Hadoop 的介绍如下:
Hadoop 主要的组成部分有如下四个:
- Hadoop Common:支持其他 Hadoop 模块的通用程序。
- Hadoop 分布式文件系统 (HDFS):一种分布式文件系统,可提供对应用程序数据的高吞吐量访问。
- Hadoop YARN:作业调度和集群资源管理的框架。
- Hadoop MapReduce:基于 YARN 的系统,用于并行处理大型数据集。
之前已经学习过 YARN:
今天学习 MapReduce。
1.InputFormat
数据块:Block是HDFS物理上把数据分成一块一块。数据块是HDFS存储数据单位。
数据切片:数据切片是 MapReduce 程序计算输入数据的单位,一个切片会对应启动一个 MapTask。
- MapTask 的并行度决定 Map 阶段的任务处理并发度,进而影响到整个 Job 的处理速度。
- MapTask 并不是越多越好。
- 默认情况下,切片大小 = BlockSize。
- 切片是针对每一个文件而不是数据整体。
FileInputFormat 的常见实现接口包括:
- TextInputFormat.
- KeyValueTextInputFormat.
- NLineInputFormat.
- CombineTextInputFormat.
- 自定义 InputFormat.
2.MapReduce 工作流程
2.1 Map Task
Read 阶段:MapTask 通过 InputFormat 获得的 RecordReader,从输入 InputSplit 中解析出一个个 key/value。
Map 阶段:该节点主要是将解析出的 key/value 交给用户编写 map() 函数处理,并产生一系列新的 key/value。
Collect 收集阶段:在用户编写 map() 函数中,当数据处理完成后,一般会调用 OutputCollector.collect() 输出结果。在该函数内部,它会将生成的 key/value 分区(调用 Partitioner),并写入一个环形内存缓冲区中。
Spill 阶段:即“溢写”,当环形缓冲区满后,MapReduce 会将数据写到本地磁盘上,生成一个临时文件。需要注意的是,将数据写入本地磁盘之前,先要对数据进行一次本地排序,并在必要时对数据进行合并、压缩等操作。溢写阶段详情:
- 步骤 1:利用快速排序算法对缓存区内的数据进行排序,排序方式是,先按照分区编号 Partition 进行排序,然后按照 key 进行排序。这样,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。
- 步骤 2:按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件 output /spillN.out(N表示当前溢写次数)中。如果用户设置了 Combiner,则写入文件之前,对每个分区中的数据进行一次聚集操作。
- 步骤 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。如果当前内存索引大小超过 1MB,则将内存索引写到文件 output /spillN.out.index 中。
Merge 阶段:当所有数据处理完成后,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。
- 当所有数据处理完后,MapTask 会将所有临时文件合并成一个大文件,并保存到文件 output/file.out 中,同时生成相应的索引文件 output/file.out.index。
- 在进行文件合并过程中,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。每轮合并 mapreduce. task.io.sort.factor(默认10)个文件,并将产生的文件重新加入待合并列表中,对文件排序后,重复以上过程,直到最终得到一个大文件。
- 让每个 MapTask 最终只生成一个数据文件,可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。
2.2 Shuffle
Map 方法之后,Reduce 方法之前的数据处理过程称之为 Shuffle。
- MapTask 收集 map() 方法输出的 kv 对,放到内存缓冲区中。
- Shuffle 中的缓冲区大小会影响到 MapReduce 程序的执行效率,原则上说,缓冲区越大,磁盘 io 的次数越少,执行速度就越快。
- 环形缓冲区使用率达到阈值会进行快速排序。
- 从内存缓冲区不断溢出本地磁盘文件,可能会溢出多个文件。
- 数据处理完成后会对磁盘上所有文件进行归并排序。
- 多个溢出文件会被合并成大的溢出文件。
- 在溢出过程及合并的过程中,都要调用 Partitioner 进行分区和针对 key 进行排序。
- 默认分区是根据 key 的 hashCode 对 ReduceTask 的个数取模得到的。用户无法控制哪个 key 存储到哪个分区。
- 可以自定义 Partitioner,控制分区代码逻辑。
- ReduceTask 根据自己的分区号,去各个 MapTask 机器上取相应的结果分区数据。
- ReduceTask 会抓取到同一个分区的来自不同 MapTask 的结果文件,ReduceTask 会将这些文件再进行合并(归并排序)。
- 合并成大文件后,Shuffle 的过程也就结束了,后面进入 ReduceTask 的逻辑运算过程(从文件中取出一个一个的键值对 Group,调用用户自定义的 reduce() 方法)。
2.3 Reduce Task
Copy 阶段:ReduceTask 从各个 MapTask 上远程拷贝一片数据,并针对某一片数据,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。
Merge 阶段: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。
Sort 阶段:按照 MapReduce 语义,用户编写 reduce() 函数输入数据是按 key 进行聚集的一组数据。为了将 key相同的数据聚在一起,Hadoop 采用了基于排序的策略。由于各个 MapTask 已经实现对自己的处理结果进行了局部排序,因此,ReduceTask 只需对所有数据进行一次归并排序即可。
Reduce 阶段:reduce() 函数将计算结果写到 HDFS 上。
2.4 Combiner
Combiner 是 Mapper 和 Reducer 之外的一种组件,其父类时 Reducer。
- Combiner 和 Reducer 的区别是 Combiner 运行在每一个 MapTask 所在的节点。
- 作用是进行局部汇总,减少网络的传输量。
3.OutputFormat
数据输出的接口。实现类包括:
- TextOutputFormat。
- SequenceOutputFormat。
- 自定义 OutputFormat。
4.Join
4.1 Reduce Join
合并操作在 Reduce 阶段完成,Reduce 端处理压力大,Map 端运算负载低,资源利用率不高,容易发生数据倾斜。
4.2 Map Join
适用于一张小表,一张大表。