第五章-分布式并行编程框架MapReduce

文章目录

第五章-分布式并行编程框架MapReduce
- MapReduce概述
- - 分布式并行编程
  - MapReduce模型和函数
- MapReduce体系结构
- MapReduce工作流程
- - 工作流程概述
  - 各个执行阶段
  - shuffle过程
- 实例分析：WordCount
- MapReduce的具体应用
- MapReduce编程实践

MapReduce概述

分布式并行编程

过去很长一段时间，CPU的性能都遵循“摩尔定律”：【当价格不变时，集成电路上可容纳的元器件的数目，约每隔18个月便会增加一倍，性能也将提升一倍】。从2005年开始摩尔定律逐渐失效，需要处理的数据量快速增加，人们开始借助于分布式并行编程来提高程序性能。

分布式并行程序运行在大规模计算机集群上，可以并行执行大规模数据处理任务，从而获得海量的计算能力。同时通过向集群中增加新的计算节点，就能很容易地实现集群计算能力的扩充。

谷歌公司最先提出了分布式并行编程模型 MapReduce，Hadoop MapReduce是它的开源实现。谷歌的 MapReduce运行在分布式文件系统 GFS上，Hadoop MapReduce运行在分布式文件系统 HDFS上。相对而言，Hadoop MapReduce要比谷歌 MapReduce的使用门槛低很多，程序员即使没有任何分布式编程开发经验，也可以很轻松地开发出分布式程序部署到计算机集群上。

	集群的架构	容错性	硬件价格及扩展性	编程和学习难度	适用场景
传统并行编程框架	通常采用共享式架构（共享内存、共享存储），底层通常采用统一的存储区域网络SAN	容错性差，其中一个硬件发生故障容易导致整个集群不可工作	通常采用刀片服务器，高速网络以及共享存储区域网络 SAN，价格高，扩展性差	编程难度大，需要解决做什么和怎么做的问题，编程原理和多线程编程逻辑类似，需要借助互斥量、信号量、锁等机制，实现不同任务之间的同步和通信	适用于实时、细粒度计算，尤其适用于计算密集型的应用
MapReduce	采用典型的非共享式架构	容错性好，在整个集群中每个节点都有自己的内存和存储，任何一个节点出现问题不会影响其他节点正常运行，同时系统中设计了冗余和容错机制	整个集群可以随意增加或减少相关的计算节点，普通PC机就可以实现，价格低廉，扩展性好	编程简单，只需要告诉系统要解决什么问题，系统自动实现分布式部署，屏蔽分布式同步、通信、负载均衡、失败恢复等底层细节	一般适用于非实时的批处理及数据密集型应用

MapReduce模型和函数

MapReduce将复杂的、运行于大规模集群上的并行计算过程高度地抽象到了两个函数：Map和Reduce。

MapReduce采用“分而治之”策略，一个存储在分布式文件系统中的大规模数据集，会被切分成许多独立的分片（split），这些分片可以被多个 Map任务并行处理。MapReduce框架会为每个 Map任务输入一个数据子集，Map任务生成的结果会继续作为 Reduce任务的输入，最终由 Reduce任务输出最后结果，并写入分布式文件系统。

这里要特别强调一下，适合用 MapReduce来处理的数据集需要满足一个前提条件：待处理的数据集可以分解成许多个小的数据集，而且每一个小数据集都可以完全并行地进行处理。

MapReduce设计的一个理念就是“计算向数据靠拢”，而不是“数据向计算靠拢”，因为，移动数据需要大量的网络传输开销，在大规模数据环境下开销更为惊人。所以，移动计算要比移动数据更加经济。

MapReduce框架采用了Master/Slave架构，包括一个 Master和若干个Slave。Master上运行JobTracker， Slave上运行TaskTracker。

Map函数和 Reduce函数都是以<key, value>作为输入，按一定的映射规则转换成另一个或一批<key, value>进行输出。

函数	输入	输出	说明
Map	<k1,v1>	List(<k2,v2>)	将小数据集（split）进一步解析成一批<key,value>对，输入 Map函数中进行处理。每一个输入的<k1,v1>会输出一批<k2,v2>，<k2,v2>是计算的中间结果
Reduce	<k2,List(v2)>	<k3,v3>	输入的中间结果<k2,List(v2)>中的 List(v2)表示是一批属于同一个 k2的 value

Map函数将输入的元素转换成<key,value>形式的键值对，键和值的类型也是任意的。
Reduce函数将输入的一系列具有相同键的键值对以某种方式组合起来，输出处理后的键值对，输出结果合并为一个文件。

