一、概念

mapReduce是分布式计算模型。注：在hadoop2.x中MapReduce运行在yarn上，yarn支持多种运算模型。storm、spark等等，任何运行在JVM上的程序都可以运行在yarn上.

MR有两个阶段组成，Map和Reduce，用户只需要实现Map()和reduce()两个函数（且这两个函数的输入和输出均是key -value的形式）即可实现分布式计算。代码示例略。

MapReduce设计框架：

在1.0中：,管理者：Job Tracker；被管理者：Task Tracker：

在2.0之后：管理者ResourceManager，被管理者：Node Manager。2.0之后使用YArn

YARN上的MapReduce比传统的MapReduce包括更多的实例：主要如下

 

提交MapReduce作业的客户端YARN资源管理器，负责协调集群上计算资源的分配，YARN节点管理器，负责启动和监视集群中机器上的计算容器（Container）MapReduce应用程序master，分布式文件系统HDFS，用来与其他实例间共享作业文件。

 

二、MapReduce执行过程：

其输入输出都在HDFS中，资源数据在HDFS中，计算结果同样存入HDFS中。

 

 

1、主要有三个阶段;map-》Shuffle-》reducer、

2、其中分区排序分组（按key值进行分组）都是在shuffle中完成的，Reducer会去想shuffle去取数据。

3、Map和reducer的输入输出都是key-value

1、Map任务执行步骤（简述）：

1、读取输入文件内容，解析成key、value对。对输入文件的每一行，解析成key、value对。key的值是当前行首字母的偏移量，value的值时当前行的内容

2、每一个键值对调用一次map函数。

3、 写自己的逻辑，对输入的key、value处理，转换成新的key、value输出。

4、对输出的key、value进行分区。

5、 对不同分区的数据，按照key进行排序、分组。相同key的value放到一个集合中。

6、(可选)分组后的数据进行归约。

2、Reduce任务执行步骤（简述）：

1、对多个map任务的输出，按照不同的分区，通过网络copy到不同的reduce节点。

2、 对多个map任务的输出进行合并、排序。写reduce函数自己的逻辑，对输入的key、value处理，转换成新的key、value输出。

3、 把reduce的输出保存到文件中

3、Shuffle的执行过程（概述）：由于篇幅较长故放在文章最后。

 

三、MapReduce在Hadoop1.0中的流程：（2.0中会有些区别）

1、将jar包写好之后再客户端运行一个hadoop jar命令，来执行MapReduce任务中的main方法，而此main方法中会构建一个Job对象，这个Job 对象中其实还持有一个JobClient，JobClient持有ResourceManager的代理对象，因此JobClient可以与ResourceManager通信，通信之后，ResourceManager会给JobClient一个JOBID和一个存放jar包的路径(比较固定)，

2、客户端会将ResourceManager给他的Jar包路径作为前缀，JobID作为后缀将两个路径拼接起来作为唯一的路径，

3、客户端会根据拼接得到的路径，将任务jar包写入到HDFS文件系统中。Client中有FileSystem对象（即Hadoop提供的工具类），利用该对象Client就可以将jar包写入到HDFS中，默认情况下jar包写10份（源码包：hadoop-mapreduce-client-core-2.2.0.jar/mapred-default.xml中的mapreduce.client.submit.file.replication参数中定义的），这样可以提高NodeManager向HDFS读取jar包的效率（其他数据默认写三份）。程序运行完成后会将jar包删除

4、Client会将任务信息包括：jobID和提交到HDFS的位置和一些配置信息等等，通过RPC方法的参数提交给ResourceManager，因此ResourceManager会存有该任务的描述信息

5、ResourceManager得到该任务的描述信息后，将这些信息初始化放到其调度器中（hadoop有多种调度器），

6、ResourceManager查看数据（计算资源）多大，决定启动多少个Mapper和多少Reducer,之后将任务放到调度其中（hadoop有多种调度器 ），

7、之后小弟NodeManager就可以通过心跳机制领取任务

8、小弟NodeManager在领取任务后回去HDFS上下载任务jar包，

9、下载完jar包之后，NodeManager会另外启动一个java子进程yarnChild（在这个子进程中运行mapper任务或Reduce任务），子进程中Mapper先读取数据解析成key-value后，传给reduce，

