将总括大数目的纷繁任务分解成若干简练小任务,mr来自函数式编程中已部分概念.

引子

缘何需要MapReduce?

因为MapReduce能够“分而治之”,将总计大数目标错综复杂任务分解成若干粗略小任务。“简单”的意味是:总括范围变小、就近节点总计数据、并行任务。

下面摆放一张《Hadoop权威指南》的流程图

【一句话版本】

输入文件 ->【map任务】split –> map –> partition –> sort
–> combine(写内存缓冲区) ~~ spill(独立线程写磁盘) –> merge
–> map输出结果  ~~~ 【reduce任务】copy –> merge –>reduce
–> 输出文件

mapreduce是什么?

是一个编程模型, 分为map和reduce. map接受一条record,
将这条record举办各样想要获得的变换输出为中等结果,
而reduce把key相同的中等结果放在一起(key, iterable value list),
举办联谊输出0个或者1个结果.

Map阶段

split:文件首先会被切除成split,split和block的涉嫌是1:1要么N:1,如下图所示。

map :

M个map任务先河并行处理分配到的五个split数据。输出数据格式如
<k,v>。

Partition:

功用:将map阶段的输出分配给相应的reducer,partition数 == reducer数

默认是HashPartitioner。之后将出口数据<k,v,partition>写入内存缓冲区memory
buff。

spill:

当memory
buff的多少到达一定阈值时,默认80%,将出发溢写spill,先锁住这80%的内存,将这一部分数额写进本地磁盘,保存为一个临时文件。此阶段由单独线程控制,与写memory
buff线程同步举办。

sort & combine:

在spill写文件往日,要对80%的数据(格式<k,v,partition>)举办排序,先partition后key,保证每个分区内key有序,如果job设置了combine,则再开展combine操作,将<aa1,2,p1>
<aa1,5,p1> 这样的多少统一成<aa1,7,p1>。
最后输出一个spill文件。

merge:

五个spill文件通过多路归并排序,再统一成一个文件,这是map阶段的结尾输出。同时还有一个索引文件(file.out.index),记录每个partition的开首地方、长度。

mapreduce(mr)不是什么

mr不是一个新定义, mr来自函数式编程中已部分概念.
Google对mr做出的进献不在于创设了这多少个编程模板,
而是把mr整合到分布式的储存和职责管理中去, 实现分布式的总计.
所以就mr而言,重点并不在这么些编程模板上, 而是咋样通过分布式去落实mr的.
这是我接下去要关心的重点.

reduce阶段

copy:多线程并发从各类mapper上拉属于本reducer的数据块(遵照partition),获取后存入内存缓冲区,使用率达到阈值时写入磁盘。

merge:从来启动,由于不同map的出口文件是未曾sort的,由此在写入磁盘前需要merge,知道没有新的map端数据写入。最终启动merge对具有磁盘中的数据统一排序,形成一个终极文件作为reducer输入文件。至此shuffle阶段停止。

reduce:和combine类似,都是将同一的key合并总计,最后结出写到HDFS上。

一个mr过程的overview:

由此分割[1],
输入数据变成一个有M个split的子集(每一个split从16M到64M见仁见智[2]).
map函数被分布到多台服务器上去执行map任务.
使得输入的split可以在不同的机器上被并行处理.

map函数的出口通过用split函数来划分中间key, 来形成R个partition(例如,
hash(key) mod R), 然后reduce调用被分布到多态机器上去.
partition的数量和分割函数由用户来指定.

一个mr的完好过程:

1> mr的库首先划分输入文件成M个片, 然后再集群中开始大量的copy程序

2> 那么些copy中有一个奇特的: 是master. 此外的都是worker.
有M个map任务和R个reduce任务将被分配.
mater会把一个map任务仍然是一个reduce任务分配给idle worker(空闲机器).

3> 一个被分配了map任务的worker读取相关输入split的内容.
它从输入数据中分析出key/value pair,
然后把key/value对传递给用户自定义的map函数, 有map函数暴发的中级key/value
pair被缓存在内存中

4> 缓存到内存的中kv paoir会被周期性的写入当地磁盘上. 怎么写?
通过partitioning function把他们写入R个分区. 这多少个buffered
pair在地面磁盘的岗位会被传到给master.
master会在背后把这几个职务转发给reduce的worker.