MapReduce体系结构

MapReduce体系结构主要由四个部分组成，分别是： Client、JobTracker、TaskTracker以及 Task。

Client：

用户编写的 MapReduce程序通过 Client提交到 JobTracker端
用户可通过 Client提供的一些接口查看作业运行状态

JobTracker：

负责资源监控和作业调度
监控所有 TaskTracker与 Job的健康状况，一旦发现失败，就将相应的任务转移到其他节点
会跟踪任务的执行进度、资源使用量等信息，并将这些信息告诉任务调度器（TaskScheduler），而调度器会在资源出现空闲时，选择合适的任务去使用这些资源
调度器是一个可插拔的模块，用户可以根据自己的实际应用要求设计调度器

TaskTracker：

接收 JobTracker 发送过来的命令并执行相应的操作（如启动新任务、杀死任务等）
TaskTracker 会周期性地通过“心跳”将本节点上资源的使用情况和任务的运行进度汇报给 JobTracker
TaskTracker 使用“slot”等量划分本节点上的资源量（CPU、内存等）。一个 Task 获取到一个 slot 后才有机会运行，而 Hadoop调度器的作用就是将各个 TaskTracker上的空闲 slot分配给 Task使用。 slot 分为 Map slot 和 Reduce slot 两种，分别供 MapTask 和 Reduce Task 使用

Task：

Task 分为Map Task 和Reduce Task 两种，均由TaskTracker 启动

MapReduce工作流程

工作流程概述

MapReduce的核心思想是“分而治之”。一个大的 MapReduce作业，首先会被拆分成许多个 Map任务在多台机器上并行处理，每个 Map任务通常运行在数据存储的节点上。当 Map任务结束后，会生成以<key,value>形式表示的中间结果，这些中间结果会被分发到多个 Reduce任务在多台机器上并行执行，具有相同 key的<key,value>会被发送到同一个 Reduce任务那里。Reduce任务会被中间结果进行汇总计算得到最后结果，并输出到分布式文件系统中。

不同的 Map任务之间不会进行通信，不同的 Reduce任务之间也不会发生任何信息交换
只有当 Map任务全部结束后，Reduce过程才能开始
用户不能显式地从一台机器向另一台机器发送消息
所有的数据交换都是通过 MapReduce框架自身去实现的
Map任务的输入文件、Reduce任务的处理结果都是保存在分布式文件系统中，而 Map任务处理的中间结果保存在本地磁盘中。

各个执行阶段

MapReduce算法的执行过程：

使用 InputFormat模块做 Map前的预处理，然后将输入文件切分为逻辑上的多个 InputSplit，每个 InputSplit并没有对文件进行实际切割，只是记录了要处理的位置和长度。
通过 RecordReader（RR）根据 InputSplit中的信息来处理 InputSplit中的具体记录，加载数据并转换为适合 Map任务读取的键值对，输入给 Map任务。
Map任务根据用户自定义的映射规则，输出一系列<key,value>作为中间结果。
为了让 Reduce可以并行处理 Map的结果，需要对 Map的输出进行一定的分区（Partition）、排序（Sort）、合并（Combine）、归并（Merge）等操作，得到<key,value-list>形式的中间结果，再交给对应的 Reduce进行处理。这个过程将无序的<key,value>处理成了有序的<key,value-list>，成为 shuffle。
Reduce以一系列的<key,value-list>作为输入，执行用户定义的逻辑，输出结果给 OutputFormat模块。
OutputFormat模块验证输出目录是否已经存在、输出结果类型是否符合配置文件中的配置类型。如果都满足，输出 Reduce的结果到分布式文件系统。

shuffle过程

Shuffle：是指对 Map输出的结果进行分区、排序、合并、归并等处理并交给 Reduce的过程，分为 Map端的操作和 Reduce端的操作。

Map端的 Shuffle过程	Reduce端的 Shuffle过程
输入数据和执行Map任务写入缓存溢写 (Spill) 文件归并 (merge)	“领取” (Fetch) 数据归并数据

实例分析：WordCount

WordCount程序任务

WordCount	说明
输入	一个包含大量单词的文本文件
输出	文件中每个单词及其出现次数（频数），并按照单词字母顺序排序，每个单词和其频数占一行，单词和频数之间有间隔

