Map-Reduce入門

1、Map-Reduce的邏輯過程

假設我們需要處理一批有關天氣的數據，其格式如下：

• 按照ASCII碼存儲，每行一條記錄
• 每一行字符從0開始計數，第15個到第18個字符為年
• 第25個到第29個字符為溫度，其中第25位是符號+/-

0067011990999991950051507+0000+

0043011990999991950051512+0022+

0043011990999991950051518-0011+

0043012650999991949032412+0111+

0043012650999991949032418+0078+

0067011990999991937051507+0001+

0043011990999991937051512-0002+

0043011990999991945051518+0001+

0043012650999991945032412+0002+

0043012650999991945032418+0078+

現在需要統計出每年的最高溫度。

Map-Reduce主要包括兩個步驟：Map和Reduce

每一步都有key-value對作為輸入和輸出：

• map階段的key-value對的格式是由輸入的格式所決定的，如果是默認的TextInputFormat，則每行作為一個記錄進程處理，其中key為此行的開頭相對于文件的起始位置，value就是此行的字符文本
• map階段的輸出的key-value對的格式必須同reduce階段的輸入key-value對的格式相對應

對于上面的例子，在map過程，輸入的key-value對如下：

(0, 0067011990999991950051507+0000+)

(33, 0043011990999991950051512+0022+)

(66, 0043011990999991950051518-0011+)

(99, 0043012650999991949032412+0111+)

(132, 0043012650999991949032418+0078+)

(165, 0067011990999991937051507+0001+)

(198, 0043011990999991937051512-0002+)

(231, 0043011990999991945051518+0001+)

(264, 0043012650999991945032412+0002+)

(297, 0043012650999991945032418+0078+)

在map過程中，通過對每一行字符串的解析，得到年-溫度的key-value對作為輸出：

(1950, 0)

(1950, 22)

(1950, -11)

(1949, 111)

(1949, 78)

(1937, 1)

(1937, -2)

(1945, 1)

(1945, 2)

(1945, 78)

在reduce過程，將map過程中的輸出，按照相同的key將value放到同一個列表中作為reduce的輸入

(1950, [0, 22, –11])

(1949, [111, 78])

(1937, [1, -2])

(1945, [1, 2, 78])

在reduce過程中，在列表中選擇出最大的溫度，將年-最大溫度的key-value作為輸出：

(1950, 22)

(1949, 111)

(1937, 1)

(1945, 78)

其邏輯過程可用如下圖表示：

2、編寫Map-Reduce程序

編寫Map-Reduce程序，一般需要實現兩個函數：mapper中的map函數和reducer中的reduce函數。

一般遵循以下格式：

• map: (K1, V1)? ->? list(K2, V2)

public interface Mapper<K1, V1, K2, V2> extends JobConfigurable, Closeable {

? void map(K1 key, V1 value, OutputCollector<K2, V2> output, Reporter reporter)

? throws IOException;

}

• reduce: (K2, list(V))? ->? list(K3, V3)?

public interface Reducer<K2, V2, K3, V3> extends JobConfigurable, Closeable {

? void reduce(K2 key, Iterator<V2> values,

????????????? OutputCollector<K3, V3> output, Reporter reporter)

??? throws IOException;

}

?

對于上面的例子，則實現的mapper如下：

public class MaxTemperatureMapper extends MapReduceBase implements Mapper<LongWritable, Text, Text, IntWritable> {

??? @Override

??? public void map(LongWritable key, Text value, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {

??????? String line = value.toString();

??????? String year = line.substring(15, 19);

??????? int airTemperature;

??????? if (line.charAt(25) == '+') {

??????????? airTemperature = Integer.parseInt(line.substring(26, 30));

??????? } else {

??????????? airTemperature = Integer.parseInt(line.substring(25, 30));

??????? }

??????? output.collect(new Text(year), new IntWritable(airTemperature));

??? }

}

實現的reducer如下：

public class MaxTemperatureReducer extends MapReduceBase implements Reducer<Text, IntWritable, Text, IntWritable> {

??? public void reduce(Text key, Iterator<IntWritable> values, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {

??????? int maxValue = Integer.MIN_VALUE;

??????? while (values.hasNext()) {

??????????? maxValue = Math.max(maxValue, values.next().get());

??????? }

??????? output.collect(key, new IntWritable(maxValue));

??? }

}

?

