MapReduce应用场景

优点

易于编程

固定的八股文编程模式，简单的定义即可快速实现开发分布式程序。用户往往专注于业务问题即可

易拓展

可以简单地通过增加机器来拓展MapReduce的计算能力

高容错

Hadoop会自动通过YARN完成机器级别的故障转移，如果某一台机器挂掉了，可以将上面的计算任务转移到另一个节点上运行，不至于任务失败，而且这个过程不需要人工参与，完全是由hadoop内部完成的

适用于PB级别的大数据量

理论上只要机器硬件足够多就可以出路无穷大的数据量，Hadoop设计之初就是基于链接PC机器构建大型分布式集群

缺点

处理速度很慢，不适合时效性要求较高的场景

数据存储主要使用静态数据，不适合实时数据流

MapReduce主要处理的数据来源自文件系统，所以无法向MySQL那样在毫秒或秒级别内返回数据，并且文件系统的数据是静态的，MapReduce则无法处理实时的流式数据

只有Map 和Reduce阶段，缺乏DAG设计

DAG 有向无环图

MapReduce处理数据过程中，如果需要经过多个步骤来实现，一个MapReduce就无法完成，如果通过多个MapReduce来实现，那么就必须将前一个MapReduce的结果写入磁盘，导致大量的IO小号导致MapReduce性能较差

擅长应用场景

TopN 问题

从海量数据中查询出现频率最高的前N个

Web日志访问频率统计

统计url、用户、搜索出现的频率统计

数据倒排索引

基于数据构建倒排索引，实现基于复杂条件词的数据检索

不擅长应用

迭代计算

从某个值开始，不断地由上一部结果计算或者推断出下一步的结果

机器学习
分类、聚类、关联、预测

连接计算

Join关联

MapReduce优化需求与方向

需求

基于MapReduce所存在的优化性能问题，在实际工作中可以通过优化方案来提高MapReduce整体性能，从而节约生产成本

优化方向

1. 从文件角度考虑，通过更改二进制文件、列式存储、压缩来降低磁盘以及网络IO，进而提高性能
2. 通过控制MapReduce过程中的资源属性，合理分配资源，提高资源利用率，提高程序运行效率

---

文件存储格式

行式存储、列式存储

行式存储(Row - Based) 同一行数据存储在一起

列式存储(Column-Based): 同一列数据存储在一起

优缺点

行式存储的写入时一次性完成的，消耗的时间比列式存储少，并且能够保证数据的完整性，缺点是数据通过读取过程中会产生冗余数据，如果只有少量数据，此影响可以忽略，数量大可能会影响到数据的处理效率。行式存储适合插入，不适合查询

列式存储再写入效率、保证数据完整性上都不如行式存储，它的优点是在读取过程中不会产生冗余数据，这对数据完整性要求不高的大数据处理领域，比如说互联网来说非常重要。列式存储适合查询，不适合插入

Sequence File

SequenceFile时Hadoop提供的一种二进制文件存储格式

一条数据称之为record(记录)，底层直接以<Key,Value>键值对形式序列化到文件中

优缺点

优点
二进制格式存储 比文本文件更加紧凑

支持不同级别压缩（基于Record或者Block压缩）

文件可以拆分和并行处理，适用于MapReduce程序

局限性

二进制格式文件不方便查看

特定于Hadoop，只有Java Api可以与之交互，未提供多种语言支持

Sequence File格式

根据压缩类型，有三种不同的Sequence File格式： 未压缩格式、Record压缩格式、Block压缩格式

Sequence File有一个header和一个或者多个record组成，以上三种格式均使用相同的header结构：

前三个字节未SEQ，表示该文件是序列文件，后跟一个字节表示实际版本号(例如SEQ4或者SEQ6)，Header中也包括其他key、value、class名字、压缩细节、metadata、Sync marker，Sync Marker 同步标记，用于可以读取任务位置的数据。

Sequence File 未压缩格式

未压缩Sequence File文件由header、record、sync三部分组成，其中record包括4各部分：record length（记录长度）、key length(键长)、key、value

每隔几个record(100字节左右)就会有一个同步标记

Sequence File 基于record压缩格式

基于record压缩的Sequence File文件由header、record、sync三个部分组成，其中record包含了4各部分：record length（记录长度）、key length(键长)、key、compressed value(被压缩的值)

每隔几个record(100字节左右)就会有一个同步标记

Sequence File基于block压缩格式

基于block压缩的Sequence File文件由header、block、sync三个部分组成

block指的是record block，可以理解为多个record记录组成的块，注意，这个block和HDFS中的分块存储不是一个概念，Block 中包括：record条数、压缩key长度、压缩的keys、压缩的value长度、压缩的values，每隔一个block就有一个同步标记

blocky阿索比record压缩提供更多的压缩率，使用Sequence File时，通常首选块压缩

生成Sequence File文件

1. 使用TextInputFormat读取不同文字文件
2. Map阶段对读取文件的每一行进行输出
3. Reduce阶段直接输出每条数据
4. 使用SequenceFileOutPutFormat将结果进行SequenceFile

