MapReduce几个小应用

  上篇文章已经介绍了怎么去写一个简单的MR并且将其跑起来,学习一个东西动手还是很有必要的,接下来我们就举几个小demo来体验一下跑起来的快感。

demo链接请参照附件:http://files.cnblogs.com/files/wangkeustc/demo.tar.gz

排序:

  问题:将sort_input文件夹下的多个文件中的数据按照从小到大排序

  设计思路:shuffle阶段会将发送到reduce的数据自动排序,所以我们这边只要保证在每个partiton中数字都是按照从小到大来的,比如第一个分区时1-20000的整数,第二个分区时20000-40000等。

所以这个问题的解答,我们引入了一个新的概念,定义属于自己的Partition类

  

单表关联:

  问题:请参考join_input中的文件输入格式,也就是根据文件中的child-parent关系,找出存在的grandchild-grandparent关系,比如Tom Jerry   和Jerry Mark  ,那么我们可以得到Mark是Tom的grandparent。

  涉及思路:类似于将这张表中的parent和自身中的child做join,mapper阶段我们可以根据Tom  Jerry的关系输入两个key,分别对应<Tom,1 Jerry>,其中1表示是parent和<Jerry,2 Tom>。在Reducer中我们只要把每个key对应的parent和他的child找出来做个循环就可以得到所有结果了。

上面两个例子,大家可以仔细阅读以下代码,最好也手动敲一遍,仔细琢磨以下,因为接下来讲到的MapReduce的工作机制会与此相关。

MapReduce工作机制

MapReduce执行总流程

JobTracker:初始化作业,分配作业,与TaskManager通信,协调整个作业的执行

TaskTracker:保持与JobTracker的通信,执行map或者reduce任务

HDFS:保存作业的数据,配置信息等,保存作业结果。

具体相关流程

提交作业

  客户端编写完程序代码后,打成jar,然后通过相关命令向集群提交自己想要跑的mr任务,具体过程如下:

  1. 通过调用JobTracker的getNewJobId()获取当前作业id
  2. 检查作业相关路径
  3. 计算作业的输入划分,并将划分信息写到Job.split文件中
  4. 将运行作业所需要的资源包括作业jar包,配置文件和甲酸所得的输入划分,复制到作业对应的HDFS上
  5. 调用JobTracker的summitJob()提交,告诉JobTracker作业准备执行

初始化作业

  1. 从HDFS中读取作业对应的job.split,得到输入数据的划分信息
  2. 创建并且初始化Map任务和Reduce任务:为每个map/reduce task生成一个TaskInProgress去监控和调度该task。
     /**
    * Construct the splits, etc. This is invoked from an async
    * thread so that split-computation doesn't block anyone.
    */
    public synchronized void initTasks()
    throws IOException, KillInterruptedException, UnknownHostException {
    if (tasksInited || isComplete()) {
    return;
    }
    ...... jobtracker.getInstrumentation().addWaitingMaps(getJobID(), numMapTasks);
    jobtracker.getInstrumentation().addWaitingReduces(getJobID(), numReduceTasks);
    this.queueMetrics.addWaitingMaps(getJobID(), numMapTasks);
    this.queueMetrics.addWaitingReduces(getJobID(), numReduceTasks); //根据numMapTasks任务数,创建MapTask的总数
    maps = new TaskInProgress[numMapTasks];
    for(int i=0; i < numMapTasks; ++i) {
    inputLength += splits[i].getInputDataLength();
    maps[i] = new TaskInProgress(jobId, jobFile,
    splits[i],
    jobtracker, conf, this, i, numSlotsPerMap);
    }
    ...... //
    // Create reduce tasks
    //根据numReduceTasks,创建Reduce的Task数量
    this.reduces = new TaskInProgress[numReduceTasks];
    for (int i = 0; i < numReduceTasks; i++) {
    reduces[i] = new TaskInProgress(jobId, jobFile,
    numMapTasks, i,
    jobtracker, conf, this, numSlotsPerReduce);
    nonRunningReduces.add(reduces[i]);
    } ...... // create cleanup two cleanup tips, one map and one reduce.
    //创建2个clean up Task任务,1个是Map Clean-Up Task,一个是Reduce Clean-Up Task
    cleanup = new TaskInProgress[2]; // cleanup map tip. This map doesn't use any splits. Just assign an empty
    // split.
    TaskSplitMetaInfo emptySplit = JobSplit.EMPTY_TASK_SPLIT;
    cleanup[0] = new TaskInProgress(jobId, jobFile, emptySplit,
    jobtracker, conf, this, numMapTasks, 1);
    cleanup[0].setJobCleanupTask(); // cleanup reduce tip.
    cleanup[1] = new TaskInProgress(jobId, jobFile, numMapTasks,
    numReduceTasks, jobtracker, conf, this, 1);
    cleanup[1].setJobCleanupTask(); // create two setup tips, one map and one reduce.
    //原理同上
    setup = new TaskInProgress[2]; // setup map tip. This map doesn't use any split. Just assign an empty
    // split.
    setup[0] = new TaskInProgress(jobId, jobFile, emptySplit,
    jobtracker, conf, this, numMapTasks + 1, 1);
    setup[0].setJobSetupTask(); // setup reduce tip.
    setup[1] = new TaskInProgress(jobId, jobFile, numMapTasks,
    numReduceTasks + 1, jobtracker, conf, this, 1);
    setup[1].setJobSetupTask(); ......
  3. 上面的代码块提到的,创建两个初始化task,一个初始化Map,一个初始化Reduce

