内容
mapreduce原语（独创）
mapreduce工作流程（重点）
MR作业提交流程（重点）
YARN RM-HA搭建（熟练）
运行自带的wordcount（了解）
动手写wordcount（熟练）
MapReduce原语
hadoop MapReduce框架可以让你的应用在集群中
可靠地
容错地
并行
处理TB级别的数据
1024TB=1PB 1024PB=1EB 1024EB=1ZB
MapReduce原语
“相同”key的键值对为一组调用一次reduce方法，方法内迭代这一组数据进行计算
分组比较器
YARN:资源管理框架
ResourceManager：一个 主
NodeManager：很多，每个DataNode上有一个 从
Container（容器）：CPU、内存
公司为了营业，挣钱租老王家的写字楼
公司相当于MR作业
MR任务相当于公司员工，员工干活，相当于MR的任务运行。
员工在办公室干活，任务在容器运行。
每个容器同时运行一个任务
客人提出订几间房
1、一个ResourceManager主节点
2、每个DataNode上一个NodeManager从节点
3、每个运行于MapReduce的程序有一个MRAppMaster
公司的运作流程
1、MapReduce将输入的数据集逻辑切片 split
2、map任务以并行方式处理切片数据
3、框架对map输出排序，然后将数据发送给reduce
4、MapReduce的输入输出数据存在于同一个文件系统（HDFS）
5、框架负责任务调度、任务监控和失败任务的重新执行
容错地、可靠地、并行计算
1、MapReduce处理键值对形式的很多键值对输入，生成键值对形式的很多键值对输出
2、框架会对键和值序列化，因此键类型和值类型需要实现Writable接口。框架会对键进行排序，因此必须实现WritableComparable接口。
3、map输出键值对类型和reduce键值对输入类型一致
4、map的输入键值对类型和输出键值对类型一般不一致
5、reduce的输入键值对类型和输出键值对类型一般不一致
尽管hadoop框架是java开发的，MapReduce应用不一定得java开发。
hadoop streaming允许用户使用可执行文件的方式提供mapper和reducer，创建和执行作业。
hadoop pipes是一个跟SWIG兼容的C++ API，用于开发MapReduce应用（不基于JNI）。
mapreduce工作流程
为什么叫MapReduce：MapTask & ReduceTask
1、每个block会有map任务
2、block切分为切片，每个切片对应一个map任务，默认一个block一个切片，一个map
3、map默认按行读取切片数据，组成键值对<当前行字节偏移量, "读到的行字符串">
4、map函数对该键值对进行计算，输出若干键值对。<key, value, partition>
partition指定该键值对由哪个reducer进行处理
5、map输出的kvp写到环形缓冲区，环形缓冲区默认100MB，阈值80%，当环缓达到80%就向磁盘溢写小文件，该小文件首先按照分区号排序，相同分区号的按key进行排序。
6、默认如果落磁盘的小文件达到了3个，则进行归并，归并的大文件也是按分区号排序，相同分区号按照key进行排序。只是一个归并。
7、如果map任务处理完了，它的输出被下载到reducer所在主机
按照HTTP GET的方式下载到reducer：
reducer发送HTTP GET请求到mapper主机下载数据，该过程是洗牌shuffle
8、每个map任务都要经历运行结束洗牌的过程
9、可以设置combinClass，先在map端对数据进行一个压缩，比如10w个<hello,1>压缩为1个<hello, 10w>通过网络IO洗牌，肯定要快很多。一般情况下，combineClass就是一个reducerClass。
combinerClass的设置要求数据算法满足结合律。
交换律
1+2=2+1
结合律
1+2+3=(1+2)+3=1+(2+3)
map1 5/3
map2 7/6 reduce: 5/3+7/6+8/11 =? reduce:（5+7+8）/(3+6+11)
map3 8/11
map任务结束
reeduce任务开始
9、等所有map任务都运行结束，并且洗牌结束，每个reducer获取到它自己应得的所有数据，此时开始reducer处理过程。
10、如果有时间，reduce会对洗牌获取的数据进行归并落磁盘
如果没有时间，也归并，只是可能不落磁盘，直接交给reduce方法进行迭代处理了。
洗牌获取到的数据也可能不落磁盘，此时归并的键值对来源可能是磁盘的和内存的一个混合。
11、reduce按照key进行分组，每个分组调用一次reduce方法，该方法迭代计算，将结果写到HDFS输出。
当一个map任务计算结束，所有的reduce需要使用http get请求获取各自分区编号的数据，当所有map任务结束后，开始reduce计算阶段。
