详解MapReduce中的五大编程模型

前言

我们上一节讲了关于 MapReduce 中的应用场景和架构分析，最后还使用了一个CountWord的Demo来进行演示，关于MapReduce的具体操作。如果还不了解的朋友可以看看上篇文章：初识MapReduce的应用场景（附JAVA和Python代码）

接下来，我们会讲解关于MapReduce的编程模型，这篇文章的主要目的就是讲清楚Mapreduce的编程模型有多少种，它们之间是怎么协调合作的，会尽量从源码的角度来解析，最后就是讲解不同的语言是如何调用Hadoop中的Mapreduce的API的。

MapReduce 编程模型的框架

我们先来看一张图，关于MapReduce的编程模型

用户程序层

用户程序层是指用户用编写好的代码来调用MapReduce的接口层。

工具层
- Job control 是为了监控Hadoop中的MapReduce向集群提交复杂的作业任务，提交了任务到集群中后，形成的任务是一个有向图。每一个任务都有两个方法
  submit()和waitForCompletion(boolean)，submit()方法是向集群中提交作业，然后立即返回，waitForCompletion(boolean)就是等待集群中的作业是否已经完成了，如果完成了，得到的结果可以当作下个任务的输入。
- chain Mapper 和 chain Reducer 的这个模块，是为了用户编写链式作业，形式类似于 Map + Reduce Map *,表达的意思就是只有一个Reduce,在Reduce的前后可以有多个Map
- Hadoop Streaming支持的是脚本语言，例Python、PHP等来调用Hadoop的底层接口,Hadoop Pipes 支持的是 C++来调用。
编程接口层，这一层是全部由Java语言来实现的，如果是Java来开发的话，那么可以直接使用这一层。

详解五种编程模型

InputFormat

作用

对输入进入MapReduce的文件进行规范处理，主要包括InputSplit和RecordReader两个部分。TextOutputFormat是默认的文件输入格式。

InputSplit

这个是指对输入的文件进行逻辑切割，切割成一对对Key-Value值。有两个参数可以定义InputSplit的块大小，分别是mapred.max.split.size（记为minSize）和mapred.min.split.size(记为maxSize)。

RecordReader

是指作业在InputSplit中切割完成后，输出Key-Value对，再由RecordReader进行读取到一个个Mapper文件中。如果没有特殊定义，一个Mapper文件的大小就是由Hadoop的block_size决定的，Hadoop 1.x中的block_size是64M,在Hadoop 2.x中的
block_size的大小就是128M。

切割块的大小

在Hadoop2.x以上的版本中，一个splitSize的计算公式为

splitSize = max\{minSize,min\{maxSize, blockSize\}\}

OutputFormat

作用

对输出的文件进行规范处理，主要的工作有两个部分，一个是检查输出的目录是否已经存在，如果存在的话就会报错，另一个是输出最终结果的文件到文件系统中，TextOutputFormat是默认的输出格式。

OutputCommiter

OutputCommiter的作用有六点：

作业（job）的初始化

//进行作业的初始化，建立临时目录。
//如果初始化成功，那么作业就会进入到 Running 的状态
public abstract void setupJob(JobContext var1) throws IOException;

作业运行结束后就删除作业

//如果这个job完成之后，就会删除掉这个job。
//例如删除掉临时的目录，然后会宣布这个job处于以下的三种状态之一，SUCCEDED/FAILED/KILLED
@Deprecatedpublic void cleanupJob(JobContext jobContext) throws IOException {}

初始化 Task

//初始化Task的操作有建立Task的临时目录
public abstract void setupTask(TaskAttemptContext var1) throws IOException;

检查是否提交Task的结果

//检查是否需要提交Task，为的是Task不需要提交的时候提交出去
public abstract boolean needsTaskCommit(TaskAttemptContext var1) throws IOException;

提交Task

//任务结束的时候，需要提交任务
public abstract void commitTask(TaskAttemptContext var1) throws IOException;

回退Task

//如果Task处于KILLED或者FAILED的状态，这Task就会进行删除掉临时的目录
//如果这个目录删除不了（例如出现了异常后，处于被锁定的状态），另一个同样的Task会被执行
//然后使用同样的attempt-id去把这个临时目录给删除掉，也就说，一定会把临时目录给删除干净public abstract void abortTask(TaskAttemptContext var1) throws IOException;

