MapReduce 原理深度剖析

一 . MapReduce 工作机制详解

1． MapTask工作机制

2． ReduceTask工作机制

3. Shuffle 机制

Shuffle 就是从map的输出 到 Reduce阶段的输入

在这一过程中经历了OutPutCollection阶段的根据HashPartition的分区，到maptask阶段的缓存区的2：8划分 ，排序 ，Combiner的合并，当内存大于8的时候溢出到磁盘，在磁盘中又经过了文件的合并，排序。当reduce节点Copy磁盘中的数据到Partition中，经过了合并排序。 之所以Hadoop的效率低就是因为中间经历这些步骤。

补充 combiner这个是继承reducer，输入与reduce一致，输出与map段一致。这里有个排序，过滤，分区的操作。

二 . MapReduce 并行度 工作机制

1. MapTask 并行度机制

Map阶段并行度代表的是MapTask的数量，并不是Maptask的数量越多越好，因为每个Mapatask都会单独开启一个JVM实例进程，占用内存。然后Maptask的数量又是根据逻辑分配来决定。重点就是FileInputFormat 切片机制。

FileInputFormat 切片机制

1. 文本数据过大

默认情况下，split size=block size但是又要针对不同的环境来说如果需要切分的是10G的文本数据，按照128M来切分会产生很多的MapTask，因此可以考虑 增加Block快的大小进而减小分配数

2. 修改切片参数的设置

FileInputFormat 中切片的大小的参数配置 在 FileInputFormat 中，计算切片大小的逻辑：
Math.max(minSize, Math.min(maxSize, blockSize));
切片主要由这几个值来运算决定：
minsize ：默认值： 1
配置参数： mapreduce.input.fileinputformat.split.minsize
maxsize ：默认值： Long.MAXValue
配置参数： mapreduce.input.fileinputformat.split.maxsize
blocksize

3.
bytesRemaining/splitSize > 1.1 不满足的话，那么最后所有剩余
的会作为一个切片。从而不会形成例如 129M 文件规划成两个切片的局面。

4. 无论怎么切 都不能让多个小文件“划入”一个 split

2. ReduceTask 并行度机制

就是RduceTask的数量 可以手动设置 。具体的数量应该根据业务需求去配置。reduce的数量不合理就会造成 数据倾斜 。 解决办法就是hash值打散 。Map阶段的输出key进行修改 。

三 . MapReduce 优化参数 （了解）

1. 资源相关参数

//以下参数是在用户自己的 MapReduce 应用程序中配置就可以生效
(1) mapreduce.map.memory.mb: 一个 Map Task 可使用的内存上限（单位:MB），默认为 1024。
如果 Map Task 实际使用的资源量超过该值，则会被强制杀死。
(2) mapreduce.reduce.memory.mb: 一个 Reduce Task 可使用的资源上限（单位:MB），默认
为 1024。如果 Reduce Task 实际使用的资源量超过该值，则会被强制杀死。
(3) mapreduce.map.cpu.vcores: 每个 Maptask 可用的最多 cpu core 数目, 默认值: 1
(4) mapreduce.reduce.cpu.vcores: 每个 Reducetask 可用最多 cpu core 数目默认值: 1
(5) mapreduce.map.java.opts: Map Task 的 JVM 参数，你可以在此配置默认的 java heap
size 等参数, 例如： “-Xmx1024m -verbose:gc -Xloggc:/tmp/@taskid@.gc”
（@taskid@会被 Hadoop 框架自动换为相应的 taskid）, 默认值: “”

(6) mapreduce.reduce.java.opts: Reduce Task 的 JVM 参数，你可以在此配置默认的 java
heap size 等参数, 例如： “-Xmx1024m -verbose:gc -Xloggc:/tmp/@taskid@.gc”, 默
认值: “”
//应该在 yarn 启动之前就配置在服务器的配置文件中才能生效
(1) yarn.scheduler.minimum-allocation-mb RM 中每个容器请求的最小配置，以 MB 为单
位，默认 1024。
(2) yarn.scheduler.maximum-allocation-mb RM 中每个容器请求的最大分配，以 MB 为单
位，默认 8192。
(3) yarn.scheduler.minimum-allocation-vcores 1
(4)yarn.scheduler.maximum-allocation-vcores 32
(5) yarn.nodemanager.resource.memory-mb   表示该节点上YARN可使用的物理内存总量，
默认是 8192（MB），注意，如果你的节点内存资源不够 8GB，则需要调减小这个值，而 YARN
不会智能的探测节点的物理内存总量。
//shuffle 性能优化的关键参数，应在 yarn 启动之前就配置好
(1) mapreduce.task.io.sort.mb   100    shuffle 的环形缓冲区大小，默认 100m
(2) mapreduce.map.sort.spill.percent   0.8    环形缓冲区溢出的阈值，默认 80%

2. 容错相关参数

(1) mapreduce.map.maxattempts: 每个 Map Task 最大重试次数，一旦重试参数超过该值，则
认为 Map Task 运行失败，默认值：4。
(2) mapreduce.reduce.maxattempts: 每个Reduce Task最大重试次数，一旦重试参数超过该值，
则认为 Map Task 运行失败，默认值：4。
(3) mapreduce.map.failures.maxpercent: 当失败的 Map Task 失败比例超过该值，整个作业则
失败，默认值为 0. 如果你的应用程序允许丢弃部分输入数据，则该该值设为一个大于 0 的
值，比如 5，表示如果有低于 5%的 Map Task 失败（如果一个 Map Task 重试次数超过
mapreduce.map.maxattempts，则认为这个 Map Task 失败，其对应的输入数据将不会产生任
何结果），整个作业扔认为成功。
(4) mapreduce.reduce.failures.maxpercent: 当失败的 Reduce Task 失败比例超过该值为，整个
作业则失败，默认值为 0.
(5) mapreduce.task.timeout:如果一个task在一定时间内没有任何进入，即不会读取新的数据，
也没有输出数据，则认为该 task 处于 block 状态，可能是临时卡住，也许永远会卡住。为了
防止因为用户程序永远 block 不退出，则强制设置了一个超时时间（单位毫秒），默认是
600000，值为 0 将禁用超时。。

3. 效率稳定性参数

(1) mapreduce.map.speculative: 是否为 Map Task 打开推测执行机制，默认为 true, 如
果为 true，则可以并行执行一些 Map 任务的多个实例。
(2) mapreduce.reduce.speculative: 是否为 Reduce Task 打开推测执行机制，默认为 true
(3)mapreduce.input.fileinputformat.split.minsize: FileInputFormat做切片时最小切
片大小，默认 0。
(5)mapreduce.input.fileinputformat.split.maxsize: FileInputFormat做切片时最大切
片大小
推测 执行 机制 （ Speculative Execution ）： 它根据一定的法则推测出“拖后腿”的任务，并
为 这 样 的 任 务 启 动 一 个 备 份 任 务 ，让 该 任 务 与 原 始 任 务 同 时 处 理 同 一 份 数 据 ，并 最 终 选 用 最 先 成
功运行完成任务的计算结果作为最终结果

四 . MapReduce 其他功能 （了解）

1 . 计算器应用

2 . 多job串联

案例练习 （扩展视野）

案例 1. 倒排索引

案例 2. 数据去重

案例 3. Top N