Hadoop三大组件之MapReduce（二）

1. MapReduce框架原理

1. InputFormat

• 定义：InputFormat负责定义输入数据的格式和如何进行切分（splitting）。它将输入数据分为多个片段（splits），每个片段会被一个MapTask处理。
• 作用：例如，TextInputFormat会将文本文件按行读取，而SequenceFileInputFormat则用于处理二进制文件。

2. Input

• 定义：Input是指要被处理的原始数据，这些数据可以存储在HDFS（Hadoop分布式文件系统）中，也可以是其他支持的存储系统。
• 作用：输入数据是整个MapReduce作业的起点，所有后续处理都基于这个数据展开。

3. Mapper

• 定义：Mapper是MapReduce的一个核心组件，它负责将输入数据的每个片段进行处理，生成中间键值对（key-value pairs）。
• 工作流程：
  • 接收分配给它的输入Split。
  • 处理每一条记录，产生一组中间的数据（KV对）。
  • 例如，在单词计数程序中，Mapper会将每个单词映射为键，并将其计数（通常为1）作为值。

4. Shuffle

• 定义：Shuffle是MapReduce框架中的一个关键步骤，负责将Mapper输出的中间数据根据键进行排序和分组。
• 作用：
  • 首先，框架会将相同键的所有中间数据聚集到一起。
  • 然后会把这些数据按照Reducer的数量分区，以便后续的Reducer可以并行处理。
  • Shuffle阶段通常包括排序和分区的过程。

5. ReduceTask

• 定义：ReduceTask是MapReduce的第二个核心组件，负责处理从Shuffle阶段传入的中间键值对。
• 工作流程：
  • 每个ReduceTask接收属于自己的中间数据。
  • 它将这些数据合并并聚合，通常是对相同键的值进行处理，例如求和或计数。
  • 最终，ReduceTask会生成最终的输出结果。

6. Reducer

• 定义：Reducer是执行ReduceTask的具体实现，负责接收、处理和输出数据。
• 工作流程：
  • 接收来自Shuffle阶段的键值对。
  • 对相同键的值进行聚合。
  • 将结果输出到指定的存储位置。

7. OutputFormat

• 定义：OutputFormat定义了输出数据的格式和如何存储输出结果。
• 作用：它可以指定输出结果是写入到文本文件、序列文件或其他格式中。例如，TextOutputFormat会将结果写入文本文件。

8. Output

• 定义：Output是Reduce阶段最终生成的结果数据，这些数据通常会被存储在HDFS中。
• 作用：输出数据是整个MapReduce作业的最终结果，供后续处理或分析使用。

2. 数据块与数据切片

1. 数据块（Block）

在HDFS（Hadoop Distributed File System）中，数据块是物理上将数据分成一块块的单位，是HDFS存储数据的基本单位。每个数据块通常默认大小为128MB（可以根据需要进行调整），并分布在集群的不同节点上。

2. 数据切片（Input Split）

数据切片是在逻辑上对输入数据进行分块，它并不代表在磁盘上的物理切分。数据切片是MapReduce程序计算输入数据的单位，每个切片会对应启动一个MapTask。切片的数量和大小直接影响MapTask的并行度。

3. FileInputFormat 切片机制

FileInputFormat 是MapReduce中默认的输入格式，负责将输入数据划分为切片。其切片机制如下：

1. 按照文件内容长度进行切片：切片的大小根据文件的字节数来决定。
2. 切片大小：默认情况下，切片大小等于HDFS的Block大小。
3. 针对每个文件单独切片：切片机制不考虑整个数据集，而是对每一个文件单独进行处理。

示例

假设有两个文件 file1.txt 和 file2.txt，经过 FileInputFormat 切片机制后形成的切片信息如下：

• file1.txt.split1：0-128
• file1.txt.split2：128-256
• file1.txt.split3：256-320
• file2.txt.split1：0-10M