欲運行上面實現的Mapper和Reduce，則需要生成一個Map-Reduce得任務(Job)，其基本包括以下三部分：

• 輸入的數據，也即需要處理的數據
• Map-Reduce程序，也即上面實現的Mapper和Reducer
• 此任務的配置項JobConf

欲配置JobConf，需要大致了解Hadoop運行job的基本原理：

• Hadoop將Job分成task進行處理，共兩種task：map task和reduce task
• Hadoop有兩類的節點控制job的運行：JobTracker和TaskTracker
  • JobTracker協調整個job的運行，將task分配到不同的TaskTracker上
  • TaskTracker負責運行task，并將結果返回給JobTracker
• Hadoop將輸入數據分成固定大小的塊，我們稱之input split
• Hadoop為每一個input split創建一個task，在此task中依次處理此split中的一個個記錄(record)
• Hadoop會盡量讓輸入數據塊所在的DataNode和task所執行的DataNode(每個DataNode上都有一個TaskTracker)為同一個，可以提高運行效率，所以input split的大小也一般是HDFS的block的大小。
• Reduce task的輸入一般為Map Task的輸出，Reduce Task的輸出為整個job的輸出，保存在HDFS上。
• 在reduce中，相同key的所有的記錄一定會到同一個TaskTracker上面運行，然而不同的key可以在不同的TaskTracker上面運行，我們稱之為partition
  • partition的規則為：(K2, V2) –> Integer， 也即根據K2，生成一個partition的id，具有相同id的K2則進入同一個partition，被同一個TaskTracker上被同一個Reducer進行處理。

public interface Partitioner<K2, V2> extends JobConfigurable {

? int getPartition(K2 key, V2 value, int numPartitions);

}

下圖大概描述了Map-Reduce的Job運行的基本原理：

?

下面我們討論JobConf，其有很多的項可以進行配置：

• setInputFormat：設置map的輸入格式，默認為TextInputFormat，key為LongWritable, value為Text
• setNumMapTasks：設置map任務的個數，此設置通常不起作用，map任務的個數取決于輸入的數據所能分成的input split的個數
• setMapperClass：設置Mapper，默認為IdentityMapper
• setMapRunnerClass：設置MapRunner, map task是由MapRunner運行的，默認為MapRunnable，其功能為讀取input split的一個個record，依次調用Mapper的map函數
• setMapOutputKeyClass和setMapOutputValueClass：設置Mapper的輸出的key-value對的格式
• setOutputKeyClass和setOutputValueClass：設置Reducer的輸出的key-value對的格式
• setPartitionerClass和setNumReduceTasks：設置Partitioner，默認為HashPartitioner，其根據key的hash值來決定進入哪個partition，每個partition被一個reduce task處理，所以partition的個數等于reduce task的個數
• setReducerClass：設置Reducer，默認為IdentityReducer
• setOutputFormat：設置任務的輸出格式，默認為TextOutputFormat
• FileInputFormat.addInputPath：設置輸入文件的路徑，可以使一個文件，一個路徑，一個通配符。可以被調用多次添加多個路徑
• FileOutputFormat.setOutputPath：設置輸出文件的路徑，在job運行前此路徑不應該存在

當然不用所有的都設置，由上面的例子，可以編寫Map-Reduce程序如下：

public class MaxTemperature {

??? public static void main(String[] args) throws IOException {

??????? if (args.length != 2) {

??????????? System.err.println("Usage: MaxTemperature <input path> <output path>");

??????????? System.exit(-1);

??????? }

??????? JobConf conf = new JobConf(MaxTemperature.class);

??????? conf.setJobName("Max temperature");

??????? FileInputFormat.addInputPath(conf, new Path(args[0]));

??????? FileOutputFormat.setOutputPath(conf, new Path(args[1]));

??????? conf.setMapperClass(MaxTemperatureMapper.class);

??????? conf.setReducerClass(MaxTemperatureReducer.class);

??????? conf.setOutputKeyClass(Text.class);

??????? conf.setOutputValueClass(IntWritable.class);

??????? JobClient.runJob(conf);

??? }

}

3、Map-Reduce數據流(data flow)

