hadoop之mapreduce详解（进阶篇）

上篇文章hadoop之mapreduce详解（基础篇）我们了解了mapreduce的执行过程和shuffle过程，本篇文章主要从mapreduce的组件和输入输出方面进行阐述。

一、mapreduce作业控制模块以及其他功能

mapreduce包括作业控制模块，编程模型，数据处理引擎。这里我们重点阐述作业控制模块MRAppMaster。

1.1、MRAppMaster的构成

MRAppMaster主要有如下几个组件构成，如下图所示：

1、ContainerAllocator：与resourcemanager通信，为mapreduce申请资源，作业的所需资源描述为<priority,hostname,capability,containers,relax_locality>5元组格式，分别表示作业的优先级，期望资源所在的节点,资源量，container数目，是否松弛本地性。ContainerAllocator周期性的通过RPC与resourcemanager通信，而resourcemanager则通过心跳应答的方式为之返回所需的container列表，完成的container列表等信息。

ContainerAllocator工作流程：
步骤1：将Map Task的资源需求发送给RM；
步骤2：如果达到了Reduce Task的调度条件，则开始为Reduce Task申请资源；
步骤3：如果为某个Task申请到了资源，则取消其他重复资源的申请。由于在HDFS中，任何一份数据通常有三个备份，而对于一个任务而言，考虑到rack和any级别的本地性，它可能会对应7个资源请求
步骤4：如果任务运行失败，则会重新为该任务申请资源；
步骤5：如果一个任务运行速度过慢，则会为其额外申请资源以启动备份任务（如果启动了推测执行功能）；
步骤6：如果一个节点失败的任务数目过多，则会撤销对该节点的所有资源的申请请求

2、ClientServer：实现了MRClientprotocol协议，客户端可以通过该协议获取到作业的执行状态（不需要通过resourcemanager）和控制作业（比如杀死作业，改变作业的优先级等）

3、Job：是一个mapreduce作业，负责监控作业的运行状态，维护一个作业的状态机，实现异步执行各种作业的相关操作

4、Task：一个mapreduce作业中一个任务，负责监控一个任务的运行状态，维护一个任务的状态机，实现异步执行各种任务的相关操作。

5、TaskAttempt：表示一个运行实例

6、TaskCleaner：负责清理失败任务或者杀死任务使用的目录和产生的临时结果，维护一个线程池和一个共享队列，异步删除任务产生的垃圾数据

7、Speculator：完成推测执行功能，当一个任务在执行速度上明显慢于其他任务的时候，Speculator将会启动一个功能相同的任务，先执行完成的任务会kill掉没执行完的那个作业。

8、ContainerLauncher：负责与NodeManager通信，以启动container

9、TaskAttempListener：负责各个任务的心跳信息，如果一个任务一段时间内未汇报心跳信息，则认为该任务死掉了，会将其从系统中移除。

10、JobHistoryEventHandler：负责各个作业的事件记录日志，比如作业的创建，运行等，都会写入hdfs的指定目录下，对作业的恢复很有用。

1.2、mapreduce客户端

是用户和yarn通信的唯一途径，通过该客户端，用户可以向yarn提交作业，获取作业的运行状态，以及控制作业（杀死作业或者任务），该客户端设计到两个通信协议：

ApplicationClientProtocol：resourcemanager实现了该协议，客户端需要通过该协议提交作业，杀死作业，改变作业的优先级等操作

MRClientProtocol：当作业启动Application Master后，会启动MRClientServer服务，该服务实现了MRClientProtocol协议，从而允许用户直接通过该协议直接与Application Master通信，获取作业的执行状态和控制作业，减轻resourcemanager的压力。

