大数据开发实战：MapReduce内部原理实践

　　　　下面结合具体的例子详述MapReduce的工作原理和过程。

　　　　以统计一个大文件中各个单词的出现次数为例来讲述，假设本文用到输入文件有以下两个：

　　　　文件1：

　　　　　　big data

　　　　　　offline data

　　　　　　online data

　　　　　　offline online data

　　　　文件2

　　　　　　hello data

　　　　　　hello online

　　　　　　hello offline

　　　　目标是统计这两个文件中各个单词的出现次数，很容易用肉眼算出各个词出现的次数：

　　　　big：1

　　　　data：5

　　　　offline：3

　　　　online：3

　　　　hello：3

　　　　但是想象一下，如果是数以百万级的文献资料，每个文献资料数以十万字或百万字计，还能用肉眼算吗？而这正是Hadoop擅长的，对应Hadoop来说只需要定义简单的Map逻辑和Reduce逻辑，然后把输入文件和处理逻辑提交

　　　　给Hadoop即可，Hadoop将会自动完成所有的分布式计算任务。

　　　1、MapReduce逻辑开发

　　　　　　Hadoop开发人员需要定义Map逻辑和Reduce逻辑，下面用伪代码来描述词频统计具体的Map逻辑和Reduce逻辑。

　　　　　　词频统计任务的Map逻辑为：

　　　　　　

　　　　　　以上述实例文件1为例，上述Map逻辑执行后，将会输出：

　　　　　　big：1

　　　　　　data：1

　　　　　　offline：1

　　　　　　data：1

　　　　　　online：1

　　　　　　data：1

　　　　　　offline：1

　　　　　　online：1

　　　　　　data：1

　　　　　　Hadoop的shuffle过程会把Map任务的输出组织成<word,{1,1,1,1....}形式的数据并输入给Reduce任务，然后Reduce任务会对这种形式的数据执行Reduce逻辑，相应的Reduce逻辑为：

　　　　　　

　　　　　　至此，所有Map代码和Reduce代码都完成了，将此代码打包并提及给Hadoop执行即可。

　　　　

　　　2、MapReduce任务提交详解

　　　　从大数据开发实战：HDFS和MapReduce优缺点分析的MapReduce架构可以看出，MapReduce作业执行主要由JobTrackerTaskTracker负责完成。

　　　　　　客户端编写好的MapReduce程序并配置好的MapReduce作业是一个Job，Job被提交给JobTracker后，JobTracker会给该Job一个新的ID值，接着检查该Job指定的输出目录是否存在、输入文件是否存在，

　　　　如果不存在，则抛出错误。同时，JobTracker会根据输入文件计算输入分片（input split），这些都检查通过后，JobTracker就会配置Job需要的资源并分配资源，然后JobTracker就会初始化作业，

　　　　也就是将Job放入一个内部的队列，让配置好的作业调度器能调度这个作业，作业调度器会初始化这个Job，初始化就是创建一个正在执行的Job对象（封装任务和记录信息），以便JobTracker  跟踪Job的状态和进程。

　　　　　　该Job被作业调度器调度时，作业调度器会获取输入分片信息，每个分片创建一个Map任务，并根据TaskTracker的忙闲情况和空闲资源等分配Map任务和Reduce任务到TaskTracker,同时通过心跳机制也可以监控到TaskTracker

　　　　的状态和进度，也能计算出整个Job的状态和进度。当JobTracker获得最后一个完成指定任务的TaskTracker操作成功通知的时候，JobTracker会把整个Job状态置为成功，然后当查询Job运行状态时（注意：这是个异步操作），客户端

　　　　会查到Job完成的通知。如果job中途失败，MapReduce也会有相应的机制处理。一般而言，如果不是程序员程序本身有bug，MapReduce错误处理机制都能保证提交的Job能正常完成。

　　　3、MapReduce内部执行原理详解

　　　　那么，MapReduce到底是如何运行的呢? 按照时间顺序，MapReduce任务执行包括：输入分片Map、Shuffle和Reduce等阶段，一个阶段的输出正好是下一个阶段的输入，上述各个阶段的关系和流程如下：