10、reduce计算完成后再将数据写回到HDFS中

 

四、mapReduce在Hadoop2.x中

 

 

各部分简介：

ResourceManager，RM：管理集群上资源使用的资源管理器：

Application Master ,AM：管理集群上运行任务声明周期的应用管理器：

 

应用服务器MA和资源管理器RM协商集群的计算资源：容器（Container，每个容器都有特定的内存上线），在这些容器上运行特定应用程序的进程，容器由集群节点上运行的节点管理器Node Manager监视，以确保应用程序使用的资源不会超过分配给他的资源。

NodeMagnager：管理每个节点上的资源和任务，主要有两个作用，定期向RM汇报该节点的资源使用情况和各个Container的运行状态；接收并处理AM任务的启动停止等请求。

应用的每一个MapReduce作业有一个专用的应用Master,他运行在应用的运行期间，他和MapReduce任务在任务容器（Container）中运行，这些容器由资源管理器ResourceManager分配并由节点管理器NodeManager进行管理。

hadoop2.0执行流程：

一、作业提交；步骤1-步骤4

Job的submit（）方法创建一个内部的JobSubmiter实例，并且调用其submitJobInternal()每秒轮询作业的进度，如果发现自从上次报告后有改变，，便把进度报告到控制台，作业完成后，如果成功就显示作业计数器，如果失败将导致作业失败的错误记录到控制台。

具体如下：

• 从资源管理器中获取新的作业ID，在Yarn命名法中它是有一个应用程序。（步骤2）检查作业的输出说明，例如，如果程序中没有指定输出目录或指定的输出目录已经存在，作业就不提交，错误返回给MapReduce程序计算作业的输入分片，，如果无法计算，比如因为输入路径不存在，作业就无法提交，将错误返回给Mapreduce程序作业客户端检查作业的输出说明，在计算输入分片，并将作业资源（包括JAR、配置和分片信息）复制到HDFS，默认保存10份。（步骤3）最后，通过调用资源管理器上的submitApplication()方法提交作业。（步骤4）

二、作业初始化;步骤5-步骤7

• 资源管理器收到调用它的submitApplication（）消息后，便将请求传递给调度器（Schedule），调度器分配一个容器，然后资源管理器在节点管理器的管理下在容器中启动应用程序master进程MapReduce作业的application master是一个Java应用程序，它的主类是MRAPPMaster他对作业进行初始化，通过创建多个薄记对象以保持对作业进度的跟踪，因为他将接受来自任务的进度和完成报告（步骤6）接下来application master接受来自共享文件系统HDFS的在客户端计算的输入分片，并对每一个分片创建一个map任务对象以及由mapreduce.job.reduces属性确定的多个reduce任务对象。（步骤7）application master决定如何运行构成MapReduce作业的各个任务，如果作业很小，就选择在于他同一个JVM上运行。此时的任务称为uberized或称为uber任务。uber任务具体指：小于10个mapper且只有一个reducer且输入大小小于一个HDFS块的任务。

三、任务分配；步骤8

• 如果作业不适合作为uber任务运行，那么application master就会为该作业中的所有map任务和reduce任务向资源管理器ResourceManager请求容器。步骤8具体如下：附着心跳信息的请求包括每个map任务的数据本地化信息，特别是输入片所在的主机和相应的机架信息，调度器使用这些信息来做调度决策，利用心跳的返回值与其进行通信，理想情况下，将他任务分配到数据本地化的节点，但是如果不能这样做，调度器就会相对于非本地化的分配优先使用机架本地化的分配。

四、任务执行;步骤9-步骤11

• 一旦资源管理器的调度器为任务分配了容器，application master 就通过与节点管理器NodeManager通信来启动容器。步骤9a、步骤9b该任务由主类为YarnChild的java程序执行，它在运行之前，首先将任务需要的资源本地化，包括作业的配置、JAR文件、和所有来自分布式HDFS缓存的文件，步骤10最后运行map任务或reduce任务。步骤11