blk按照设置进行切片，一个切片对应一个map任务，map按行读取切片内容，以键值对的形式发给map方法（<"偏移量"， “zifuchuan”>）
当map对当前简直对计算完成，要写到环形缓冲区，在写之前要计算该键值对的分区编号
默认情况下，key的hash值对reduce个数取模。
当环形缓冲区大小达到到80%的时候，需要向磁盘溢写数据，在溢写的时候需要对键值对按照分区排序，分区内按照key的字典序排序（快排排序）
溢写的小文件如果达到3个，则进行归并，归并为大文件，大文件也是按照分区排序，分区内按照key的字典序排序。
当一个map任务处理完它的切片的数据，此时所有的reduce任务到该map的机器以http get请求获取各自编号分区的数据，下载到reduce本地
reduce获取到map的数据后，如果有时间，也会进行归并
并不能保证此时所有的map都计算结束了。
只有当所有的map计算结束，同时reduce获取到所有的数据之后，才开始进行reduce计算。
按照原语，相同key的键值对为一组，调用一次reduce方法，方法内迭代这组数据计算，结果输出到HDFS中。
mapreduce是一套分布式计算的流程、框架
数单词游戏：
getFileBlockLocations(new Path(), offset, len);
reduce从map端拉取数据的过程称为洗牌shuffle
通过网络拉取，慢！！！
要对map端数据进行压缩：
Combiner：
<hello, 1> 1000万个 <hello, 1000万>
但是不能保证combiner什么时候都能用：
需要计算满足结合律：（A+B）+C=A+(B+C)
job.setCombinerClass(MyReducer.class)
8/9
4/7 REDUCE: (8+4+2)/(9+7+11)
2/11
也不能保证combiner什么时候都用得上：
环形缓冲区小文件归并，进行combiner，如果不归并，没有combiner过程。
reducer通过HTTP按照分区号获取map输出文件的数据。map端有一个HTTP服务处理该reducer的HTTP请求。该HTTP服务最大线程数由mapreduce.shuffle.Max.threads属性指定。这个属性指定nodemanager的线程数，而不是对map任务指定线程数（该数字在多个不同的任务之间共享），因为nodemanager上有可能运行了好几个map任务。默认值是0，表示最大线程数是服务器处理器核心数的两倍。
map输出文件位于运行map任务的本地磁盘。一个reduce任务需要从集群中多个map任务获取指定分区的数据。多个map任务有可能是在不同时间完成的，每当一个map任务运行完，reduce就从该map任务获取指定分区数据。reduce任务会以多线程的方式从多个map任务并行获取指定分区数据。默认线程数是5，可以通过mapreduce.reduce.shuffle.parallelcopies属性指定。
reducer拷贝map的输出如果很小，则放在内存中（mapreduce.reduce.shuffle.input.buffer.percent指定堆空间百分比）否则拷贝到磁盘。当内存缓冲区数据大小达到阈值（mapreduce.reduce.shuffle.merge.percent
）或map输出文件个数达到阈值（mapreduce.reduce.merge.inmem.threshold
），就发生文件合并溢写到磁盘上。如果指定combiner，此处也会进行combine。
二次排序（先了解）
在map阶段按照key对键值对进行排序，对值不排序。如果相对value进行排序，就需要二次排序。
需求：查找每年的最高气温
数据格式：年份为key，每天的气温是value
所谓二次排序：
1、新的key应该是输入的key和value的组合
2、按照复合key进行比较排序
3、分区比较器和分组比较器只对复合key中的原生key进行分区和分组
总结
Map：
1、根据业务需求处理数据并映射为KV模型
2、并行分布式
3、计算向数据移动
Reduce：
1、数据全量/分量加工
2、Reducer中可以包含不同的key 分区的范围大于分组
3、相同分区的Key汇聚到一个Reducer中
4、“相同”的Key调用一次reduce方法
5、排序和比较实现key的汇聚
K,V使用自定义数据类型 MyKey：WritableComparable
MyValue：Writable
1、节省开发成本，提高程序自由度
2、框架会对键和值序列化，因此键类型和值类型需要实现Writable接口。
3、框架会对键进行排序，因此必须实现WritableComparable接口。
作业：
- mapreduce处理过程，自己的语言写
- java API操作HDFS
MR作业提交流程
YARN
ResourceManager管理集群中所有的资源
通过NodeManager管理
NodeManager通过Container管理资源
Container包装资源:CPU/内存/IO
