MapReduce編程原理介紹[MapReduce開發(fā)必讀]

相信關(guān)于Hadoop中MapReduce的相關(guān)文章會(huì)很多，這里只簡(jiǎn)單介紹一下MapReduce的相關(guān)知識(shí)。

Hadoop的MapReduce來(lái)源于Google公司的三篇論文中的MapReduce，其核心思想是“分而治之”。Map負(fù)責(zé)“分”，即把復(fù)雜的任務(wù)分解為若干個(gè)“簡(jiǎn)單的任務(wù)”來(lái)并行處理?？梢赃M(jìn)行拆分的前提是這些小任務(wù)可以并行計(jì)算，彼此間幾乎沒(méi)有依賴關(guān)系。Reduce負(fù)責(zé)“合”，即對(duì)map階段的結(jié)果進(jìn)行全局匯總。

現(xiàn)階段MapReduce一般運(yùn)行在Hadoop2.x版本的yarn資源平臺(tái)上，具體運(yùn)行過(guò)程后面會(huì)有詳細(xì)說(shuō)明。

MapReduce編程規(guī)范

MapReduce 的開發(fā)一共有八個(gè)步驟, 其中 Map 階段分為 2 個(gè)步驟，Shuffle 階段 4 個(gè)步驟，Reduce 階段分為 2 個(gè)步驟

Map 階段 2 個(gè)步驟

1)設(shè)置 InputFormat 類, 將數(shù)據(jù)切分為 Key-Value(K1和V1) 對(duì), 輸入到第二步；

2)自定義 Map 邏輯, 將第一步的結(jié)果轉(zhuǎn)換成另外的 Key-Value(K2和V2)對(duì), 輸出結(jié)果；

Shuffle 階段 4 個(gè)步驟

3)對(duì)輸出的 Key-Value 對(duì)進(jìn)行分區(qū)；

4)對(duì)不同分區(qū)的數(shù)據(jù)按照相同的 Key 排序；

5)(可選) 對(duì)分組過(guò)的數(shù)據(jù)初步規(guī)約, 降低數(shù)據(jù)的網(wǎng)絡(luò)拷貝；

6)對(duì)數(shù)據(jù)進(jìn)行分組, 相同 Key 的 Value 放入一個(gè)集合中；

Reduce 階段 2 個(gè)步驟

7)對(duì)多個(gè) Map 任務(wù)的結(jié)果進(jìn)行排序以及合并, 編寫 Reduce 函數(shù)實(shí)現(xiàn)自己的邏輯, 對(duì)輸入的 Key-Value 進(jìn)行處理, 轉(zhuǎn)為新的 Key-Value(K3和V3)輸出；

8)設(shè)置 OutputFormat 處理并保存 Reduce 輸出的 Key-Value 數(shù)據(jù)；

yarn資源調(diào)度

yarn是hadoop集群當(dāng)中的資源管理系統(tǒng)模塊，從hadoop2.0開始引入yarn模塊,yarn可為各類計(jì)算框架提供資源的管理和調(diào)度,主要用于管理集群當(dāng)中的資源(主要是服務(wù)器的各種硬件資源，包括CPU，內(nèi)存，磁盤，網(wǎng)絡(luò)IO等)以及調(diào)度運(yùn)行在yarn上面的各種任務(wù)。

相比于hadoop1.x版本，yarn核心出發(fā)點(diǎn)是為了分離資源管理與作業(yè)監(jiān)控，實(shí)現(xiàn)分離的做法是擁有一個(gè)全局的資源管理ResourceManager(RM)，以及每個(gè)應(yīng)用程序?qū)?yīng)一個(gè)的應(yīng)用管理器ApplicationMaster(AM)。

總結(jié)一句話就是說(shuō)：yarn主要就是為了調(diào)度資源，管理任務(wù)。

YARN總體上是Master/Slave結(jié)構(gòu)，主要由ResourceManager、NodeManager、 ApplicationMaster和Container等幾個(gè)組件構(gòu)成。

ResourceManager(RM) 負(fù)責(zé)處理客戶端請(qǐng)求,對(duì)各NM上的資源進(jìn)行統(tǒng)一管理和調(diào)度。給ApplicationMaster分配空閑的Container 運(yùn)行并監(jiān)控其運(yùn)行狀態(tài)。主要由兩個(gè)組件構(gòu)成：調(diào)度器和應(yīng)用程序管理器：

