Hadoop-Mapreduce(一）

MapReduce定义

• Mapreduce是一个分布式运算程序的编程框架，是用户开发“基于hadoop的数据分析应用”的核心框架。
• Mapreduce核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发运行在一个hadoop集群上。

MapReduce优缺点

• 优点
  • MapReduce易于编程。它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量廉价的PC机器上运行。也就是说你写一个分布式程序，跟写一个简单的串行程序是一模一样的。就是因为这个特点使得MapReduce编程变得非常流行。
  • 良好的扩展性。当你的计算资源不能得到满足的时候，你可以通过简单的增加机器来扩展它的计算能力。
  • 高容错性。MapReduce设计的初衷就是使程序能够部署在廉价的PC机器上，这就要求它具有很高的容错性。比如其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，而完全是由 Hadoop内部完成的。
  • 适合PB级以上海量数据的离线处理。它适合离线处理而不适合在线处理。比如像毫秒级别的返回一个结果，MapReduce很难做到。
• 缺点
  • MapReduce不擅长做实时计算、流式计算、DAG（有向无环图）计算。
  • 实时计算。MapReduce无法像Mysql一样，在毫秒或者秒级内返回结果。
  • 流式计算。流式计算的输入数据是动态的，而MapReduce的输入数据集是静态的，不能动态变化。这是因为MapReduce自身的设计特点决定了数据源必须是静态的。
  • DAG（有向无环图）计算。多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出。在这种情况下，MapReduce并不是不能做，而是使用后，每个MapReduce作业的输出结果都会写入到磁盘，会造成大量的磁盘IO，导致性能非常的低下。

MapReduce核心思想

- 分布式的运算程序往往需要分成至少2个阶段。

• 第一个阶段的maptask并发实例，完全并行运行，互不相干。
• 第二个阶段的reduce task并发实例互不相干，但是他们的数据依赖于上一个阶段的所有maptask并发实例的输出。
• MapReduce编程模型只能包含一个map阶段和一个reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个mapreduce程序，串行运行。

MapReduce进程

一个完整的mapreduce程序在分布式运行时有三类实例进程：

• MrAppMaster：负责整个程序的过程调度及状态协调。
• MapTask：负责map阶段的整个数据处理流程。
• ReduceTask：负责reduce阶段的整个数据处理流程。

MapReduce编程规范

用户编写的程序分成三个部分：Mapper，Reducer，Driver(提交运行mr程序的客户端)

• Mapper阶段

  • 用户自定义的Mapper要继承自己的父类
  • Mapper的输入数据是KV对的形式（KV的类型可自定义）
  • Mapper中的业务逻辑写在map()方法中
  • Mapper的输出数据是KV对的形式（KV的类型可自定义）
  • map()方法（maptask进程）对每一个<K,V>调用一次
  • - Reducer阶段
  • 用户自定义的Reducer要继承自己的父类
  • Reducer的输入数据类型对应Mapper的输出数据类型，也是KV
  • Reducer的业务逻辑写在reduce()方法中
  • Reducetask进程对每一组相同k的<k,v>组调用一次reduce()方法

• Driver阶段

  • 整个程序需要一个Drvier来进行提交，提交的是一个描述了各种必要信息的job对象
  • Reducer阶段
  • 用户自定义的Reducer要继承自己的父类
  • Reducer的输入数据类型对应Mapper的输出数据类型，也是KV
  • Reducer的业务逻辑写在reduce()方法中
  • Reducetask进程对每一组相同k的<k,v>组调用一次reduce()方法

• Driver阶段

  • 整个程序需要一个Drvier来进行提交，提交的是一个描述了各种必要信息的job对象

• Reducer阶段

  • 用户自定义的Reducer要继承自己的父类
  • Reducer的输入数据类型对应Mapper的输出数据类型，也是KV
  • Reducer的业务逻辑写在reduce()方法中
  • Reducetask进程对每一组相同k的<k,v>组调用一次reduce()方法

• Driver阶段

  • 整个程序需要一个Drvier来进行提交，提交的是一个描述了各种必要信息的job对象

自定义bean对象实现序列化接口（Writable）

自定义bean对象要想序列化传输，必须实现序列化接口，需要注意以下7项。

• 必须实现Writable接口
• 反序列化时，需要反射调用空参构造函数，所以必须有空参构造

public FlowBean() {
    
    
		super();
	}

• 重写序列化方法

@Override
	public void write(DataOutput out) throws IOException {
    
    
		out.writeLong(upFlow);
		out.writeLong(downFlow);
		out.writeLong(sumFlow);
	}

• 重写反序列化方法

  @Override
	public void readFields(DataInput in) throws IOException {
    
    
		upFlow = in.readLong();
		downFlow = in.readLong();
		sumFlow = in.readLong();
	}

• 注意反序列化的顺序和序列化的顺序完全一致
• 要想把结果显示在文件中，需要重写toString()，可用”\t”分开，方便后续用。
• 如果需要将自定义的bean放在key中传输，则还需要实现comparable接口，因为mapreduce框中的shuffle过程一定会对key进行排序。

@Override
	public int compareTo(FlowBean o) {
    
    
		// 倒序排列，从大到小
		return this.sumFlow > o.getSumFlow() ? -1 : 1;
	}

MapReduce框架原理

MapReduce工作流程

• 流程示意图

  ​- 流程详解

  上面的流程是整个mapreduce最全工作流程，但是shuffle过程只是从第7步开始到第16步结束，具体shuffle过程详解，如下：

  • maptask收集我们的map()方法输出的kv对，放到内存缓冲区中
  • 从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件
  • 多个溢出文件会被合并成大的溢出文件
  • 在溢出过程中，及合并的过程中，都要调用partitioner进行分区和针对key进行排序
  • reducetask根据自己的分区号，去各个maptask机器上取相应的结果分区数据
  • reducetask会取到同一个分区的来自不同maptask的结果文件，reducetask会将这些文件再进行合并（归并排序）
  • 合并成大文件后，shuffle的过程也就结束了，后面进入reducetask的逻辑运算过程（从文件中取出一个一个的键值对group，调用用户自定义的reduce()方法）

• 注意

  Shuffle中的缓冲区大小会影响到mapreduce程序的执行效率，原则上说，缓冲区越大，磁盘io的次数越少，执行速度就越快。

  缓冲区的大小可以通过参数调整，参数：io.sort.mb 默认100M。