　　　　

　　　　下面结合上文的实例问更加深入和详细地介绍上述过程，如下图：

　　　　

　　4、各环节介绍

　　4.1、输入分片

　　　　　　在进行Map计算之前，MapReduce会根据输入文件计算输入分片。每个输入分片对应一个Map任务，输入分片存储的并非数据本身，而是一个分片长度和一个记录数据的位置的数组。输入分片往往和HDFS和block（块）

　　　　关系密切，假如设定的HDFS的块的大小是64MB，如果输入只有一个150MB，那么MapReduce会把此大文件切分为三片（分别为：64MB、64MB和22MB），同样，如果输入为两个文件，其大小分别是22MB和100MB，那么

　　　　MapReduce会把20MB文件作为一个输入分片，100MB则切分为两个即64MB和36MB的输入分片。对于上述实例文件1和文件2，由于非常小，因此分别被作为split1和split2输入Map任务1和2中（此处只为说明问题，实际处理

　　　　中应该将小文件进行合并，否则如果输入多个文件而且文件大小均远小于块大小，会导致生成多个不必要的Map任务，这也是MapReduce优化计算的一个关键点）。

　　4.2、Map阶段

　　　　在Map阶段，各个Map任务会接收到所分配的split，并调用Map函数，逐行执行并输出键值。比如对于上面的例子，map task1 将会接收到input split1,并调用Map函数，其输出如下的键值对：

　　　　big 1, data 1, offline  1, data 1, online 1, data 1, offline 1, online 1, data 1

　　4.3、Combiner 阶段

　　　　　　Combiner 阶段是可选的的，Combiner其实也是一种Reduce操作，但它是一个本地化的Reduce操作，是Map运算的本地后续操作，主要是在Map计算出中间文件前做的一个简单的合并重复键值的操作，

　　　　例如上述文件1中data出现了4次，Map计算时如果碰到一个data的单词就会记录1，这样就重复了4次，Map任务输出就有冗余，这样后续处理和网络传输都被消耗不必要的资源，一次通过Combiner操作可以解决和

　　　　优化次问题。但这一操作是有风险的，使用它的原则是Combiner的输出不会影响到Reduce 计算的的最终输入，例如，如果计算只是求总数、最大值及最小值，可以用Combiner操作，但是如果做平均值计算使用Combiner,

　　　　最终Reduce计算结果就会出错。

　　4.4、Shuffle阶段

　　　　　　Map任务的输出必须经过一个名叫Shuffle的阶段才能交给Reduce处理。Shuffle阶段是MapReduce的核心，也是奇迹发生的地方，同时Shuffle阶段的性能直接影响整个MapReduce的性能。

　　　　　　那什么是Shuffle呢？一般理解为数据从Map Task输出到Reduce Task输入的过程，它决定了Map Task的输出如何且高效第传输给Reduce Task。

　　　　　　总的来说，Shuffle阶段包含在Map和Reduce两个阶段中，在Map阶段的Shuffle阶段是对Map的结果进行分区（partition）、排序（sort）和分隔（spill）,然后将同一分区的输出合并在一起（merge）并写在磁盘上，同时按照不同的

　　　　分区划分发送给对应的Reduce（Map输出的划分和Reduce任务的对应关系由JobTracker确定）的整个过程；Reduce阶段的Shuffle又会将各个Map输出的同一个分区划分的输出进行合并，然后对合并的结果进行排序，最后交给

　　　　Reduce处理的整个过程。

　　　　下面从Map和Reduce两端详细介绍Shuffle阶段。

　　　　4.4.1、Map阶段Shuffle

　　　　　　通常MapReduce计算的都是海量数据，而且Map输出还需要对结果进行排序，内存开销很大，因此完全在内存中完成是不可能的也是不现实的，所以Map输出时会在内存里开启一个环形内存缓存区，并且在配置文件里为

　　　　这个缓存区设置了一个阀值（默认是80%，可以自定义修改此配置）。同时，Map还为输出操作启动了一个守护线程，如果缓存区的内存使用达到了阀值，那么这个守护线程就会把80%的内存区内容写到磁盘上，这个过程叫分隔