5> 当reduce的worker接收到master发来的岗位信息后,
它通过远程访问来读map worker溢写到磁盘上的数据. 当reduce
worker把具有的中游结果都读完了随后, 它要遵照中间结果的key做一个sort
–> 那样的话, key相同的record会被group到一起. 这么些sort是必须的,
因为普通相同的reduce task会收到不少不同的key(假设不做sort,
就没法把key相同的record group在一齐了). 如若中间结果太大跨越了内存容量,
需要做一个外表的sort.

6> reducer worker会对每一个unique key举行一次遍历, 把每一个unique
key和它corresponding的value list传送给用户定义的reduce function中去.
reduce的出口被append到这么些reduce的partition的结尾的出口文件中去

7> 当所有的map任务和reduce任务都做到后, master结点会唤醒user program.
这么些时候, 在user program中的对mapreduce的call会重返到用户的code中去.

说到底, mr执行的出口会被分到R个出口文件中去(每个reduce输出一个partition,
共R个.) 通常来讲, 用户不需要把这R个出口文件合并成一个,
因为他们平日会被当作下一个mapreduce程序的输入.
或者是经过另外程序来调用他们,
那些程序必须可以handle有五个partition作为输入的意况.

master的数据结构:
master维护的重要是metadata.
它为每一个map和reduce任务存储他们的动静(idle, in-progress,
or completed).
master就像一个管道,通过它,中间文件区域的地方从map任务传递到reduce任务.由此,对于每个完成的map任务,master存储由map任务暴发的R个中间文件区域的分寸和地点.当map任务到位的时候,地方和大小的翻新消息被接受.这一个信息被逐级增多的传递给这么些正在干活的reduce任务.

Fault Tolerance

谬误分为2中 worker的故障和master的故障.

worker故障:

master会周期性的ping每个worker.
如若在一个缺陷的时光段内没有接受worker重临的消息,
master会把这些worker标记成失效. 失利的天职是何许重做的呢?
每一个worker完成的map任务会被reset为idle的事态,
所以它可以被布置给任何的worker.
对于一个failed掉的worker上的map任务和reduce任务,
也通同样可以经过这种模式来处理.

master失败:

master只有一个, 它的挫折会招致single point failure. 就是说,
如若master战败, 就会停下mr总结. 让用户来检查这么些状态,
遵照需要再度履行mr操作.

在错误面前的拍卖体制(类似于exactly once?)

当map当user提供的map和reduce operator是有关输入的醒目标操作,
我们提供的分布式implementation可以提供平等的输出. 什么一样的出口呢?
和一个非容错的依次执行的次序一样的输出. 是哪些成功这或多或少的?

是凭借于map和reduce任务输出的原子性提交来贯彻这些特性的.
对富有的task而言, task会把出口写到private temporary files中去.
一个map任务会暴发R个这样的临时文件,
一个reduce任务会发出1个这么的临时文件. 当map任务到位的时候,
worker会给master发一个音讯, 这一个信息包含了R个临时文件的name.
要是master收到了一条已经完成的map任务的新的做到音讯,
master会忽略那些消息.否则的话, master会纪录这R个文件的名字到自己的data
structure中去.

当reduce任务成功了, reduce worker会自动把温馨输出的临时文件重命名为final
output file. 假设相同的在多态机器上实施, 那么在同样的final output
file上都会举办重命名. 通过这种措施来保证最终的输出文件只包含被一个reduce
task执行过的数据.

积存地方

mr是即便利用网络带宽的?
舆论中说, 利用把输入数据(HDFS中)存储在机械的地头磁盘来save网络带宽.
HDFS把各种文件分为64MB的block.
然后每个block在另外机器上做replica(一般是3份). 做mr时,
master会考虑输入文件的岗位音信,
并努力在某个机器上安排一个map任务.什么样的机械?
包含了这些map任务的数量的replica的机械上. 假若失利以来,
则尝试就近安排(比如安排到一个worker machine上, 这多少个machine和含有input
data的machine在同一个network switch上), 这样的话,
想使得大部分输入数据在本地读取, 不消耗网络带宽.

任务粒度

把map的输入拆成了M个partition, 把reduce的输入拆分成R个partition.
因为R常常是用户指定的,所以大家设定M的值.
让每一个partition都在16-64MB(对应于HDFS的仓储策略, 每一个block是64MB)
其它, 平日把R的值设置成worker数量的小的倍数.