分配任务

  JobTracker会将任务分配到TaskTracker去执行,但是怎么判断哪些TaskTracker,怎么分配任务呢?所以,我们要实现JobTracker和TaskTracker中的通信,也就是TaskTracker循环向JobTracker发送心跳,向上级报告自己这边是不是还活着,活干的怎么样了,可以接些新活等。作为JobTracker,接收到心跳信息,如果有待分配任务,就会给这个TaskTracker分配一个任务,然后taskTracker就把这个任务加入到他的任务队列中。我们可以主要看看TaskTracker中的transmitHeartBeart()和JobTracker的heartbeat()方法。

执行任务

  TaskTracker申请到任务后,在本地执行,主要有以下几个步骤来完成本地的步骤化:

  1. 将job.split复制到本地
  2. 将job.jar复制到本地
  3. 将job的配置信息写入到Job.xml
  4. 创建本地任务目录,解压job.rar
  5. 调用launchTaskForJob()方法发布任务

  发布任务后,TaskRunner会启动新的java虚拟机来运行每个任务,以map任务为例,流程如下:

  1. 配置任务执行参数(获取java程序的执行环境和配置参数等)
  2. 在child临时文件表中添加Map任务信息
  3. 配置log文件夹,配置Map任务的执行环境和配置参数;
  4. 根据input split,生成RecordReader读取数据
  5. 为Map任务生成MapRunnable,一次从RecordReader中接收数据,并调用map函数进行处理
  6. 将Map函数的输出调用collect收集到MapOUtputBuffer中

Hadoop入门第三篇-MapReduce试手以及MR工作机制的更多相关文章

  1. JavaMail入门第三篇 发送邮件

    JavaMail API中定义了一个java.mail.Transport类,它专门用于执行邮件发送任务,这个类的实例对象封装了某种邮件发送协议的底层实施细节,应用程序调用这个类中的方法就可以把Mes ...

  2. Hadoop入门第四篇:手动搭建自己的hadoop小集群

    前言 好几天没有更新了,本来是应该先写HDFS的相关内容,但是考虑到HDFS是我们后面所有学习的基础,而我只是简单的了解了一下而已,后面准备好好整理HDFS再写这块.所以大家在阅读这篇文章之前,请先了 ...