　　　　（spill）,另外的20%内存可以供Map输出继续使用，写入磁盘和写入内存操作是互不干扰的，如果缓存区被撑满了，那么Map就会阻塞写入内存的操作，待写入磁盘操作完成后再继续执行写入内存操作。

　　　　　　缓存区内容分隔到磁盘前，会首先进行分区操作，分区的数目由Reduce的数目决定。对应本例，Reduce的数目为2个，那么分区数就是2个，然后对每个分区，后台线程还会按照键值对需要写出的数据进行排序，如果配置了

　　　　Combiner函数，还会进行Combiner操作，以使得更少地数据被写入磁盘并发送给Reducer。

　　　　　　每次的分隔操作都会生成一个分隔文件，全部的Map输出完成后，可能会有很多的分隔文件，因此在map 任务结束前，还要进行合并操作，即将这些分隔文件按照分区合并为单独的文件。在合并过程中，同样也会进行排序，

　　　　如果定义了Combiner，也会进行Combiner操作。

　　　　　　至此，Map阶段的所有工作都已经结束，最终生成的文件也会存放在TaskTracker能访问的某个本地目录内。每个Reduce Task不断地从JobTracker那里获取Map Task是否完成的信息，如果Reduce task得到通知，获知某台

　　　　TaskTracker上的Map Task执行完成，Shuffle的后半段过程，也就是Reduce阶段的Shuffle，便开始启动。

　　　4.4.2、Reduce阶段Shuffle

　　　　Shuffle 在Reduce阶段可以分为三个阶段：Copy Map输出、Merge阶段和Reduce处理。

　　　　1、Copy Map输出：

　　　　　　如上文所述，Map任务完成后，会通知TaskTracker状态已完成，TaskTracker进而通知JobTracker（这些通知一般通过心跳机制完成）。对Job来说，JobTracker记录了Map输出和TaskTracker的映射关系，同时

　　　　Reduce也会定期向JobTracker获取Map的输出与否以及输位置，一旦拿到输出位置Reduce就会启动Copy线程，通过HTTP方式请求Mask Task所在的TaskTracker获取其输出文件。因为Map Task早已结束，这些文件就被TaskTracker

　　　　存储在Map Task所在的本地磁盘中。

　　　　2、Merge阶段：

　　　　　　此处的合并和Map阶段的合并类似，复制过来的数据会首先放入内存缓存区中，这里的内存缓存区比Map阶段的要灵活很多，它基于JVM的heap size设置，因为Shuffle阶段Reduce task并不运行，因此大部分内存

　　　　应该给Shuffle使用；同时此Shuffle的合并阶段根据要处理的数据量的不同，也可能会有分隔到磁盘的过程，如果设置了Combiner函数，Combiner操作也会执行。

　　　　　　从Map阶段的Shuffle过程到Reduce阶段的Shuffle过程，都提到了合并，那么合并究竟是怎样的呢？如上面的例子，Map Task1对于offline的键值是2，而Map Task2的offline键值是1，那么合并就是将offline的键值合并为group,

　　　　本例即为：<offline,{2,1}>。

　　　　3、Reduce Task的输入：

　　　　　　不到合并后，最后会生成一个最终结果（可能在内存，也可能在磁盘），至此，Reduce Task的输入准备完毕，下一步就是真正的Reduce操作。

　　

　　4.5、Reduce阶段

　　　　经过Map和Reduce阶段的Shuffle过程后，Reduce任务的输入的准备完毕，相关的数据已经被合并和汇总，Reduce任务只需要调用Reduce函数即可，对于本例即对每个键，调用sum逻辑合并value并输出到HDFS即可，比如对于

　　　　Reduce Task1的offline的键，只需要将集合{2,1}相加，输出offline 3即可。

　　至此，整个MapReduce的详细流程和原理介绍完毕，从上述过程中，Shuffle是整个流程中最为核心的部分，也是最复杂的部分。

　　参考资料：《离线和实时大数据开发实战》