MapReduce作业
AppMaster 调度
向RM申请资源
MapTask
ReduceTask
客户端：
RM客户端：用于申请资源
AM客户端：用于跟AppMaster交互
YARN：解耦资源与计算
ResourceManager
主，核心
集群节点资源管理
NodeManager
与RM汇报资源
管理Container生命周期
计算框架中的资源都以Container表示
Container：【由节点NM管理，CPU,MEM,I/O大小，启动命令】
内存：1024MB
CPU：1个虚拟核心 vcore
默认NodeManager启动线程监控Container大小，超出申请资源额度，kill
支持Linux内核的Cgroup
MR ：
AppMaster 拥有 RM客户端
作业为单位，避免单点故障，负载到不同的节点
创建Task，需要和RM申请资源（Container）
Task-Container
Map任务
Reduce任务
Client：
RM-Client：请求资源创建AM
AM-Client：与AM交互
YARN：Yet Another Resource Negotiator；
Hadoop 2.0新引入的资源管理系统，直接从MRv1演化而来的；
核心思想：将MRv1中JobTracker的资源管理和任务调度两个功能分开，分别由ResourceManager和ApplicationMaster进程实现
ResourceManager：负责整个集群的资源管理和调度
ApplicationMaster：负责应用程序相关的事务，比如任务调度、任务监控和容错等
YARN的引入，使得多个计算框架可运行在一个集群中
每个应用程序对应一个ApplicationMaster
目前多个计算框架可以运行在YARN上，比如MapReduce、Spark、Storm等
MapReduce On YARN：MRv2
将MapReduce作业直接运行在YARN上，而不是由JobTracker和TaskTracker构建的MRv1系统中
基本功能模块
YARN：负责资源管理和调度
MRAppMaster：负责任务切分、任务调度、任务监控和容错等
MapTask/ReduceTask：任务驱动引擎，与MRv1一致
每个MapRduce作业对应一个MRAppMaster
MRAppMaster任务调度
YARN将资源分配给MRAppMaster
MRAppMaster进一步将资源分配给内部的任务
MRAppMaster容错
失败后，由YARN重新启动
任务失败后，MRAppMaster重新申请资源
ResourceManager挂怎么办？RM-HA
流程
1、客户端，提交MapReduce作业
2、YARN的资源管理器（Resource Manager），协调集群中计算资源的分配
3、YARN的节点管理器（Node Manager），启动并监控集群中的计算容器
4、MapReduce的Application Master，协调MapReduce作业中任务的运行。Application Master和MapReduce任务运行于容器中，这些容器由resourcemanager调度，由nodemanager管理。
5、分布式文件系统（一般是HDFS），在组件之间共享作业数据。
Job对象的submit方法创建了一个内部的JobSubmitter实例并调用该实例的submitJobInternal方法。一旦提交了作业，waitForCompletion方法每秒钟轮询作业的执行进度，如果进度发生了变化，则向控制台报告进度。当作业成功完成，展示作业计数器的数据。否则展示作业失败的错误日志信息。
客户端：JobSubmitter实现的作业提交的过程有如下几个步骤：
1、向resourcemanager申请一个新的application ID，用于MapReduce作业的ID
2、检查作业的输出。如果没有指定输出或者输出路径已经存在，则不提交作业，MapReduce程序抛异常
3、计算作业的输入切片。如果不能计算切片（比如输入路径不存在等），不提交作业，MR程序抛异常。
4、拷贝执行作业需要的资源到共享文件系统的以作业ID命名的目录中，这些资源包括作业的jar包，配置文件，计算好的输入切片。作业的jar包有一个很高的副本数量（mapreduce.client.submit.file.replication指定，默认值是10），这样当nodemanager如果运行作业中的任务，会有很多副本可以访问。
5、调用resourcemanager的submitApplication方法提交作业。
1、YARN为请求分配一个容器，resourcemanager通过容器所在节点上的nodemanager在该容器中启动application master进程。
2、MapReduce作业的application master是一个java app，主入口类是MRAppMaster。从HDFS抽取客户端计算好的输入切片，为每一个切片创建一个map任务对象，以及一定数量的reduce任务对象.
