分布式计算框架Map/reduce-CFANZ编程社区

简介:

MapReduce是一个基于集群的高性能并行计算平台,MapReduce是一个并行计算与运行的软件框架,MapReduce是一个并行程序设计模型与方法.
特点:

①分布可靠,对数据集的操作分发给集群中的多个节点实现可靠性,每个节点周期性返回它完成的任务和最新的状态

②封装了实现细节，基于框架API编程，面向业务展开分布式编码

③提供跨语言编程的能力

MapReduce的主要功能:

1.1数据划分和计算任务调度

1.2数据/代码互相定位

1.3系统优化

1.4出错检测和恢复

MapReduce的运行流程:

由上图可以看到MapReduce执行下来主要包含这样几个步骤：

1) 首先正式提交作业代码，并对输入数据源进行切片

2) master调度worker执行map任务

3) worker当中的map任务读取输入源切片

4) worker执行map任务，将任务输出保存在本地

5) master调度worker执行reduce任务，reduce worker读取map任务的输出文件

6) 执行reduce任务，将任务输出保存到HDFS

运行流程详解

MAP:HDFS目录的数据输入进来,然后切块,将切好的块分给不同的计算机,各计算机将块按照本地规约分区,将不同的区按照key排序,然后将任务输出保存在本地.

Reduce:将数据从远程拷贝下来,然后按照key将数据合并并处理最后输出

Map阶段由一定数量的Map Task组成，流程如下：
■ 输入数据格式解析：InputFormat
■ 输入数据处理：Mapper
■ 数据分区：Partitioner
■ 数据按照key排序
■ 本地规约：Combiner（相当于local reducer，可选）
■ 将任务输出保存在本地
Reduce阶段由一定数量的Reduce Task组成，流程如下：
■ 数据远程拷贝
■ 数据按照key排序和文件合并merge
■ 数据处理：Reducer
■ 数据输出格式：OutputFormat
通常我们把从Mapper阶段输出数据到Reduce阶段的reduce计算之间的过程称之为shuffle

MapReduce Java API应用

1、MapReduce开发流程

➢ 搭建开发环境，参考HDFS环境搭建，基本一致
➢ 基于MapReduce框架编写代码，Map、Reduce、Driver三部分组成。
➢ 编译打包，将源代码打成的包和依赖jar包打成一个包
➢ 上传至运行环境
➢ 运行hadoop jar命令，现已由yarn jar替代，建议使用新命令提交执行
具体提交命令为：
yarn jar testhdfs-jar-with-dependencies.jar com.tianliangedu.driver.WordCount /tmp/tianliangedu/input /tmp/tianliangedu/output3
➢ 通过yarn web ui查看执行过程
➢ 查看执行结果

2、WordCount代码实现

Mapper：是MapReduce计算框架中Map过程的封装

Text：Hadoop对Java String类的封装，适用于Hadoop对文本字符串的处理

IntWritable：Hadoop对Java Integer类的封装，适用于Hadoop整型的处理

Context：Hadoop环境基于上下文的操作对象，如Map中key/value的输出、分布式缓存数据、分布式参数传递等

StringTokenizer：对String对象字符串的操作类，做基于空白字符的切分操作工具类

2.1 Map类编写

package com.tianliangedu.mapper;
import java.io.IOException;
import java.util.StringTokenizer;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
public class MyTokenizerMapper extends
        Mapper<Object, Text, Text, IntWritable> {
    // 暂存每个传过来的词频计数，均为1,省掉重复申请空间
    private final static IntWritable one = new IntWritable(1);
    // 暂存每个传过来的词的值，省掉重复申请空间
    private Text word = new Text();
    // 核心map方法的具体实现,逐个<key,value>对去处理
    public void map(Object key, Text value, Context context)
            throws IOException, InterruptedException {
        // 用每行的字符串值初始化StringTokenizer
        StringTokenizer itr = new StringTokenizer(value.toString());
        // 循环取得每个空白符分隔出来的每个元素
        while (itr.hasMoreTokens()) {
            // 将取得出的每个元素放到word Text对象中
            word.set(itr.nextToken());
            // 通过context对象，将map的输出逐个输出
            context.write(word, one);
        }
    }
}

2.2 Reduce类编写

Reducer：是MapReduce计算框架中Reduce过程的封装

package com.tianliangedu.reducer;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
//reduce类，实现reduce函数
public class IntSumReducer extends
                Reducer<Text, IntWritable, Text, IntWritable> {
         private IntWritable result = new IntWritable();
         //核心reduce方法的具体实现,逐个<key,List(v1,v2)>去处理
         public void reduce(Text key, Iterable<IntWritable> values,
                      Context context) throws IOException, InterruptedException {
                //暂存每个key组中计算总和
                int sum = 0;
                //加强型for,依次获取迭代器中的每个元素值,即为一个一个的词频数值
                for (IntWritable val : values) {
                      //将key组中的每个词频数值sum到一起
                      sum += val.get();
                }
                //将该key组sum完成的值放到result IntWritable中，使可以序列化输出
                result.set(sum);
                //将计算结果逐条输出
                context.write(key, result);
         }
   }

