MapReduce初探

转自 ：http://blog.itpub.net/28912557/viewspace-1127423/

Map-Reduce处理过程（分析气象数据的map-reduce过程）

1，调用标准的input类（默认TextInputFormat），将输入数据转化成标准的样式，成为map的输入。
2，map过程，提取出需要的数据，这里提取出年份、温度这两个数据，输出成key-value对（标准样式）
3，系统自动进行shuffle过程。把key相同的行聚合在一起，输出为key-数据集合（或者数组），成为reduce的输入
4，reduce过程，对数据集合处理，求得温度最大值。
5，reduce输出，调用output类（默认TextOutputFormat）写入HDFS文件。

一般完成Map-Reduce最基本需要3段程序：Map、Reduce、作业调度器。

Map-Reduce编程模型

分片的问题：
1，分片非常接近物理块边界
2，通常每个分片对应一个task
3，通过分片实现计算数据本地化，减少数据的网络传输
4，分片包含的数据未必都在本地，所以计算任务可能存在少量的数据网络传输

Mapper
1，Map-reduce的思想就是“分而治之”
2，Mapper负责“分”，即把复杂的任务分解为若干个“简单的任务”执行
3，“简单的任务”有几个含义：1 数据或计算规模相对于原任务要大大缩小；2 就近计算，即会被分配到存放了所需数据的节点进行计算；3 这些小任务可以并行计算，彼此间几乎没有依赖关系

Reducer
1，对map阶段的结果进行汇总
2，Reducer的数目由mapred-site.xml配置文件里的项目mapred.reduce.tasks决定。缺省值为1，用户可以覆盖之

性能调优
1，究竟需要多少个reducer？
2，输入：大文件优于小文件
3，减少网络传输：压缩map的输出。（combiner）
4，优化每个节点能运行的任务数：mapred.tasktracker.map.tasks.maximum和mapred.tasktracker.reduce.tasks.maximum （缺省值均为2）

Map-Reduce的工作机制

调度机制
缺省为先入先出作业队列调度
支持公平调度器
支持容量调度器

任务执行优化
1，推测式执行：即如果jobtracker发现有拖后腿的任务，会再启动一个相同的备份任务，然后哪个先执行完就会kill去另外一个。因此在监控网页上经常能看到正常执行完的作业有被kill掉的任务
2，推测式执行缺省打开，但如果是代码问题，并不能解决问题，而且会使集群更慢，通过在mapred-site.xml配置文件中设置mapred.map.tasks.speculative.execution和mapred.reduce.tasks.speculative.execution可为map任务或reduce任务开启或关闭推测式执行
3，重用JVM，可以省去启动新的JVM消耗的时间，在mapred-site.xml配置文件中设置mapred.job.reuse.jvm.num.tasks设置单个JVM上运行的最大任务数（1，>1或-1表示没有限制）
4，忽略模式，任务在读取数据失败2次后，会把数据位置告诉jobtracker，后者重新启动该任务并且在遇到所记录的坏数据时直接跳过（缺省关闭，用SkipBadRecord方法打开）

错误处理机制：硬件故障
1，硬件故障是指jobtracker故障或tasktracker故障
2，jobtracker是单点，若发生故障目前hadoop还无法处理，唯有选择最牢靠的硬件作为jobtracker
3，Jobtracker通过心跳（周期1分钟）信号了解tasktracker是否发生故障或负载过于严重
4，Jobtracker将从任务节点列表中移除发生故障的tasktracker
5，如果故障节点在执行map任务并且尚未完成，jobtracker会要求其它节点重新执行此map任务
6，如果故障节点在执行reduce任务并且尚未完成，jobtracker会要求其它节点继续执行尚未完成的reduce任务

错误处理机制：任务失败
1，由于代码缺陷或进程崩溃引起任务失败
2，Jvm自动退出，向tasktracker父进程发送方错误信息，错误信息也会写入到日志
3，Tasktracker监听程序会发现进程退出，或进程很久没有更新信息送回，将任务标记为失败
4，标记失败任务后，任务计数器减去1以便接受新任务，并通过心跳信号告诉jobtracker任务失败的信息
5，Jobtrack获悉任务失败后，将把该任务重新放入调度队列，重新分配出去再执行
6，如果一个任务失败超过4次（可以设置），将不会再被执行，同时作业也宣布失败

一些技巧
1，选择reducer的个数（权威指南中文版第二版第195页）
默认为1，可以在代码中JobConf.setNumReducerTaks来设置reducer的个数。
reducer的最优个数与集群中可用的reducer任务槽数相关，总槽数由集群中节点数与每个节点的任务槽数相乘得到。
假如节点有8个处理器，计划在每个处理器上跑2个进程，则可将mapred.tasktracker.map.tasks.maximum和mapred.tasktracker.reduce.tasks.maximum的值分别设置为7（考虑还有datanode和tasktracker这2个进程，这2项值不可以设置为8）

2，Hadoop流中的key, value和分隔符（权威指南中文版第二版第197页）
3，控制分片的大小（权威指南中文版第二版第202页）
4，避免切分（权威指南中文版第二版第205页）
5，原始数据使用分隔符区分key-value时的输入（权威指南中文版第二版第211页）
KeyValueTextInputFormat，默认使用制表符来划分key-value，可以使用job.set("key.value.separator.in.input.line",",")来改变key-value分隔符

6，XML文件的输入（权威指南中文版第二版第213页） 
7， 二进制数据输入（权威指南中文版第二版第213页）
8， Mapper输出多种不同类型的value
9，统计作业运行信息——计数器使用（权威指南中文版第二版第225页）

Map-Reduce开发场景
1，数据去重（Hadoop实战104页）
利用系统自身的shuffle过程，自动对key合并，在reduce中只需把key提取出来即可。

2，排序（Hadoop实战107页）
同上，key已经就是排过序的

3，单表关联（自连接）（Hadoop实战109页）
利用连接列作为key，实现连接列相等匹配的目的，每个Map产生2行输出，这2行中有连接条件，用数字1标识左表，数字2标识右表，经过shuffle过程，key成为连接条件。