处理Task Side-Effect File

在Hadoop中有一种特殊的文件和特殊的操作，那就是Side-Eddect File，这个文件的存在是为了解决某一个Task因为网络或者是机器性能的原因导致的运行时间过长，从而导致拖慢了整体作业的进度，所以会为每一个任务在另一个节点上再运行一个子任务，然后选择两者中处理得到的结果最快的那个任务为最终结果，这个时候为了避免文件都输入在同一个文件中，所以就把备胎任务输出的文件取作为 Side-Effect File

RecordWriter

这个是指输出KEY-VALUE对到文件中。

Mapper和Reducer

详解Mapper

InputFormat 为每一个 InputSplit 生成一个 map 任务，mapper的实现是通过job中的setMapperClass(Class)方法来配置写好的map类，如这样

//设置要执行的mapper类
job.setMapperClass(WordMapper.class);

其内部是调用了map(WritableComparable, Writable, Context)这个方法来为每一个键值对写入到InputSplit，程序会调用cleanup(Context)方法来执行清理任务，清理掉不需要使用到的中间值。

关于输入的键值对类型不需要和输出的键值对类型一样，而且输入的键值对可以映射到0个或者多个键值对。通过调用context.write(WritableComparable, Writable)来收集输出的键值对。程序使用Counter来统计键值对的数量，

在Mapper中的输出被排序后，就会被划分到每个Reducer中，分块的总数目和一个作业的reduce任务的数目是一样的。

需要多少个Mapper任务

关于一个机器节点适合多少个map任务，官方的文档的建议是，一个节点有10个到100个任务是最好的，如果是cpu低消耗的话，300个也是可以的，最合理的一个map任务是需要运行超过1分钟。

详解Reducer

Reducer任务的话就是将Mapper中输出的结果进行统计合并后，输出到文件系统中。
用户可以自定义Reducer的数量，使用Job.setNumReduceTasks(int)这个方法。
在调用Reducer的话，使用的是Job.setReducerClass(Class)方法，内部调用的是reduce(WritableComparable, Iterable<Writable>, Context)这个方法，最后，程序会调用cleanup(Context)来进行清理工作。如这样：

//设置要执行的reduce类
job.setReducerClass(WordReduce.class);

Reducer实际上是分三个阶段，分别是Shuffle、Sort和Secondary Sort。

shuffle

这个阶段是指Reducer的输入阶段，系统会为每一个Reduce任务去获取所有的分块，通过的是HTTP的方式

sort

这个阶段是指在输入Reducer阶段的值进行分组，sort和shuffle是同时进行的，可以这么理解，一边在输入的时候，同时在一边排序。

Secondary Sort

这个阶段不是必需的，只有在中间过程中对key的排序和在reduce的输入之前对key的排序规则不同的时候，才会启动这个过程，可以通过的是Job.setSortComparatorClass(Class)来指定一个Comparator进行排序，然后再结合Job.setGroupingComparatorClass(Class)来进行分组，最后可以实现二次排序。

在整个reduce中的输出是没有排序

需要多少个 Reducer 任务

建议是0.95或者是1.75*mapred.tasktracker.reduce.tasks.maximum。如果是0.95的话，那么就可以在mapper任务结束时，立马就可以启动Reducer任务。如果是1.75的话，那么运行的快的节点就可以在map任务完成的时候先计算一轮，然后等到其他的节点完成的时候就可以计算第二轮了。当然，Reduce任务的个数不是越多就越好的，个数多会增加系统的开销，但是可以在提升负载均衡，从而降低由于失败而带来的负面影响。

Partitioner

这个模块用来划分键值空间，控制的是map任务中的key值分割的分区，默认使用的算法是哈希函数，HashPartitioner是默认的Partitioner。

总结

这篇文章主要就是讲了MapReduce的框架模型，分别是分为用户程序层、工具层、编程接口层这三层，在编程接口层主要有五种编程模型，分别是InputFomat、MapperReduce、Partitioner、OnputFomat和Reducer。主要是偏理论，代码的参考例子可以参考官方的例子：WordCount_v2.0

这是MapReduce系列的第二篇，接下来的一篇会详细写关于MapReduce的作业配置和环境，结合一些面试题的汇总，所以接下来的这篇还是干货满满的，期待着就好了。

更多干货，欢迎关注我的公众号：spacedong