4. FileInputFormat 切片大小参数配置

切片大小的计算公式

切片大小的计算公式为：

Math.max(minSize, Math.min(maxSize, blockSize));

• mapreduce.input.fileinputformat.split.min.size：默认值为1。
• mapreduce.input.fileinputformat.split.max.size：默认值为 Long.MAX_VALUE。

默认情况下，切片大小等于Block大小。

切片大小设置

• maxSize（切片最大值）：如果该参数设定小于Block大小，切片将变小，等于配置的参数值。
• minSize（切片最小值）：如果该参数设定大于Block大小，切片将可能变得比Block大小更大。

5. Map和Reduce数量设置

1.Map任务数量

• Map任务数量通常由输入数据的分片数量决定。可以通过以下方式来调整：
  • 调整块大小（Block Size）：改变HDFS中数据块的大小。
  • 调整分片大小（Split Size）：通过配置参数来改变分片的逻辑划分。

2.Reduce任务数量

• Reducer的数量可以根据以下公式进行设置：

• Reduce数量=min(参数2,总数据量/参数1)
  

• Reducer个数由Partition个数决定，Mapper生成的中间数据通过Shuffle过程进行分区，每个Partition的数据由对应的一个Reducer进行处理。因此，Reducer的数量始终大于或等于分区的数量。
• Partition：每个Mapper在处理数据时，会根据预定义的分区函数（通常是哈希函数）来决定每个输出的键值对应该被发送到哪个Reducer。这意味着在Mapper输出时，已经在逻辑上将数据分配到了相应的分区。

6. 环形缓冲区的作用

环形缓冲区是为了解决数据传输和处理效率而设计的，它在Map和Reduce阶段之间扮演着至关重要的角色。其主要作用包括：

1. 内存数据传输：

   • 环形缓冲区允许在内存中进行数据传输，避免频繁的磁盘IO操作，从而提升处理速度。传统的Map和Reduce之间的数据传输依赖于磁盘，这会增加延迟和降低效率。

2. 数据整理与排序：

   • 在多个Map任务的输出数据被送入Reduce之前，环形缓冲区能够对这些数据进行整理和排序。这使得Reduce任务可以更高效地处理数据。

3. 避免重复读取与写入：

   • 环形缓冲区能够减少Map和Reduce之间数据的重复读取和写入，从而节省网络带宽。

4. 内存重用：

   • 环形缓冲区的设计允许重复利用内存，而无需频繁申请新的内存块。这有助于规避垃圾回收机制引发的性能问题。

5. 结构组成：

   • 环形缓冲区包含三个部分：空闲区、数据区和索引区。初始位置叫做equator，数据从equator的左侧写入，索引从右侧写入。当数据和索引的大小达到环形缓冲区的80%时，系统会进行以下操作：
     1. 在原地对已写入的数据进行快速排序，并将这些排好序的数据和索引spill到磁盘上。
     2. 更新equator的位置，并冲洗出旧的数据和索引。
     3. 如果在空闲的20%区域写入数据时，之前的80%数据尚未写入磁盘，程序将会进入待处理状态，直到有足够空间可供写入。

7. MapReduce的三次排序

在MapReduce的过程中，共进行了三次排序：

1. Map输出排序：

   • 当Map任务输出数据时，首先将数据写入环形缓冲区。达到阈值后，后台线程会将缓冲区的数据划分为相应的分区，并在每个分区内进行内排序。这一过程确保了Map阶段的输出是有序的。

2. 溢写文件合并排序：

   • 在Map任务完成之前，磁盘上会生成多个已分区且排好序的溢写文件。这些溢写文件的大小与缓冲区一致。合并这些文件时，仅需进行一次排序即可使最终输出文件整体有序。

3. Reduce阶段的合并排序：

   • 在Reduce阶段，将多个Map任务的输出文件复制到Reduce Task中进行合并。由于这些文件已经经过二次排序，因此在合并时再次排序可以确保输出文件的有序性。