备用任务

straggler(落伍者): 一个mr的总的执行时间总是由落伍者决定的.
导致一台machine 慢的原由有这么些:可能硬盘出了问题,
可能是key的分配出了问题等等. 这里通过一个通用的用的编制来处理这个意况:
当一个MapReduce操作看似成功的时候,master调度备用(backup)任务过程来执行剩下的、处于处理中状态(in-progress)的职责。无论是最初的执行过程、如故备用(backup)任务过程完成了任务,我们都把这么些任务标记成为已经完成。我们调优了这多少个机制,平时只会占据比正规操作多多少个百分点的总计资源。大家发现使用这样的建制对于滑坡超大MapReduce操作的总处理时间效果显然。

技巧

  1. partition 函数
    map的输出会划分到R个partition中去.
    默认的partition的法门是应用hash举办分区. 不过有时候,
    hash无法知足我们的需求. 比如: 输出的key的值是URLs,
    大家希望每个主机的具备条条框框保持在同一个partition中,
    那么我们就要和谐写一个分区函数, 如hash(Hostname(urlkey) mod R)

  2. 逐条保证
    我们保证在给定的partition中, 中间的kv pair的值增量顺序处理的.
    那样的顺序保证对各样partition生成一个一如既往的出口文件.

  3. Combiner函数
    在某些状况下,Map函数暴发的中档key值的重新数据会占很大的比重.
    倘使把这个再度的keybu’zu我们允许用户指定一个可选的combiner函数,combiner函数首先在地面将这个记录举办三次联合,然后将联合的结果再经过网络发送出去。
    Combiner函数在每台执行Map任务的机械上都会被实践三回。由此combiner是map侧的一个reduce.
    一般情况下,Combiner和Reduce函数是平等的。Combiner函数和Reduce函数之间唯一的区分是MapReduce库怎么着控制函数的输出。Reduce函数的出口被保存在最终的出口文件里,而Combiner函数的输出被写到中间文件里,然后被发送给Reduce任务。

  4. 输入输出类型
    帮忙多种. 比如文本的话, key是offset, value是这一行的内容.
    每种输入类型的竖线都必须可以把输入数据分割成split.
    这多少个split可以由独立的map任务来进展连续处理.
    使用者可以通过提供一个reader接口的兑现来支撑新的输入类型.
    而且reader不一定需要从文件中读取数据.

  5. 跳过损耗的记录
    有时,
    用户程序中的bug导致map或者reduce在处理某些record的时候crash掉.
    我们提供一种忽略这个record的情势,
    mr会检测检测哪些记录导致确定性的crash,并且跳过这些记录不处理。
    具体做法是: 在实践MR操作往日, MR库会通过全局变量保存record的sequence
    number, 即使用户程序出发了一个系统信号, 音信处理函数将用”最终一口气”
    通过UDP包向master发送处理的结尾一条纪录的序号.
    当master看到在处理某条特定的record不止败北两遍时,
    就对它举办标记需要被跳过,
    在下次再次履行有关的mr任务的时候跳过这条纪录.

在谷歌给的例证中, 有少数值得注意.
因此benchmark的测试, 能通晓key的分区意况. 而普通对于急需排序的次第来说,
会扩大一个预处理的mapreduce操效率于采样key值的分布情状.
通过采样的数码来总计对最后排序处理的分区点.

立马最成功的利用: 重写了Google网络搜索服务所使用到的index系统

小结: mr的牛逼之处在于:
1>
MapReduce封装了并行处理、容错处理、数据本地化优化、负载均衡等等技术难点的底细,这使得MapReduce库易于使用。
2> 编程模板好. 大量两样类其它题目都足以经过MapReduce简单的缓解。

3> 部署方便.

小结的阅历:

1>
约束编程形式使得互相和分布式总括非常容易,也容易构造容错的盘算环境(暂时不懂)
2> 网络带宽是难得资源, 大量的类别优化是本着缩小网络传输量为目的的:
本地优化策略使得大量的数量从地点磁盘读取, 中间文件写入当地磁盘,
并且只写一份中间文件.
3>
多次实施同样的天职可以减掉性能缓慢的机械带来的负面影响,同时缓解了由于机械失效导致的数量丢失问题。

关于shuffle, combiner 和partition

shuffle: 从map写出最先到reduce执行在此之前的长河可以统一称为shuffle.
具体能够分为map端的shuffle和reduce端的shuffle.
combiner和partition: 都是在map端的.

