（默认）个文件，并将产生的文件重新加入待合并列表中
3. 对文件进行排序，重复以上过程，直到最终得到一个大文件，这个文件每个分区中的key-value都是有序的
4. 最终将数据写入到MapTask磁盘的某个文件中

Reduce阶段

拷贝（copy）

ReduceTask从各个MapTask上远程拷贝数据，每个ReduceTask只负责一个分区，所以只copy不同MapTask上这个分区的数据，针对某一片数据，如果其大小超过一定阈值，则写到磁盘上，否则直接放到内存中

合并（merge）

在远程拷贝数据的同时，ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多

1. 文件大小超过一定阈值，则放到磁盘上，否则放到内存中
2. 磁盘上的文件数目达到一定阈值，进行一次合并，生成一个更大的文件
3. 内存中文件大小或者数目超过一定阈值，进行一次合并后将数据写到磁盘上

排序（sort）

由于数据是从多个MapTask上copy过来的，所以要对所有数据进行一次归并排序，保证在进入reduce之前是排好序的

处理（reducer）

将排好序的数据进行分组，调用reduce()函数处理数据，将计算结果写到文件上

分区概述

分区是在MapTask中通过Partitioner来计算分区号

1. 总的partitions（分区数），取决于用户设置的reduceTask的数量
2. partitions>1，默认尝试获取用户设置的分区数，如果用户没有定义，那么会使用HashPartitioner，HashPartitioner根据key的hashcode进行计算，相同的key以及hash值相同的key会分到一个区
3. partitions<=1,默认初始化一个Partitioner，这个Partitioner计算的所有的区号都为0

排序概述

排序是MapReduce框架中最重要的操作之一，MapTask和ReduceTask均会对数据按照key进行排序，该操作属于Hadoop的默认行为，任何应用程序中的数据均会被排序，而不管逻辑上是否需要。默认排序是按照字典顺序排序，且实现该排序的方法是快速排序

排序分类

• 部分排序

    MapReduce根据输入记录的键值对数据集排序，最终生成N个结果文件，每个文件内部整体有序
  

• 辅助排序

   在进入reduce阶段时，通过比较key是否相同，将相同的key分为一组
  

• 全排序

    对所有的数据进行排序，指生成一个结果文件，这个结果文件整体有序
  

• 二次排序

    在对key进行比较时，比较的条件为多个