五、进度和状态更新

• 在YARN下运行时，任务每三秒钟通过Umbilical接口向application master汇报进度和状态（包括技术器），作为作业的汇聚视图（aggregate view）。过程如图：客户端每秒钟（可以设置）查询一次application master已接收进度更新，通常会向用户显示，
  

   

  六、作业完成

• 除了想application master查询进度外，客户端每隔5秒还通过调用Job的waitForCompletion()来检查作业是否完成，查询的间隔可以通过属性设置。作业完成后application master和任务容器清理其工作状态，OutputCommitter的作业清理方法会被调用，作业历史服务器保存作业的信息供用户需要时查询。

   

附1： shuffle过程：

 

Mapper阶段

1、一个切片对应一个Mapper，每一个Mapper都对应在内存中有一个环形缓冲区（内存当中的一段空间默认100M），用来存储Mapper的输出，当缓冲区存放的数据达到80%时，此时会开启一个线程开始将缓冲区的数据溢写到磁盘（注此时Mapper仍在向缓冲区中写入输出数据），直到缓冲区中的数据达到100%时，此时Map会被阻塞直到写磁盘的过程完成。

2、而在内存缓冲区向磁盘溢写入数据时，会首先将数据进行分区，若没有自定义Partition类（关于partition这里不再赘述），则会采用自己默认的Partition类HashPartitioner（getPartition()中实现为：

return (key.hashCode（） & Integer.MAX_VALUE)% numReduceTasks

;numReduceTasks为Reduce的数量，可以在程序中自己设置）即将数据均匀的分不给Reduce。（其中reducer的数量可以在程序中自己决定job.setNumReduceTasks(ReducerNumber);。上图中启动了三个Reducer）

3、这样经过partition后数据都会有对应的分区，之后首先按照分区号将相同分区的数据放在一起，按分区号大小排序存入小文件（Spill file ）中，之后，后台线程将每一个分区里的数据按照key2的规则排序（若可key2为Text类型则按字典顺序排，若key2为LongWritable型则按自然数顺序排序，若为自定义类型则按该定义类该类必须继承WritableComparable即必须是可排序的规定的排序规则排）因为mapper向内存缓冲区中写数据要快于缓冲区向磁盘写数据，所以当缓冲区被写满时，mapper就会被阻塞，直到将当前缓冲区中的内容被全部写到磁盘上的一个小文件（Spill file ）中。之后再开启Mapper继续向内存缓冲区中写数据，当缓冲区中数据达到80%时，会再次开启一个线程将向缓冲区的数据写到磁盘上的另一个小文件（Spill file ）中（即每次内存缓冲区达到溢出阈值，就会建立一个小文件Spill file）。上图中总共写了三个小文件（其他的mapper可能会有更多的小文件Spill file ）这些小文件都是分区且按分区号排序的，每个小文件（Spill file ）都有三个分区，分区每个分区中的数据按key2排序。

4、Combiner

在写磁盘之前，如果有Combiner，它就会在排序后的输出上运行，使得Mapp的输出结果更紧凑，以减少写到磁盘的数据，和要传递给Reducer的数据。

5、

最后上面的小文件还要合并成一个大的文件，由于合并所以顺序肯定会被打乱，因此大文件需要再次先按分区号将数据放在一起，此时相同分区的数据进行合并 ，每个分区中再按key2排序，最终大文件也是一个分区且排序的。

最后Mapper向他的上级领导汇报，此时Mapper的任务就完成了，

Reducer阶段

Reducer要主动去获取Mapper端的数据（如何取？向谁取？详见下文）Reducer通过HTTP方式得到输出文件的分区。上图中开启了三个reducer（只显示的画出了0号Reducer），因此0号reduce会去取所有Mapper产生的大文件中的0号分区的数据（上图中为4个Mapper即Orther Maps是3，因为reducer中的merge数量为4个），1号Reducer去取所有大文件中1号分区中的数据，2号Reducer会去取所有大文件中2号分区的数据。（问题：因为集群有很多机器，会运行很多Mapper，而每个Mapper都会产生一个大文件，此时Reduce如何知道向哪里去取文件数据？详见下文）

如图0号Reducer获取到来自4个Map的大文件中的）号分区的数据（即图中的4个mege）后会再次将这些数据合并为一个大文件，并进行排序，将最终数据给Reducer，Reducer经过计算后将结果写回到HDFS中。