切实经过:

  1. Collect阶段
    1> 在map()端,
    最终一步通过context.write(key,value)输出map处理的中等结果.
    然后调用partitioner.getPartiton(key, value,
    numPartitions)来收获这条record的分区号. record 从kv pair(k,v)
    –>变为 (k,v,partition).

2>
将更换后的record暂时保存在内存中的MapOutputBuffer内部的环形数据缓冲区(默认大小是100MB,
可以透过参数io.sort.mb调整, 设置那一个缓存是为了排序速度提升, 缩小IO开销).
当缓冲区的多少使用率到达一定阈值后, 触发一次spill操作.
将环形缓冲区的有的数据写到磁盘上,
生成一个暂时的linux本地数据的spill文件, 在缓冲区的使用率再次达到阈值后,
再次生成一个spill文件. 直到数据处理完毕, 在磁盘上会生成很多临时文件.
至于缓冲区的结构先不研究

2.spill阶段
当缓冲区的使用率到达一定阈值后(默认是80%, 为啥要设置比例,
因为要让写和读同时展开), 出发两遍”spill”,
将一些缓冲区的多少写到本地磁盘(而不是HDFS).
特别注意: 在将数据写入磁盘前, 会对这一片段数据举行sort.
默认是选用QuickSort.先按(key,value,partition)中的partition分区号排序,然后再按key排序.
如若设置了对中级数据做缩减的安排还会做缩减操作.

注:当达到溢出规则后,比如默认的是0.8,则会读出80M的多少,按照从前的分区元数据,按照分区号举行排序,那样就可实现均等分区的数据都在一块儿,然后再遵照map输出的key举办排序。最终实现溢出的公文内是分区的,且分区内是有序的

3.Merge阶段
map输出数据相比较多的时候,会扭转两个溢出文件,任务成功的末尾一件事情就是把这么些文件合并为一个大文件。合并的进程中势必会做merge操作,可能会做combine操作。
merge与combine的对比:
在map侧可能有2次combine. 在spill出去往日,
会combine两次(在user设置的前提下).
假使map的溢写文件个数大于3时(可配置:min.num.spills.for.combine)在merge的长河中(四个spill文件合并为一个大文件)中还会实施combine操作.

Combine: a:1,a:2 —> a:3
Merge: a:1,a:2 —> a,[1,2]

Reducer端: copy, sort, reduce
4.copy
copy的经过是指reduce尝试从到位的map中copy该reduce对应的partition的一些数据.
什么时候先河做copy呢?
等job的首先个map截至后就起来copy的过程了.因为对每一个map,都按照你reduce的数将map的输出结果分成R个partition.
所以map的中游结果中是有可能带有每一个reduce需要处理的部分数据的.
由于每一个map爆发的高中级结果都有可能包含某个reduce所在的partition的数量,
所以这些copy是从三个map并行copy的(默认是5个).

注: 这里因为网络问题down失败了如何是好? 重试, 在自然时间后若依旧失败,
那么下载现成就会舍弃本次下载, 随后尝试从另外地点下载.

5.merge
Reduce将map结果下载到本地时,同样也是亟需举行merge的之所以io.sort.factor的布局选项同样会潜移默化reduce举行merge时的行为.
当发现reduce在shuffle阶段iowait相当的高的时候,就有可能由此调大这么些参数来加大三遍merge时的出现吞吐,优化reduce效能。

(copy到哪个地方, 先是内存的buffer, 然后是disk)
reduce在shuffle阶段对下载下来的map数据也不是立即写入磁盘,
而是先用一个buffer存在内存中.
然后当使用内存达到一定量的时候才spill到磁盘.
这么些比例是经过另一个参数来控制.

reduce端的merge不是等所有溢写完成后再merge的.
而是一头copy一边sort一边merge. 在履行完merge sort后, reduce
task会将数据交由reduce()方法开展处理

参考:

  1. http://blog.51cto.com/xigan/1163820
  2. http://flyingdutchman.iteye.com/blog/1879642
  3. http://www.cnblogs.com/edisonchou/p/4298423.html

相关文章