1.3、MRAppMaster工作流程

作业的运行分为local模式，yarn的uber模式和yarn的非uber模式：

首先看local模式和yarn模式的选择：客户端通过JobClient提交作业时，会通过java标准库中的Serverloader动态加载所有的ClientProtocolProvider的实现。默认情况下有两种实现：LocalClientProcotolProvider和YarnClientProcotolProvider。如果在配置中参数mapreduce.framework.mode设置为yarn时，客户端则会采用YarnClientProcotolProvider，创建一个YarnRunner对象作为真正的客户端，这样就可以通过YarnRunner.submitJob方法提交给yarn作业了。在该方法的内部实现会进一步调用ApplicationClientProcotol的submitApplication方法，提交作业给Resourcemanager。源码详情可见：hadoop2.7之作业提交详解（上）

uber模式和非uber模式的选择：

uber模式是小作业的一个优化，MrAppMaster不会再为每一个任务申请资源，而是让其重用一个container，map和reduce会在同一份资源上串行执行。

uber模式条件：

mapreduce.job.ubertask.enable #是否启用uber模式
mapreduce.job.ubertask.maxmaps #ubertask的最大map数 （默认9）
mapreduce.job.ubertask.maxreduces #ubertask的最大reduce数 （默认1）
mapreduce.job.ubertask.maxbytes #ubertask最大作业大小 （默认为block.size）
map和reduce使用的资源不得超过MRAppMaster可使用的资源

满足如上条件则使用yarn的uber模式执行，否则为非uber模式执行

在yarn上运行mapreduce作业需要解决两个问题：
1、reduce作业啥时候启动比较合适

由参数mapreduce.job.reduce.slowstart.completedmaps控制，表示当Map Task完成的比例达到该值后才会为Reduce Task申请资源，默认是0.05；

2、怎样完成shuffle过程

当用户向YARN中提交一个MapReduce应用程序后，YARN将分两个阶段运行该应用程序：
第一个阶段是由ResourceManager启动MRAppMaster；
第二个阶段是由MRAppMaster创建应用程序，为它申请资源，并监控它的整个运行过程，直到运行完成。

具体的运行流程图如下：

步骤1：用户向YARN中提交应用程序，其中包括MRAppMaster程序、启动MRAppMaster的命令、用户程序等；
步骤2：ResourceManager为该应用程序分配第一个Container，并与对应的NodeManager通信，要求它在这个Container中启动应用程序的MRAppMaster；
步骤3：MRAppMaster启动后，首先向ResourceManager注册，这样用户可以直接通过ResourceManager查看应用程序的运行状态，之后，它将为内部任务申请资源，并监控它们的运行状态，直到运行结束，即重复步骤4～7；
步骤4：MRAppMaster采用轮询的方式通过RPC协议向ResourceManager申请和领取资源；
步骤5：一旦MRAppMaster申请到资源后，则与对应的NodeManager通信，要求它启动任务；
步骤6：NodeManager为任务设置好运行环境（包括环境变量、JAR包、二进制程序等）后，将任务启动命令写到一个脚本中，并通过运行该脚本启动任务；
步骤7：各个任务通过RPC协议向MRAppMaster汇报自己的状态和进度，以让MRAppMaster随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务；
步骤8：应用程序运行完成后，MRAppMaster向ResourceManager注销并关闭自己

1.4、推测执行

在分布式集群环境下，因软件Bug、负载不均衡或者资源分布不均等原因，造成同一个作业的多个任务之间运行速度不一致，有的任务运行速度明显慢于其他任务（比如某个时刻，一个作业的某个任务进度只有10%，而其他所有Task已经运行完毕），则这些任务将拖慢作业的整体执行进度。为了避免这种情况发生，运用推测执行（Speculative Execution）机制，Hadoop会为该任务启动一个备份任务，让该备份任务与原始任务同时处理一份数据，谁先运行完成，则将谁的结果作为最终结果。

推测执行算法的核心思想是：某一时刻，判断一个任务是否拖后腿或者是否是值得为其启动备份任务，采用的方法为，先假设为其启动一个备份任务，则可估算出备份任务的完成时间estimatedEndTime2；同样地，如果按照此刻该任务的计算速度，可估算出该任务最有可能的完成时间estimatedEndTime1，这样estimatedEndTime1与estimatedEndTime2之差越大，表明为该任务启动备份任务的价值越大，则倾向于为这样的任务启动备份任务。