調(diào)度器(Scheduler)：調(diào)度器根據(jù)容量、隊(duì)列等限制條件，將系統(tǒng)中的資源分配給各個(gè)正在運(yùn)行的應(yīng)用程序。調(diào)度器僅根據(jù)各個(gè)應(yīng)用程序的資源需求進(jìn)行資源分配，而資源分配單位是Container。Shceduler不負(fù)責(zé)監(jiān)控或者跟蹤應(yīng)用程序的狀態(tài)?？傊?，調(diào)度器根據(jù)應(yīng)用程序的資源要求，以及集群機(jī)器的資源情況，為應(yīng)用程序分配封裝在Container中的資源。

應(yīng)用程序管理器(Applications Manager)：應(yīng)用程序管理器負(fù)責(zé)管理整個(gè)系統(tǒng)中所有應(yīng)用程序，包括應(yīng)用程序提交、與調(diào)度器協(xié)商資源以啟動(dòng)ApplicationMaster 、監(jiān)控ApplicationMaster運(yùn)行狀態(tài)并在失敗時(shí)重新啟動(dòng)等，跟蹤分給的Container的進(jìn)度、狀態(tài)也是其職責(zé)。

NodeManager (NM) NodeManager：NodeManager (NM) NodeManager 是每個(gè)節(jié)點(diǎn)上的資源和任務(wù)管理器。它會(huì)定時(shí)地向ResourceManager匯報(bào)本節(jié)點(diǎn)上的資源使用情況和各個(gè)Container的運(yùn)行狀態(tài);同時(shí)會(huì)接收并處理來(lái)自ApplicationMaster 的Container 啟動(dòng)/停止等請(qǐng)求。

ApplicationMaster (AM)： 用戶提交的應(yīng)用程序均包含一個(gè)ApplicationMaster ，負(fù)責(zé)應(yīng)用的監(jiān)控，跟蹤應(yīng)用執(zhí)行狀態(tài)，重啟失敗任務(wù)等。ApplicationMaster是應(yīng)用框架，它負(fù)責(zé)向ResourceManager協(xié)調(diào)資源，并且與NodeManager協(xié)同工作完成Task的執(zhí)行和監(jiān)控。

Container： Container是YARN中的資源抽象，它封裝了某個(gè)節(jié)點(diǎn)上的多維度資源，如內(nèi)存、CPU、磁盤、網(wǎng)絡(luò)等，當(dāng)ApplicationMaster向ResourceManager申請(qǐng)資源時(shí)，ResourceManager為ApplicationMaster 返回的資源便是用Container 表示的。

yarn的架構(gòu)和工作流程

步驟分析：

1. 客戶端通過(guò)命令(hadoop jar xxx.jar)提交上傳任務(wù)到主節(jié)點(diǎn)ResourceManager(RM)中的ApplicationManager進(jìn)程；

2. 主節(jié)點(diǎn)RM判斷集群狀態(tài)，選擇一臺(tái)NodeManager(NM)，開啟一塊資源Container，用來(lái)開啟AppMaster進(jìn)程；

3. AppMaster進(jìn)程獲取RM接收的任務(wù)請(qǐng)求，進(jìn)行任務(wù)分配；

4. AppMaster根據(jù)任務(wù)情況向RM中的ResourceScheduler索要資源分配方案；

5. AppMaster根據(jù)資源分配方案找到到各個(gè)NodeManager從節(jié)點(diǎn)；

6. 在從節(jié)點(diǎn)上開啟資源Container，并運(yùn)行任務(wù)Task；

7. AppMaster獲取各個(gè)Task上傳的任務(wù)執(zhí)行進(jìn)度和結(jié)果；

8. AppMaster將任務(wù)執(zhí)行的結(jié)果返回給ApplicationManager。



以上我們介紹MapReduce編程原理，如果想系統(tǒng)學(xué)習(xí)大數(shù)據(jù)開發(fā)相關(guān)課程，可以點(diǎn)擊頁(yè)面咨詢按鈕，了解傳智播客課程詳情。