Hadoop系列——MapReduce 过程详解

MapReduce 过程详解

Hadoop 越来越火， 围绕Hadoop的子项目更是增长迅速， 光Apache官网上列出来的就十几个， 但是万变不离其宗，大部分项目都是基于Hadoop common

MapReduce 更是核心中的核心。那么到底什么是MapReduce,它具体是怎么工作的呢？

关于它的原理，说简单也简单， 随便画个图喷一下Map 和 Reduce两个阶段似乎就完了。 但其实这里面还包含了Sort, Partition, Shuffle, Combine, Merge等子阶段，尤其是Shuffle,很多资料里都把它称为MapReduce的“心脏”，和所谓“奇迹发生的地方”。真正能说清楚其中关系的人就没那么多了。可是了解这些流程对我们理解和掌握MapReduce 并对其进行调优是非常有用的。 

首先我们看一副图，包含了从头到尾的整个过程， 后面对所有步骤的解释都以此图作为参考 （此图100％原创）



 

这张图简单来说，就是说在我们常见的Map 和 Reduce 之间还有一系列的过程， 其中包括Partition, Sort, Combine, Copy, Merge等. 而这些过程往往被统称为"Shuffle" 也就是“混洗”. 而Shuffle 的目的就是对数据进行梳理，排序，以更科学的方式分发给每个Reducer,以便能够更高效地进行计算和处理。 （难怪人家说这是奇迹发生的地方，原来这里面有这么多花花， 能没奇迹么？）

如果您是Hadoop的大牛， 看了这幅图可能马上要跳出来了，不对！ 还有一个spill 过程云云...

且慢，关于spill, 我认为只是一个实现细节，其实就是MapReduce利用内存缓冲的方式提高效率，整个的过程和原理并没有受影响， 所以在此处忽略掉spill 过程，以便更好理解。 

光看原理图还是有点费解是吧？没错！ 雷子一直认为， 没有例子的文章就是耍流氓 :) 所以我们就用大家都耳熟能详的WordCount作为例子， 开始我们的讨论。

先创建两个文本文件，作为我们例子的输入：

File 1 内容：

My name is Tony

My company is pivotal

File 2 内容：

My name is Lisa

My company is EMC

1. 第一步， Map

顾名思义， Map 就是拆解.

首先我们的输入就是两个文件，默认情况下是两个split, 对应前面图中的split 0, split 1

两个split 默认会分给两个Mapper来处理， WordCount例子相当地暴力，这一步里面就是直接把文件内容分解为单词和 1（注意，不是具体数量，就是数字1）其中的单词就是我们的主健，也称为Key,后面的数字就是对应的值，也称为value.

那么对应两个Mapper的输出就是：

split 0

 

My       1

name    1

is         1

Tony     1

My          1

company     1

is       1

Pivotal   1

 

split 1

 

My       1

name    1

is       1

Lisa     1

My       1

company  1

is       1

EMC   　　1

2. Partition

Partition 是什么？ Partition 就是分区。

为什么要分区？因为有时候会有多个Reducer,Partition就是提前对输入进行处理，根据将来的Reducer进行分区.到时候Reducer处理的时候，只需要处理分给自己的数据就可以了。 

如何分区？ 主要的分区方法就是按照Key 的不同，把数据分开，其中很重要的一点就是要保证Key的唯一性， 因为将来做Reduce的时候有可能是在不同的节点上做的， 如果一个Key同时存在于两个节点上， Reduce的结果就会出问题，所以很常见的Partition方法就是哈希。

结合我们的例子，我们这里假设有两个Reducer, 前面两个split 做完Partition的结果就会如下：

split 0

 

Partition 1:

company　1

is     　1

is　　　　1

 

Partition 2:

My　　   1

My　　　　1

name　　1

Pivotal   1

Tony　　  1

 

 

split 1

 

Partition 1:

company 1

is 　　　1

is      1

EMC　　　1

 

Partition 2:

My　　   1

My       1

name　　 1

Lisa     1

 

其中Partition 1 将来是准备给Reducer 1 处理的， Partition 2 是给Reducer 2 的

这里我们可以看到， Partition 只是把所有的条目按照Key 分了一下区，没有其他任何处理， 每个区里面的Key 都不会出现在另外一个区里面。 

3. Sort

Sort 就是排序喽， 其实这个过程在我来看并不是必须的，完全可以交给客户自己的程序来处理。 那为什么还要排序呢？可能是写MapReduce的大牛们想，“大部分reduce 程序应该都希望输入的是已经按Key排序好的数据，如果是这样， 那我们就干脆顺手帮你做掉啦， 请叫我雷锋！” ......好吧，你是雷锋.