2.3 Driver类编写

➢ Configuration：与HDFS中的Configuration一致，负责参数的加载和传递
➢ Job：作业，是对一轮MapReduce任务的抽象，即一个MapReduce的执行全过程的管理类
➢ FileInputFormat：指定输入数据的工具类，用于指定任务的输入数据路径
➢ FileOutputFormat：指定输出数据的工具类，用于指定任务的输出数据路径

package com.tianliangedu.driver;
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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import com.tianliangedu.mapper.MyTokenizerMapper;
import com.tianliangedu.reducer.IntSumReducer;
public class WordCountDriver {
   // 启动mr的driver方法
   public static void main(String[] args) throws Exception {
       // 得到集群配置参数
       Configuration conf = new Configuration();
       // 设置到本次的job实例中
       Job job = Job.getInstance(conf, "天亮WordCount");
       // 指定本次执行的主类是WordCount
      job.setJarByClass(WordCountDriver.class);
       // 指定map类
      job.setMapperClass(MyTokenizerMapper.class);
       // 指定combiner类，要么不指定，如果指定，一般与reducer类相同
      job.setCombinerClass(IntSumReducer.class);
       // 指定reducer类
      job.setReducerClass(IntSumReducer.class);
       // 指定job输出的key和value的类型,如果map和reduce输出类型不完全相同，需要重新设置map的output的key和value的class类型
      job.setOutputKeyClass(Text.class);
      job.setOutputValueClass(IntWritable.class);
       // 指定输入数据的路径
      FileInputFormat.addInputPath(job, new Path(args[0]));
       // 指定输出路径,并要求该输出路径一定是不存在的
      FileOutputFormat.setOutputPath(job, new Path(args[1]));
       // 指定job执行模式，等待任务执行完成后，提交任务的客户端才会退出!
      System.exit(job.waitForCompletion(true) ? 0 : 1);
   }
}

2.4本地模拟分布式计算环境运行mapreduce

鉴于远程运行进行代码测试的复杂性，以及其它新框架均开始支持本地local环境模拟分布式计算运行，故mapreduce从2.x开始也已经支持本地环境

具体做法请参见辅助资料集” 06-本地local环境模拟mapreduce并行计算的操作步骤”。

2.5 Maven打包

使用Maven命令，基于配置的Maven插件实现代码打包。

2.6 上传到运行环境

使用rz命令将打好的运行包上传到集群环境中。

2.7 运行WordCount程序

具体提交命令为：

具体提交命令为：
yarn jar testhdfs-jar-with-dependencies.jar com.tianliangedu.driver.WordCount /tmp/tianliangedu/input /tmp/tianliangedu/output3