Reducer获取数据的方式：1.0版本

在hadoop1.0中MapReduce的管理者为JobTrackerc它既要监控所有的任务又要分配资源；即由它决定Mapper运行在哪台机器上,例如，若提交了1000个MapReduce那么这些MapReduce都交由JobTrackerc 管理。而在2.0中将其功能进行了拆分，资源的分配交给ResourceManager，资源的监控交给ApplicationMaster，此时若提交了1000个MapReduce，每个MapReduce就会对应有一个ApplicationMaster。

小弟的进程名为TaskTracker，TaskTracker通过心跳进程向JobTracker领取任务，领取到任务后就会启动一个JavaChild子进程，且进程名字就叫做child（而不是yarnchild）一台机器上可以运行多个child进程。child中运行Mapper或Reducer。

对于运行Mapper的child进程，当child运行完Mapper后会将产生的数据放到本机的磁盘上，关于Mapper输出数据的大小，存放位置，各个分区的具体位置等映射描述信息，会向其上级领导TaskTracker汇报，然后TaskTracker会向JobTracker汇报。其他的运行Mapper的child也会将Mapper产生的数据的映射信息，向上级汇报，最终JobTracker得到所有的Mapper产生数据的映射信息。（之间的通信使用的RPC）

Reducer取数据

运行Reducer的child中有一个后台线程会不断的向JobTracker询问（越过自己的领导TaskTracker，以提高效率），通过RPC机制获取 Mapper输出数据的映射关系，从而得知从哪个磁盘下载数据，而下载数据是通过HTTp协议，由于reducer可能失败，因此TaskTracker并没有在第一个reducer检索到map输出时就从磁盘上将他们删掉，相反TaskTracker会等待，reducer执行完成之后回想JobTracker汇报，直到JobTracker告知TaskTracker可以删除map输出，这是作业完成后执行的。

 

 

Reducer获取数据的方式：2.x版本

2.0上提供了一个平台Yarn，只要满足Yarn的规则即可在yarn上运行。yarn的管理者ResourceManager，yarn被管理者为NodeManager

运行nodeMapper进程的机器上在领到任务后会启动YarnChild进程（一台NodeManager节点上可以启动多个YarnChild），但是NodeManager不负责管理YarnChild，YarnChild的管理是由MrAPPMaster进程 负责管理的，每个MapReduce任务会对应一个MrAPPMaster进程 。NodeManager只负责管理当前节点（即运行NodeManager的机器）的状态，例如内存使用情况，CPU使用情况等等。

假设有三台机器运行NodeManager，数据量较大，此时需启动了三个yarnChild进程（每台机器上运行一个Yarnchild，若只有一台机器运行NodeManager此时会在这一台机器上启动三个YarnChild进程）其中两个运行mapper一个运行Reducer，MrAPPMaster会随机分配到三个YarnChild中的一个上，且只有一台机器上会运行MrAPPMaster进程，用于监控属于同一个MapReduce任务的YarnChild。因为是不同机器间的通信，此时该MrAPPMaster进程需要通过RPC监控其他机器上的yarnchild进程，运行Mapper的YarnChild中当Mapper运行完成后将输出的结果数据放到本机磁盘，然后将数据的映射信息汇报到MrAPPMaster进程，而运行Reducer的YarnChild会向MrAPPMaster询问数据的映射信息。

 

 

附2：Mapper启动的个数：

现在关键是确定mapper的个数，即文件被切分的个数。

文件被上传到HDFS后首先被物理切分按块存储（2.x中默认每块大小128M，1.x中默认64M），之后会对块进行逻辑切分，将其切分成多个切片。

默认情况下，切片的大小等于块的大小128M，要想让切片大小小于块的大小，此时修改，maxSize

要想使切片大小大于块的大小，此时修改Mixsize的大小。

一个切片等于一个块大小，有助于提高效率。因为这样可以使得mapper直接在自己的机器上的DataManage上取数据即可。

例如：若当前MapReduce输入文件有两个：a.txt大小为130M;b.txt大小为2K.此时会启动3个mapper。a.txt会启动两个，b.txt会启动一个。