application master会为作业中所有的map任务以及reduce任务向resourcemanager请求容器。为map任务的请求会首先进行并且相对于reduce任务请求有更高的优先级。当map任务完成率达到了5%之后才会为reduce任务发送容器请求。
appmaster从hdfs抽取客户端上传的信息，计算好map对象和reduce对象，首先向resourcemanager为map任务申请资源，当map任务完成5%之后为reduce任务申请资源
reduce任务可以运行于集群中的任意位置，而map任务会有本地读取数据的限制。移动计算而不是数据。数据本地。次之为机架本地。
请求会指定每个任务需要的内存和cpu资源。默认情况下为每个map任务或reduce任务分配1024MB的内存和一个虚拟核心。这些值对于每个作业都是可以配置的：mapreduce.map.memory.mb，
mapreduce.reduce.memory.mb
mapreduce.map.cpu.vcores
以及mapreduce.reduce.cpu.vcores。
一旦resourcemanager在一个节点上的一个容器中为一个任务分配了资源，application master与nodemanager通信，启动容器。任务通过一个java app来执行，该app的主入口类是YarnChild。在它可以开始任务的执行之前，它要本地化任务需要的资源，包括jar包，配置文件，以及分布式缓存中存储的其他共享文件。最后，它开始运行map任务或者reduce任务。
当作业的最后一个任务完成并通知application master，AppMaster就更改作业的状态为”successfully”。作业就打印信息告知客户端，客户端waitForCompletion方法返回。此时也会在控制台打印作业的统计信息和计数器的信息。
作业完成，application master所在容器和任务所在容器销毁工作状态（中间的输出结果删除）。作业的信息被作业历史服务器存档以备以后查询使用。
YARN RM-HA搭建
mapred-site.xml
local/classic/yarn
指定mr作业运行的框架：要么本地运行，要么使用MRv1，要么使用yarn
| <property> <name>mapreduce.framework.name</name> <value>yarn</value> </property> |
yarn-site.xml
| <!-- 让yarn的容器支持mapreduce的洗牌，开启shuffle服务 --> <property> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property> <!-- 启用resourcemanager的HA --> <property> <name>yarn.resourcemanager.ha.enabled</name> <value>true</value> </property> <!-- 给两个resourcemanager组成的HA命名 --> <property> <name>yarn.resourcemanager.cluster-id</name> <value>cluster1</value> </property> <!-- RM HA的两个resourcemanager的名字 --> <property> <name>yarn.resourcemanager.ha.rm-ids</name> <value>rm1,rm2</value> </property> <!-- 指定rm1的reourcemanager进程所在的主机名称 --> <property> <name>yarn.resourcemanager.hostname.rm1</name> <value>node3</value> </property> <!-- 指定rm2的reourcemanager进程所在的主机名称 --> <property> <name>yarn.resourcemanager.hostname.rm2</name> <value>node4</value> </property> <!-- 指定zookeeper集群的各个节点地址和端口号 --> <property> <name>yarn.resourcemanager.zk-address</name> <value>node2:2181,node3:2181,node4:2181</value> </property> |
将配置文件在四台服务器同步
scp node[234]:`pwd`
首先启动HDFS
start-ha.sh
| #!/bin/bash for node in node2 node3 node4 do ssh $node "source /etc/profile; zkServer.sh start" done sleep 1 start-dfs.sh echo "--------------node1-jps----------------" jps for node in node2 node3 node4 do echo "---------------$node-jps-------------------" ssh $node "source /etc/profile; jps" done |
在node3或node4上执行命令：
start-yarn.sh
在node4或者node3上执行命令：
yarn-daemon.sh start resourcemanager
停止：
在node3或者node4上执行：
stop-yarn.sh
在node4或者node3上执行：
yarn-deamon.sh stop resourcemanager
http://node3:8088
http://node4:8088
访问resourcemanager的web页面
运行自带的wordcount
运行的命令：
cd $HADOOP_HOME
cd share/hadoop/mapreduce
hadoop jar hadoop-mapreduce-examples-2.6.5.jar wordcount /input /output
*input:是hdfs文件系统中数据所在的目录
*ouput:是hdfs中不存在的目录，mr程序运行的结果会输出到该目录
输出目录内容：
-rw-r--r-- 3 root supergroup 0 2017-07-02 02:49 /mr/test/output/_SUCCESS
-rw-r--r-- 3 root supergroup 49 2017-07-02 02:49 /mr/test/output/part-r-00000
/_SUCCESS：是信号/标志文件
/part-r-00000：是reduce输出的数据文件
r：reduce的意思，00000是对应的reduce编号，多个reduce会有多个数据文件
启动脚本和停止脚本：
start-hdfs-ha-rm-ha.sh
| #!/bin/bash for node in node2 node3 node4 do ssh $node "source /etc/profile; zkServer.sh start" done sleep 1 start-dfs.sh ssh node3 ". /etc/profile; start-yarn.sh" ssh node4 ". /etc/profile; yarn-daemon.sh start resourcemanager" echo "--------------node1-jps----------------" jps for node in node2 node3 node4 do echo "---------------$node-jps-------------------" ssh $node "source /etc/profile; jps" done |
stop-hdfs-ha-rm-ha.sh