// 设置输出格式 在这里输出格式为SequenceFile格式
job.setOutputFormatClass(SequenceFileOutputFormat.class);
// 设置压缩类型 在这里选择的是BLOCK压缩格式
SequenceFileOutputFormat.setOutputCompressionType(job, SequenceFile.CompressionType.BLOCK);

去查看输出的样式

读取Sequence File文件

1. 使用SequenceFileInputFormat读取SequenceFile
2. Map姐u但直接读取每一条数据
3. Reduce阶段直接输出，每一条数据
4. 使用TextOutputFormat将结果保存为文本文件

只需要在这里进行修改即可

job.setInputFormatClass(SequenceFileInputFormat.class);

使用Sequece File合并小文件

假设HDFS某个目录下有多个小文件，这些文件虽然磁盘占用空间不大，但是内存空间中用却不少(元数据存储在内存中)

可以编写一个程序将所有的小文件写入到一个Sequence File中，即将文件名作为key，文件内容作为value序列化到Sequence File大文件中，这就是所谓的使用Sequence File合并小文件

有序二进制文件 MapFile

介绍

可以理解MapFile是排序后的SequenceFile，通过观察结构可以看到MapFile由两部分组成，分别是data和index，data为存储数据的文件，index作为文件的数据索引，主要记录了每个Record的Key值以及Record在文件中的偏移位置

优点

在MapFile被访问的时候，索引文件会被索引映射关系可以迅速定位到指定的Record文件所在的文件位置，因此，相对于Sequence File而言，MapFile加载到内存，通过索引效率最高

缺点

会消耗一部分内存来存储index数据

案例

生成MapFile文件

生成MapFile文件和生成Sequence File的方法相同，其他地方无需改动，只需要在Driver阶段指定输出的格式就可

package MapFileTest;import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.MapFileOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;import java.io.IOException;
import java.util.Iterator;
import java.util.Random;public class MapFileCreate extends Configured implements Tool {private static class MapFileMapper extends Mapper<LongWritable, Text, IntWritable,Text> {private IntWritable outKey =new IntWritable();@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {Random random = new Random();outKey.set(random.nextInt(10000));context.write(outKey,value);}}private static class MapFileReduce extends Reducer<IntWritable,Text,IntWritable,Text>{@Overrideprotected void reduce(IntWritable key, Iterable<Text> values, Context context) throws IOException, InterruptedException {Iterator<Text> iterator = values.iterator();while (iterator.hasNext()){context.write(key,iterator.next());}}}public static void main(String[] args) throws Exception {ToolRunner.run(new MapFileCreate(),args);}@Overridepublic int run(String[] args) throws Exception {Job job = Job.getInstance(getConf(), MapFileCreate.class.getSimpleName());job.setOutputKeyClass(IntWritable.class);job.setOutputValueClass(Text.class);job.setMapOutputKeyClass(IntWritable.class);job.setMapOutputValueClass(Text.class);job.setJarByClass(MapFileCreate.class);job.setMapperClass(MapFileMapper.class);job.setReducerClass(MapFileReduce.class);// todo 在这里进行设置，设置最终的输出格式是MapFile格式job.setOutputFormatClass(MapFileOutputFormat.class);FileInputFormat.addInputPath(job,new Path("E:\\MapReduceTest\\input"));FileOutputFormat.setOutputPath(job,new Path("E:\\MapReduceTest\\MapFileOut"));return job.waitForCompletion(true) ? 0 : 1;}
}

运行后查看输出效果

查看data文件内容

可见本质上就是Sequence 文件

读取MapFile文件生成Text文件

MapReduce中没有封装MapFile的读取输入类，工作中可以根据情况选择以下两种方案来实现：

1. 自定义InputFormat，使用MapFileOutputFormat中的getReader方法来获取读取对象
2. 使用SequenceFileInputFormat对MapFile文件进行解析
   1. 因为MapFile本质上就是一个Sequence + 索引优化，直接使用SequenceFileOutputFormat无非是放弃了索引优化直接来获取内容罢了

列式存储ORCFIle

ORC(OptimizedRC File)文件格式是一种Hadoop生态圈中的类是存储格式，他被生产自Hive用来降低hadoop数据存储空间和加速Hive查询速度。ORC并不是单纯的列式存储，仍然是首先根据Stripe(条纹、组行)分割整个表，在每一个Stripe内进行按列存储。

ORC 文件时子描述的，他的元数据使用Protocol Buffers序列化，并且文件中的数据尽可能的压缩以降低存储空间的小号，目前也被Spark SQL、Presto等查询引擎支持

