apache开源项目 -- tez

为了更高效地运行存在依赖关系的作业（比如Pig和Hive产生的MapReduce作业），减少磁盘和网络IO，Hortonworks开发了DAG计 算框架Tez。Tez是从MapReduce计算框架演化而来的通用DAG计算框架，可作为MapReduceR/Pig/Hive等系统的底层数据处理 引擎，它天生融入Hadoop 2.0中的资源管理平台YARN，且由Hadoop 2.0核心人员精心打造，势必将会成为计算框架中的后起之秀。本文将重点介绍Tez的最新进展。

在阅读本文之前，读者可先阅读我之前写的三篇文章了解Tez有关背景、设计原理等：

(1) 浅谈Apache Tez中的优化技术

(2) Apache Tez：一个运行在YARN之上支持DAG作业的计算框架

(3) Tez：运行在YARN上的DAG计算框架

总结起来，Tez有以下几个特色：

（1） 丰富的数据流（dataflow，NOT Streaming！）编程接口；

（2） 扩展性良好的“Input-Processor-Output”运行模型；

（3） 简化数据部署（充分利用了YARN框架，Tez本身仅是一个客户端编程库，无需事先部署相关服务）

（4） 性能优于MapReduce

（5）  优化的资源管理（直接运行在资源管理系统YARN之上）

（6） 动态生成物理数据流（dataflow）

声明：本文大部分内容源自Apache Tez官方主页中的说明文档，有兴趣的读者可进入http://tez.incubator.apache.org/了解更多内容，你也可以根据文档说明安装Tez（需要apache最新版本 2.1.0-beta或者3.0.0，CDH暂不支持，版本太老），进而对它有一个更加直观的理解。

1. 优化举例

为了方便大家理解Tez的优化效果，接下来给出两个例子 予以说明。

（1）MRR*应用

比如以下Hive SQL会翻译成两个MR作业，而采用Tez则生成一个DAG作业，可大大减少磁盘IO：

SELECT DeptName, COUNT(*) as c FROM EmployeeTable GROUP BY DeptName ORDER BY c;

（2）Join应用

比如以下Hive SQL会翻译成四个MR作业，而采用Tez则生成一个DAG作业，可大大减少磁盘IO：

SELECT a.state, COUNT(*), AVERAGE(c.price)

FROM a

JOIN b ON(a.id = b.id)

JOIN c ON(a.itemId = c.itemId)

GROUP BY a.state

2. 术语介绍

可类比数据库中的概念理解这些术语，比如数据库中的逻辑计划和物理计划：Job Vertex、Job Edge和Static Plan属于逻辑计划概念；Vertex、Edge和Dynamic Plan属于物理计划概念。

（1）Job Vertex：作业规划中的一个阶段（Stage）；

（2） Job Edge：两个不同Job Vertex之间的逻辑关联；

（3） Vertex: 运行时生成的物化阶段，由若干个可以执行的Task构成；

（4） Edge: Task之间数据移动方式；

（5） Task: 能够完成计算任务的线程，实际运行在YARN Container中；

（6） Task cardinality: 任务基数，即Vertex产生的Task数目

（7）  Static plan: 作业提交时确定的逻辑执行计划

（8） Dynamic plan:在ApplicationMaster执行时产生的物理执行计划

3. Tez中的通信类型

（1） 1对于1

第一阶段中的任务按照1:1的映射关系将数据传递给下一个阶段中的任务，典型应用是hash join，如下图所示：

（2） 1对于N

第一阶段中的每个任务会产生N份数据（N是下一个阶段中的任务数目），每份数据由下一个阶段的一个任务读取，这类似与MapReduce的Shuffle阶段，具体有两种实现方式：

方式1：每个任务产生的N份数据放到N个文件中，供下一个阶段的任务直接获取，这种方式可能产生过多的文件，可能难以扩展到上千个任务的场景；

方式2：每个任务产生的N份数据放放到一个文件中，并增加一个索引文件记录每份数据中偏移量，这种方式的扩展性非常好，Hadoop MapReduce正是采用了这种实现（设计之初，Hadoop MapReduce层采用方式1中的方案）。

4. Tez新引入的优化机制

（1） 动态确定任务基数

DAG中每个Vertex需启动一定数目的任务并行处理对应的数据，Tez可根据用户设置的策略动态确定每个Vertex需启动的任务数，比如根据数据量、最大并发数等。

（2）解决数据倾斜问题

数据倾斜是分布式计算中影响数据处理效率的最大顽疾之一，很多工作在这方面开展但一直没有非常好的解决方案。目前看来，比较有效的方案是在应用程序层解决，即用户根据实际数据特点编写最有效的应用程序，尽可能避免数据倾斜问题。

数据倾斜的一种典型场景是大批量的数据的key值是相同的，这使得按key划分数据后，大量数据落到一个任务上，从而使得该任务成为“拖后腿”任 务，甚至导致运行失败。为了解决该问题，在数据引擎层面，Tez可根据每个任务的处理数据量调整占用的资源，对于那些处理数据量大的任务，可多分配一些资 源。

5. Tez未来发展

在将来，Tez将增加以下几个特性：

（1） 任务抢占，即可通过资源抢占的方式，让优先级更高的任务优先运行；

（2） 任务执行断点检查，通过对任务执行过程记录断点，可在任务失败时从断点恢复运行，以避免任务重算（这个功能难度很大）；

（3） ApplicationMaster执行断点检查，这个可借鉴MapReduce ApplicationMaster实现，就目前YARN的架构设计而言，只能做到（ApplicationMaster失败后）已经完成的任务不重新计 算，对于正在运行的任务需重新计算；

（4） 应用程序的Container重用，同一个应用程序的多个任务可重用一个Container中，该功能是一个非常重要的feature，很多YARN上框架都在做！

（5）  不同应用程序的Container重用，即不同应用程序的多个任务可重用一个Container，这个功能难度较大！

6. 参考资料

（1）Tez官方网站：http://tez.incubator.apache.org/

（2）Tez官方文档：https://issues.apache.org/jira/secure/attachment/12588887/Tez%20Design%20v1.1.pdf

（3）Tez SVN：https://issues.apache.org/jira/browse/TEZ

参考：

http://dongxicheng.org/mapreduce-nextgen/apache-tez-newest-progress/