| #!/bin/bash ssh node4 ". /etc/profile; stop-yarn.sh" ssh node3 ". /etc/profile; yarn-daemon.sh stop resourcemanager" stop-dfs.sh for node in node2 node3 node4 do ssh $node "source /etc/profile; zkServer.sh stop" done echo "-------------node1-jps-----------------" jps for node in node2 node3 node4 do echo "---------------$node-jps-----------------" ssh $node "source /etc/profile; jps" done |
动手写wordcount
1、新建eclipse的java项目
2、添加hadoop的jar包依赖
121个jar包
$HADOOP_HOME/share/hadoop/{common,common/lib,hdfs,hdfs/lib,mapreduce,mapreduce/lib,tools/lib,yarn,yarn/lib}.jar
3、添加hadoop的配置文件到类路径
从集群拷贝这四个文件到当前项目类路径
core-site.xml
hdfs-site.xml
mapred-site.xml
yarn-site.xml
4、编写Mapper、Reducer以及MainClass
wordcount
WCMapper.java
| package com.bjsxt.mr.wordcount; import java.io.IOException; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; public class WCMapper extends Mapper<LongWritable, Text, Text, LongWritable> {
private Text outKey = new Text(); private LongWritable outValue = new LongWritable();
@Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
Thread.sleep(9999999999L);
//一句话 hello bjsxt 1 String line = value.toString(); //将一句话按照空格隔开为单个单词 // {"hello", "bjsxt", "1"} String[] words = line.split(" ");
for (String word : words) { outKey.set(word); outValue.set(1); // <"hello", 1> // <"bjsxt", 1> // <"1", 1> context.write(outKey, outValue); }
} } |
WCReducer.java
| package com.bjsxt.mr.wordcount; import java.io.IOException; import java.util.Iterator; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; public class WCReducer extends Reducer<Text, LongWritable, Text, LongWritable> {
private LongWritable outValue = new LongWritable();
@Override protected void reduce(Text key, Iterable<LongWritable> values, Context context) throws IOException, InterruptedException { // key表示的单词出现的次数，总数 long sum = 0; // 获取values的迭代器，用于遍历 Iterator<LongWritable> itera = values.iterator();
//<"zhangsan", 1> //<"zhangsan-0", 1> //<"zhangsan-1", 1> //<"zhangsan-2", 1> //<"zhangsan-3", 1> //<"zhangsan-4", 1>
while (itera.hasNext()) { // 获取该值 LongWritable val = itera.next(); // 将该值转换为long类型 long num = val.get(); // 逐个求和 sum += num; } // 将总数封装为LongWritable类型对象 outValue.set(sum); // 输出到HDFS context.write(key, outValue);
}
} |
MainClass.java
| package com.bjsxt.mr.wordcount; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.JobContext; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; public class MainClass {
public static void main(String[] args) throws Exception {
if (args == null || args.length != 2) { System.out.println("Usage : yarn jar wc.jar com.bjsxt.mr.wordcount.MainClass <input path> <output path>"); System.exit(1); }
Configuration conf = new Configuration(true);
Job job = Job.getInstance(conf); //设置主入口程序 job.setJarByClass(MainClass.class); // 设置作业名称，该名称可以在UI上看到 job.setJobName("我的数单词");
// Path inputPath = new Path("/mr/wc/input/hello.txt"); Path inputPath = new Path(args[0]); //设置输入路径 FileInputFormat.addInputPath(job, inputPath);
// Path outputPath = new Path("/mr/wc/output"); Path outputPath = new Path(args[1]); //指定输出路径，该路径一定不能存在 FileOutputFormat.setOutputPath(job, outputPath);
//指定mapper类 job.setMapperClass(WCMapper.class); //指定reducer类 job.setReducerClass(WCReducer.class);
//map输出键值对的key类型 job.setMapOutputKeyClass(Text.class); //map端输出键值对的value类型 job.setMapOutputValueClass(LongWritable.class);
//提交作业 job.waitForCompletion(true); }
} |
5、打包
只打包三个类就可以。文章来源：https://www.toymoban.com/news/detail-403916.html
6、上传
7、运行
yarn jar </path/to/your/jar.jar> /<inputpath> /<outputpath>文章来源地址https://www.toymoban.com/news/detail-403916.html
到了这里，关于MapReduce概述及工作流程的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
![【Hadoop】- MapReduce概述[5]](https://imgs.yssmx.com/Uploads/2024/04/857929-1.png)