Map-Reduce的處理過程主要涉及以下四個部分：

• 客戶端Client：用于提交Map-reduce任務job
• JobTracker：協調整個job的運行，其為一個Java進程，其main class為JobTracker
• TaskTracker：運行此job的task，處理input split，其為一個Java進程，其main class為TaskTracker
• HDFS：hadoop分布式文件系統，用于在各個進程間共享Job相關的文件

3.1、任務提交

JobClient.runJob()創建一個新的JobClient實例，調用其submitJob()函數。

• 向JobTracker請求一個新的job ID
• 檢測此job的output配置
• 計算此job的input splits
• 將Job運行所需的資源拷貝到JobTracker的文件系統中的文件夾中，包括job jar文件，job.xml配置文件，input splits
• 通知JobTracker此Job已經可以運行了

提交任務后，runJob每隔一秒鐘輪詢一次job的進度，將進度返回到命令行，直到任務運行完畢。

?

3.2、任務初始化

?

當JobTracker收到submitJob調用的時候，將此任務放到一個隊列中，job調度器將從隊列中獲取任務并初始化任務。

初始化首先創建一個對象來封裝job運行的tasks, status以及progress。

在創建task之前，job調度器首先從共享文件系統中獲得JobClient計算出的input splits。

其為每個input split創建一個map task。

每個task被分配一個ID。

?

3.3、任務分配

?

TaskTracker周期性的向JobTracker發送heartbeat。

在heartbeat中，TaskTracker告知JobTracker其已經準備運行一個新的task，JobTracker將分配給其一個task。

在JobTracker為TaskTracker選擇一個task之前，JobTracker必須首先按照優先級選擇一個Job，在最高優先級的Job中選擇一個task。

TaskTracker有固定數量的位置來運行map task或者reduce task。

默認的調度器對待map task優先于reduce task

當選擇reduce task的時候，JobTracker并不在多個task之間進行選擇，而是直接取下一個，因為reduce task沒有數據本地化的概念。

?

3.4、任務執行

?

TaskTracker被分配了一個task，下面便要運行此task。

首先，TaskTracker將此job的jar從共享文件系統中拷貝到TaskTracker的文件系統中。

TaskTracker從distributed cache中將job運行所需要的文件拷貝到本地磁盤。

其次，其為每個task創建一個本地的工作目錄，將jar解壓縮到文件目錄中。

其三，其創建一個TaskRunner來運行task。

TaskRunner創建一個新的JVM來運行task。

被創建的child JVM和TaskTracker通信來報告運行進度。

?

3.4.1、Map的過程

MapRunnable從input split中讀取一個個的record，然后依次調用Mapper的map函數，將結果輸出。

map的輸出并不是直接寫入硬盤，而是將其寫入緩存memory buffer。

當buffer中數據的到達一定的大小，一個背景線程將數據開始寫入硬盤。

在寫入硬盤之前，內存中的數據通過partitioner分成多個partition。

在同一個partition中，背景線程會將數據按照key在內存中排序。

每次從內存向硬盤flush數據，都生成一個新的spill文件。

當此task結束之前，所有的spill文件被合并為一個整的被partition的而且排好序的文件。

reducer可以通過http協議請求map的輸出文件，tracker.http.threads可以設置http服務線程數。

3.4.2、Reduce的過程

當map task結束后，其通知TaskTracker，TaskTracker通知JobTracker。

對于一個job，JobTracker知道TaskTracer和map輸出的對應關系。

reducer中一個線程周期性的向JobTracker請求map輸出的位置，直到其取得了所有的map輸出。

reduce task需要其對應的partition的所有的map輸出。

reduce task中的copy過程即當每個map task結束的時候就開始拷貝輸出，因為不同的map task完成時間不同。

reduce task中有多個copy線程，可以并行拷貝map輸出。

當很多map輸出拷貝到reduce task后，一個背景線程將其合并為一個大的排好序的文件。

當所有的map輸出都拷貝到reduce task后，進入sort過程，將所有的map輸出合并為大的排好序的文件。

最后進入reduce過程，調用reducer的reduce函數，處理排好序的輸出的每個key，最后的結果寫入HDFS。

?

?

3.5、任務結束

?

當JobTracker獲得最后一個task的運行成功的報告后，將job得狀態改為成功。

當JobClient從JobTracker輪詢的時候，發現此job已經成功結束，則向用戶打印消息，從runJob函數中返回。