一个WordCount执行过程的实例

Map过程示意图	用户没有定义Combiner时的Reduce过程示意图	用户有定义Combiner时的Reduce过程示意图

MapReduce的具体应用

MapReduce可以很好地应用于各种计算问题：

关系代数运算（选择、投影、并、交、差、连接）
分组与聚合运算
矩阵-向量乘法
矩阵乘法

在 MapReduce环境下执行两个关系的连接操作的方法如下：

假设关系 R(A,B)，S(B,C)都存储在一个文件中，为了连接这些关系，必须把来自每个关系的各个元组都和一个键关联，这个键就是属性 B的值。可以使用 Map过程把来自 R的每个元组<a,b>转换成一个键值对<b,<R,a>>，其中的键就是 b，值就是<R,a>。注意，这里把关系 R包含在值中，这样做可以使得我们在 Reduce阶段只把那些来自 R的元组和来自 S的元组进行匹配。

类似地，使用 Map过程把来自 S的每个元组<b,c>转换成一个键值对<b,<S,c>>，键是 b，值是<S,c>。Reduce进程的任务就是，把来自关系 R和 S的具有共同属性 B值的元组进行合并。这样，所有具有特定 B值的元组必须被发送到同一个 Reduce进程。

MapReduce编程实践

任务要求：用 MapReduce实现对输入文件中的单词做词频统计

实践一共分为四步：

编写 Map处理逻辑
编写 Reduce处理逻辑
编写 Main函数
编译打包代码

1.编写 Map处理逻辑

public static class TokenizerMapperextends Mapper<Object, Text, Text, IntWritable> {private final static IntWritable one = new IntWritable(1);private Text word = new Text();public void map(Object key, Text value, Context context) throws IOException, InterruptedException {StringTokenizer itr = new StringTokenizer(value.toString());while (itr.hasMoreTokens()) {word.set(itr.nextToken());context.write(word, one);}}
}

2.编写 Reduce处理逻辑

public static class IntSumReducerextends Reducer<Text, IntWritable, Text, IntWritable> {private IntWritable result = new IntWritable();public void reduce(Text key, Iterable<IntWritable> values,Context context) throws IOException, InterruptedException {int sum = 0;for (IntWritable val : values) {sum += val.get();}result.set(sum);context.write(key, result);}
}

3.编写 Main函数

public static void main(String[] args) throws Exception {Configuration conf = new Configuration();String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();if (otherArgs.length < 2) {System.err.println("Usage: wordcount <in> [<in>...] <out>");System.exit(2);}Job job = Job.getInstance(conf, "word count");job.setJarByClass(WordCount.class);job.setMapperClass(TokenizerMapper.class);job.setCombinerClass(IntSumReducer.class);job.setReducerClass(IntSumReducer.class);job.setOutputKeyClass(Text.class);job.setOutputValueClass(IntWritable.class);for (int i = 0; i < otherArgs.length - 1; ++i) {FileInputFormat.addInputPath(job, new Path(otherArgs[i]));}FileOutputFormat.setOutputPath(job,new Path(otherArgs[otherArgs.length - 1]));System.exit(job.waitForCompletion(true) ? 0 : 1);
}

编译打包代码请参考另一篇博客简单的MapReduce实践

完整代码：

import java.io.IOException;
import java.util.StringTokenizer;import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;public class WordCount {public static class TokenizerMapperextends Mapper<Object, Text, Text, IntWritable> {private final static IntWritable one = new IntWritable(1);private Text word = new Text();public void map(Object key, Text value, Context context) throws IOException, InterruptedException {StringTokenizer itr = new StringTokenizer(value.toString());while (itr.hasMoreTokens()) {word.set(itr.nextToken());context.write(word, one);}}}public static class IntSumReducerextends Reducer<Text, IntWritable, Text, IntWritable> {private IntWritable result = new IntWritable();public void reduce(Text key, Iterable<IntWritable> values,Context context) throws IOException, InterruptedException {int sum = 0;for (IntWritable val : values) {sum += val.get();}result.set(sum);context.write(key, result);}}public static void main(String[] args) throws Exception {Configuration conf = new Configuration();String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();if (otherArgs.length < 2) {System.err.println("Usage: wordcount <in> [<in>...] <out>");System.exit(2);}Job job = Job.getInstance(conf, "word count");job.setJarByClass(WordCount.class);job.setMapperClass(TokenizerMapper.class);job.setCombinerClass(IntSumReducer.class);job.setReducerClass(IntSumReducer.class);job.setOutputKeyClass(Text.class);job.setOutputValueClass(IntWritable.class);for (int i = 0; i < otherArgs.length - 1; ++i) {FileInputFormat.addInputPath(job, new Path(otherArgs[i]));}FileOutputFormat.setOutputPath(job,new Path(otherArgs[otherArgs.length - 1]));System.exit(job.waitForCompletion(true) ? 0 : 1);}
}