  3. # hadoop入门第六篇:Hive实例

    前言   前面已经讲了如何部署在hadoop集群上部署hive,现在我们就做一个很小的实例去熟悉HIVE QL.使用的数据是视频播放数据包括视频编码,播放设备编码,用户账号编码等,我们在这个数据基础上 ...

  4. Hadoop入门第五篇:Hive简介以及部署

    标签(空格分隔): Hadoop Hive hwi 1.Hive简介   之前我一直在Maxcompute上进行大数据开发,所以对数仓这块还算比较了解,在接受Hive的时候基本上没什么大的障碍.所以, ...

  5. Html/Css(新手入门第三篇)

    一.学习心得---参考优秀的网页来学习. 1我们只做的静态网页主要用的技术?html+css 只要网上看到的,他的源代码公开的.[1].先去分析,他们页面是如何布局(结构化)[2].再试着去做一下,- ...

  6. Android JNI入门第三篇——jni头文件分析

    一. 首先写了java文件: public class HeaderFile { private native void  doVoid(); native int doShort(); native ...

  7. Java线程入门第三篇

    Java内存模型(jmm) Why:保证多线程正确协同工作 看图说明: 文字解释:线程a和线程b通信过程,首先线程a把本地内存的共享变量更新到主内存中,然后线程b去读取主内存的共享变量,最后更新到自己 ...

  8. Visualforce入门第三篇_2017.3.2

    Visualforce实现显示Record List(列表) 详细见链接:https://trailhead.salesforce.com/modules/visualforce_fundamenta ...

  9. JavaMail入门第四篇 接收邮件

    上一篇JavaMail入门第三篇 发送邮件中,我们学会了如何用JavaMail API提供的Transport类发送邮件,同样,JavaMail API中也提供了一些专门的类来对邮件的接收进行相关的操 ...

随机推荐

  1. POJ-1459 Power Network---最大流

    题目链接: https://cn.vjudge.net/problem/POJ-1459 题目大意: 简单的说下题意(按输入输出来讲,前面的描述一堆的rubbish,还用来误导人),给你n个点,其中有 ...

  2. WPF中矢量图标库

    https://www.iconfont.cn/search/index?searchType=icon&q=人员

  3. MooseFS 3.0 集群环境部署过程

    1 准备好6台虚拟机:(centos7) Master server:  192.168.242.135 Cgi server:                192.168.242.135 meta ...

  4. Oracle 函数 之 Coalesce()、greatest()、least()

    Coalesce().greatest().least() oracle比较一列的数据大小时,我们一般使用max()/min()函数,比较一行的最大值或者最小值时,使用函数Coalesce()/gre ...

  5. struts2、hibernate和SSH的实现

    Struts2 为什么开发Struts框架? 为了符合更加灵活.高效的开发需求 实质上Struts2是以WebWork为核心的,他采用拦截机制来处理用户请求. (1)Jsp部分 <%@ page ...

  6. GNU汇编程序框架

    汇编的作用:1.对芯片进行初始化 2. 和C混合编程提升C的运行效率 .section .data < 初始化的数据> .section .bss <未初始化的数据> .sec ...

  7. ATM-conf-settings

    import os BASE_DIR = os.path.dirname(os.path.dirname(__file__))BASE_DB = os.path.join(BASE_DIR, 'db' ...

  8. 使用Navicat连接阿里云ECS服务器上的MySQL数据库

    一.首先要mysql授权 mysql>GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' IDENTIFIED BY '你的mysql数据库密码' WITH GR ...

  9. B1056 组合数的和 (15分)

    B1056 组合数的和 (15分) 给定 N 个非 0 的个位数字,用其中任意 2 个数字都可以组合成 1 个 2 位的数字.要求所有可能组合出来的 2 位数字的和.例如给定2.5.8,则可以组合出: ...

  10. Linux命令之---cd

    命令简介 Linux cd 命令是Linux中最基本的命令语句,其他的命令语句要进行操作,都是建立在使用 cd 命令上的. 命令格式 cd [目录名] 命令功能 切换当前目录至dirName 常用范例 ...