ORC文件是以二进制方式存储的，所以是不可以直接读取的

ORC与MapReduce继承

关联Maven依赖

<!--ORC 关联MapReduce-->
<dependency><groupId>org.apache.orc</groupId><artifactId>orc-shims</artifactId><version>1.8.3</version>
</dependency>
<dependency><groupId>org.apache.orc</groupId><artifactId>orc-core</artifactId><version>1.8.3</version>
</dependency>
<dependency><groupId>org.apache.orc</groupId><artifactId>orc-mapreduce</artifactId><version>1.8.3</version>
</dependency>

关键的两个类OrcOutputFormat: 用于生成ORC文件、OrcInputFormat:用于实现读取ORC文件类型

---

数据压缩优化

压缩设计与压缩算法

优点

1. 减少文件存储所占的空间
2. 加快文件传输效率，减少网络传输带宽
3. 降低IO读写次数

缺点

使用数据是需要先对文件进行解压，加重了CPU负荷，压缩算法越复杂，解压时间越长

压缩的位置

压缩配置

在Hadoop中配置压缩

Input：MapReduce输入通过文件后名进行判断，自动识别读取压缩类型，不需要做任何配置

Map output：需要配置以下参数

Reduce Output：需要配置以下参数

Gzip压缩

优缺点

压缩算法	优点	缺点
Gzip	压缩比较高； hadoop本身支持，在应用中处理gzip格式文件就和直接处理文本文件一样 有hadoop native库 大部分linux系统都自带gzip命令，使用起来比较方便	不支持split

编码器

org.apache.hadoop.io.compress.GzipCodec

读取普通文本文件，将普通文本文件压缩为Gzip格式

在进行压缩这个过程，整体上不需要进行大的改动，无非是在最后的输入阶段进行一个修改

Java文件

package Zip;import MapFileTest.MapFileCreate;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;import java.io.IOException;
import java.util.Iterator;/*** @author wxk* @date 2023/05/11/10:52*/
public class GzipTest extends Configured implements Tool {private static class MRMapper extends Mapper<LongWritable, Text, NullWritable,Text> {private NullWritable outKey= NullWritable.get();@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {context.write(outKey,value);}}private static class MRReduce extends Reducer<NullWritable,Text, NullWritable,Text> {@Overrideprotected void reduce(NullWritable key, Iterable<Text> values, Context context) throws IOException, InterruptedException {Iterator<Text> iterator = values.iterator();while (iterator.hasNext()){context.write(key,iterator.next());}}}public static void main(String[] args) throws Exception {Configuration cfg =new Configuration();// 配置输出结果压缩为gzip格式cfg.set("mapreduce.output.fileoutputformat.compress","true");cfg.set("mapreduce.output.fileoutputformat.compress.codec","org.apache.hadoop.io.compress.GzipCodec");// 提交jobfinal int run = ToolRunner.run(cfg, new GzipTest(), args);System.exit(run);}@Overridepublic int run(String[] args) throws Exception {Job job = Job.getInstance(getConf(), MapFileCreate.class.getSimpleName());job.setOutputKeyClass(NullWritable.class);job.setOutputValueClass(Text.class);job.setMapOutputKeyClass(NullWritable.class);job.setMapOutputValueClass(Text.class);job.setJarByClass(GzipTest.class);job.setMapperClass(MRMapper.class);job.setReducerClass(MRReduce.class);FileInputFormat.addInputPath(job,new Path(args[0]));FileOutputFormat.setOutputPath(job,new Path(args[1]));return job.waitForCompletion(true) ? 0 : -1;}
}

运行jar包之后查看运行结果

原来的文件大小

读取Gzip文件 还原普通文本文件

在上文中我们讲过hadoop在读取过程中会根据文件后缀自动的进行解压缩，所以我们在读取的过程中不需要任何的操作，我们使用原来的代码但是仅仅注掉压缩的两行代码，其余无需修改，直接打成jar包直接运行

        // cfg.set("mapreduce.output.fileoutputformat.compress","true");// cfg.set("mapreduce.output.fileoutputformat.compress.codec","org.apache.hadoop.io.compress.GzipCodec");

运行结果如下

文件也可以正常读，和以前的一样

Snappy压缩

优缺点

压缩算法	优点	缺点
Snappy	压缩速度快 支持Hadoop native库	不支持spilt 压缩比低 hadoop本身不支持 需要安装 linux系统下没有对应的位置

编码器 org.apache.hadoop.io.compress.SynappyCodec

Lzo压缩

优缺点

压缩算法	优点	缺点
Lzo	压缩/解压速度比较快，合理的压缩率 支持spilt，时hadoop中最流行的压缩格式 支持hadoop native库 需要Linux 系统下自行安装lzop命令，使用方便	压缩率比gzip要低 hadoop本身不支持，需要安装 lzo支持split，但是需要对lzo文件建索引，否则hadoop也会将lzo文件看成一个普通文件(为了支持split需要建立索引，需要指定inputformat为lzo格式)