那么我们假设对前面的数据再进行排序，结果如下：

split 0

 

Partition 1:

company　1

is     　1

is　　　　1

 

Partition 2:

My　　   1

My　　　　1

name　　1

Pivotal   1

Tony　　  1

 

 split 1

 

Partition 1:

company 1

EMC　　 1

is 　　　1

is      1

 

Partition 2:

Lisa　　 1

My　　   1

My       1

name　　 1

 这里可以看到， 每个partition里面的条目都按照Key的顺序做了排序

4. Combine

什么是Combine呢？ Combine 其实可以理解为一个mini Reduce 过程， 它发生在前面Map的输出结果之后，目的就是在结果送到Reducer之前先对其进行一次计算， 以减少文件的大小， 方便后面的传输。 但这步也不是必须的。

按照前面的输出，执行Combine:

split 0

 

Partition 1:

company　1

is     　2

 

Partition 2:

My　　   2

name　　1

Pivotal   1

Tony　　  1

 

 split 1

 

Partition 1:

company 1

EMC　　 1

is 　　　2

 

Partition 2:

Lisa　　 1

My　　   2

name　　 1

 

 我们可以看到， 针对前面的输出结果， 我们已经局部地统计了is 和My的出现频率，减少了输出文件的大小。

5. Copy

下面就要准备把输出结果传送给Reducer了。 这个阶段被称为Copy, 但事实上雷子认为叫他Download更为合适，因为实现的时候， 是通过http的方式， 由Reducer节点向各个mapper节点下载属于自己分区的数据。

那么根据前面的Partition, 下载完的结果如下：

Reducer 节点 1 共包含两个文件:

Partition 1:

company　1

is     　2

 

Partition 1:

company　　1

EMC　　　　1

is　　　　2

 

Reducer 节点 2 也是两个文件:

 Partition 2:

My　　   2

name　　1

Pivotal   1

Tony　　  1

 

Partition 2:

Lisa　　 1

My　　   2

name　　 1

这里可以看到，通过Copy, 相同Partition 的数据落到了同一个节点上。

6. Merge

如上一步所示，此时Reducer得到的文件是从不同Mapper那里下载到的， 需要对他们进行合并为一个文
a4b1
件，所以下面这一步就是Merge, 结果如下：

Reducer 节点 1

company　1

company  1

EMC　　  1

is     　2

is　　　　2 

 

Reducer 节点 2

Lisa　　1

My　　   2

My　　　　2

name　　1

name　　1

Pivotal   1

Tony　　  1

7. Reduce

终于可以进行最后的Reduce 啦...这步相当简单喽，根据每个文件中的内容最后做一次统计， 结果如下：

Reducer 节点 1

company　2

EMC　　　　1

is     　4

 

Reducer 节点 2

Lisa　　1

My　　   4

name　　2

Pivotal   1

Tony　　  1

至此大功告成！我们成功统计出两个文件里面每个单词的数目， 同时把它们存入到两个输出文件中， 这两个输出文件也就是传说中的 part-r-00000 和 part-r-00001,看看两个文件的内容， 再回头想想最开始的Partition,应该是清楚了其中的奥秘吧。

如果你在你自己的环境中运行的WordCount只有part-r-00000一个文件的话，那应该是因为你使用的是默认设置， 默认一个job只有一个reducer

如果你想设两个，你可以：

1. 在源代码中加入  job.setNumReduceTasks(2), 设置这个job的Reducer为两个

或者

2. 在 mapred-site.xml 中设置下面参数并重启服务

<property>

  <name>mapred.reduce.tasks</name>

  <value>2</value>

</property>

这样，整个集群都会默认使用两个Reducer

 

结束语：

本文大致描述了一下MapReduce的整个过程以及每个阶段所作的事情， 并没有涉及具体的job，resource的管理和控制，因为那个是第一代MapReduce框架和Yarn框架的主要区别。 而两代框架中上述MapReduce 的原理是差不多的。