2.8 查看执行过程

Web访问地址为：http://cluster1.hadoop:8088/ui2/#/yarn-apps/apps

2.9 查看执行结果

3、标准代码实现

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;
//启动mr的driver类
public class WordCountDriver {
       //map类，实现map函数
       public static class MyTokenizerMapper extends
                    Mapper<Object, Text, Text, IntWritable> {
             //暂存每个传过来的词频计数，均为1,省掉重复申请空间
             private final static IntWritable one = new IntWritable(1);
             //暂存每个传过来的词的值，省掉重复申请空间
             private Text word = new Text();
             //核心map方法的具体实现,逐个<key,value>对去处理
             public void map(Object key, Text value, Context context)
                          throws IOException, InterruptedException {
                    //用每行的字符串值初始化StringTokenizer
                    StringTokenizer itr = new StringTokenizer(value.toString());
                    //循环取得每个空白符分隔出来的每个元素
                    while (itr.hasMoreTokens()) {
                          //将取得出的每个元素放到word Text对象中
                          word.set(itr.nextToken());
                          //通过context对象，将map的输出逐个输出
                          context.write(word, one);
                    }
             }
       }
       //reduce类，实现reduce函数
       public static class IntSumReducer extends
                    Reducer<Text, IntWritable, Text, IntWritable> {
             private IntWritable result = new IntWritable();
             //核心reduce方法的具体实现,逐个<key,List(v1,v2)>去处理
             public void reduce(Text key, Iterable<IntWritable> values,
                          Context context) throws IOException, InterruptedException {
                    //暂存每个key组中计算总和
                    int sum = 0;
                    //加强型for,依次获取迭代器中的每个元素值,即为一个一个的词频数值
                    for (IntWritable val : values) {
                          //将key组中的每个词频数值sum到一起
                          sum += val.get();
                    }
                    //将该key组sum完成的值放到result IntWritable中，使可以序列化输出
                    result.set(sum);
                    //将计算结果逐条输出
                    context.write(key, result);
             }
       }
       //启动mr的driver方法
       public static void main(String[] args) throws Exception {
             //得到集群配置参数
             Configuration conf = new Configuration();
             //设置到本次的job实例中
             Job job = Job.getInstance(conf, "天亮WordCount");
             //通过指定相关字节码对象，找到所属的主jar包
             job.setJarByClass(WordCountDriver.class);
             //指定map类
             job.setMapperClass(MyTokenizerMapper.class);
             //指定combiner类，要么不指定，如果指定，一般与reducer类相同
             job.setCombinerClass(IntSumReducer.class);
             //指定reducer类
             job.setReducerClass(IntSumReducer.class);
             //指定job输出的key和value的类型,如果map和reduce输出类型不完全相同，需要重新设置map的output的key和value的class类型
             job.setOutputKeyClass(Text.class);
             job.setOutputValueClass(IntWritable.class);
             //指定输入数据的路径
             FileInputFormat.addInputPath(job, new Path(args[0]));
             //指定输出路径,并要求该输出路径一定是不存在的
             FileOutputFormat.setOutputPath(job, new Path(args[1]));
             //指定job执行模式，等待任务执行完成后，提交任务的客户端才会退出!
             System.exit(job.waitForCompletion(true) ? 0 : 1);
       }
}

MapReduce Shell应用

1、MapReduce的二级命令

mapred称为一级命令，直接输入mapred回车，即可查看二级命令：

2、MapReduce的三级命令

输入一级命令mapred后，再任意输入一个二级命令，即可查看三级命令：

3、MapReduce shell应用

查看当前正在执行的job任务
先提交一个WordCount任务，然后使用mapred job -list查看任务列表

终止(kill)一个任务的执行

由于某种原因，要立即终止某任务的执行，则使用mapred job -kill job-id。

构造场景：先提交一个WordCount job，然后通过kill job-id来终止任务：

查看一个job的日志

使用mapred shell命令，通过job-id可以查看job的工作日志。

命令格式为：mapred job -logs job-id：

MapReduce技术特征
1、向“外”横向扩展，而非向“上”纵向扩展
➢ 集群的构建完全选用价格便宜、易于扩展的低端商用服务器，而非价格昂贵不易扩展的商用服务
➢ 大规模数据处理和大规模数据存储的需要，讲求集群综合能力，而非单台机器处理能力，横向增加机器节点数据量
2、失效被认为是常态
➢ 使用大量普通服务器，节点硬件和软件出错是常态
➢ 具备多种有效的错误检测和恢复机制，在某个计算节点失效后会自动转移到别的计算节点。某个任务节点失败后其他节点能够无缝接管失效节点的计算任务
➢ 当失效节点恢复后自动无缝加入集群，不需要管理员人工进行系统配置
3、移动计算，把处理向数据迁移(数据本地性)
➢ 采用代码/数据互定位的功能，计算和数据在同一个机器节点或者是同一个机架中，发挥数据本地化特点
➢ 可避免跨机器节点或是机架传输数据，提高运行效率
4、顺序处理数据、避免随机访问数据
➢ 磁盘的顺序访问远比随机访问快得多，因此MapReduce设计为面向顺序式大规模数据的磁盘访问处理
➢ 利用集群中的大量数据存储节点同时访问数据，实现面向大数据集批处理的高吞吐量的并行处理
5、推测执行
➢ 一个作业由若干个Map任务和Reduce任务构成，整个作业完成的时间取决于最慢的任务的完成时间。由于节点硬件、软件问题，某些任务可能运行很慢
➢ 采用推测执行机制，发现某个任务的运行速度远低于任务平均速度，会为慢的任务启动一个备份任务，同时运行。哪个先运行完，采用哪个结果。
6、平滑无缝的可扩展性
➢ 可弹性的增加或减少集群计算节点来调节计算能力
➢ 计算的性能随着节点数的增加保持接近线性程度的增长
7、为应用开发隐藏系统底层细节
➢ 并行编程有很多困难，需要考虑多线程中复杂繁琐的细节，诸如分布式存储管理、数据分发、数据通信和同步、计算结果收集等细节问题。
➢ MapReduce提供了一种抽象机制将程序员与系统层细节隔离开，程序员只需关注业务，其他具体执行交由框架处理即可。