编码器1 ： org.apache.hadoop.io.compress.LzoCodec [结尾为.lzo_deflate] 不能够建索引 不兼容lzop

编码器2：com.hadoop.compression.lzo.LzopCodec [结尾.lzo 可以构建索引，兼容lzo]

---

MapReduce属性优化

MapReduce的核心优化在于修改文件类型、合并小文件、使用压缩等方式，通过降低Io 开销来提升MapReduce过程中Task的执行效率；除此之外，MapReduce中也可以通过调节一些参数来从整体上提升MapReduce的性能，可以通过基准测试来测试MapReduce集群对应的性能，观察实施了优化以后MapReduce的性能是否得到了提升等

基准测试概述

yarn jar hadoop安装路径/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-hadoop版本号-tests.jar

例如我的hadoop时3.3.1 ，安装路径为/opt/module/hadoop-3.3.1

测试基准 -MR Bench

功能：用于指定生成文件，MapTask、ReduceTask的个数，并且可以指定执行的次数

例如：生成每隔文件10000行、20个mapper、5个reducer、执行两次

yarn jar hadoop-mapreduce-client-jobclient-3.3.1-tests.jar mrbench -numRuns 2 -inputLines 10000 -maps 20 -reduces 5

最后会输出相应的数据，可以看到我们这个需要平均需要1分多钟

基准测试 -Load Gen

功能： 指定对某个数据进行加载、处理、测试性能耗时，可以调整Map和Reduce个数

例如： 对150M的数据进行测试，10个Map、1个Reduce

yarn jar hadoop-mapreduce-client-jobclient-3.3.1-tests.jar loadgen -m 10 -r 1 -indir 数据位置 -outdir 输出位置 

大概80多秒

Uber模式

Uber运行模式对小作业进行优化，不会给每隔认为u分配Container资源，这些小任务将统一在一个Container中按照先执行map任务后执行reduce任务的顺序串行执行

开启

mapreduce.job.unbertask.enable = true,默认为false可以在mapred-site.xml中修改

限制条件
map任务的数量不大于mapreduce.job.unbertask.maxmaps参数（默认值为9）

reduce 任务的数量不大于mapreduce.job.unbertask.maxreduces参数(默认值是1)

输入文件大小不大于mapreduce.job.unbertask.maxbytes参数(默认为一个块的大小128MB)

map任务和reduce任务需要的资源不能大于MRAppMaster可用的资源总量

重试机制

功能：如果出现MapTask或者ReduceTask，由于网络、资源等外部因素导致TGask失败，AppMaster会检测到Task的任务失败，会立即重分配资源，如果重试以后人没有运行成功，那么整个Job会终止，程序运行失败。

每隔task的最大尝试次数，换句话说，框架将在放弃之前多次尝试执行Task

mapreduce.map.maxattempts=4
mapreduce.reduce.maxattempts=4

关闭推测执行

功能
推测执行是指在一个Task任务执行比预期慢时，程序会尽量检测并启动一个相同的任务作为备份，这就是推测执行，但是如果同时启动两个相同的任务，他们就会相互竞争，导致推测执行无法正常工作，这对资源是一种良妃，默认开启，实际中基于性能可以考虑选择关闭

配置

mapreduce.map.speculative =true
mapreduce.reduce.speculative=true

小文件优化

针对于小文件处理场景，默认每个小文件都会构建一个切片，启动一个maptask处理，可以使用CombineTextInputFormat代替TextInputFormat，将多个小文件合并成为一个切片

CombineTextInputFormat切片机制包括：虚拟存储过程和切片过程两个部分

虚拟过程

将输入目录下所有的文件大小，一次和设置的setMaxInputSplitSize值进行比较，如果不大于设置的最大值，逻辑上划分一个块，如果输入文件大于设置的最大值且大于两倍，那么以最大值切割一块，当剩余数据大小超过了设置的最大值但是不大于两倍，那么旧文件平均分成两个虚拟存储块(防止出现太小的切片)

切片过程

判断虚拟存储的文件是否大于setMaxInputSplitSize值，大于等于则单独形成一个切片，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

//设置输入类
job.setInputFormatClass(CombinTextInputFormat.class);
CombineTextinputFormat.setMaxInputSplitSize(job,4194304);//4MB

减少Shuffle时Spill和Merge次数

默认每隔缓冲区大小为100MB，每次达到80%开始Spill，如果调大这两个值，可以减少数据spill的次数，从而减少磁盘IO，默认每次生成10个小文件开始进行合并，如果增大文件个数，可以减少merge的次数，从而减少磁盘IO