这种算法的最大优点是，可最大化备份任务的有效率，其中有效率是有效备份任务数与所有备份任务数的比值，有效备份任务是指完成时间早于原始任务完成时间的备份任务（即带来实际收益的备份任务）。备份任务的有效率越高、推测执行算法就越优秀，带来的收益也就越大。

推测执行机制实际上采用了经典的算法优化方法：以空间换时间，它同时启动多个相同任务处理同一份数据，并让这些任务竞争以缩短数据处理时间，显然这种方法需要占用更多的计算资源，在集群资源紧缺的情况下，应合理使用该机制，争取在多用少量资源情况下，减少大作业的计算时间。

参数控制：

mapreduce.map.speculative
mapreduce.reduce.speculative

二、mapreduce输入输出格式

2.1、输入格式

2.1.1、分片

在FileInputFormat中，分片计算源码详见：hadoop2.7作业提交详解之文件分片

计算切片大小的逻辑：Math.max(minSize, Math.min(maxSize, blockSize))
minSize的默认值是1,而maxSize的默认值是long类型的最大值,即可得切片的默认大小是blockSize(128M)
maxSize参数如果调得比blocksize小，则会让切片变小，而且就等于配置的这个参数的值
minSize参数调的比blockSize大，则可以让切片变得比blocksize还大

hadoop为每个分片构建一个map任务,可以并行处理多个分片上的数据,整个数据的处理过程将得到很好的负载均衡,因为一台性能较强的计算机能处理更多的数据分片，分片也不能切得太小,否则多个map和reduce间数据的传输时间,管理分片,构建多个map任务的时间将决定整个作业的执行时间.(大部分时间都不在计算上)如果文件大小小于128M,则该文件不会被切片,不管文件多小都会是一个单独的切片,交给一个maptask处理.如果有大量的小文件,将导致产生大量的maptask,大大降低集群性能.

注意：分片本身不包含数据本身，而是指向数据的引用，存储位置供mapreduce系统使用以便使得map任务尽量数据本地化，而分片的大小用来排序，以便优先处理大的分片，
从而做小化作业执行时间。

2.1.2、小文件处理

小文件不仅会增加NameNode的存储压力，还会增加运行作业时的寻址次数，也会造成map的大批量增加，所以处理小文件是必要的。

1、在数据处理的前端就将小文件整合成大文件，再上传到hdfs上，即避免了hdfs不适合存储小文件的缺点,又避免了后期使用mapreduce处理大量小文件的问题。(最提倡的做法)

2、小文件已经存在hdfs上了，可以使用另一种inputformat来做切片(CombineFileInputFormat),它的切片逻辑和FileInputFormat（默认）不同，它可以将多个小文件在逻辑上规划到一个切片上，交给一个maptask处理。

2.1.3、如何避免切片

1、动态调整blocksize

2、重写isSplitable()方法，返回false

2.1.4、文本行整条数据分片存储

文本行一行记录是否会被切分存放在两个分片上，又如何保证数据不丢失和数据不重复。

事实上，Hadoop对这种某一行跨两个分片的情况进行了特殊的处理。
通常Hadoop使用的InputSplit是FileSplit，一个FileSplit主要存储了三个信息<path, start, 分片length>。假设根据设置分片大小为100，那么一个250字节大小的文件切分之后，我们会得到如下的FileSplit：
<path, 0, 100>
<path, 100, 100>
<path, 200, 50>
（具体的切分算法可以参考FileInputFormat的实现）

因此，事实上，每个MapReduce程序得到的只是类似<path, 0, 100>的信息。当MapReduce程序开始执行时，会根据path构建一个FSDataInputStream，定位到start，然后开始读取数据。在处理一个FileSplit的最后一行时，当读取到一个FileSplit的最后一个字符时，如果不是换行符，那么会继续读取下一个FileSplit的内容，直到读取到下一个FileSplit的第一个换行符。这样子就保证我们不会得到一个不完整的行了。

那么当MapReduce在处理下一个FileSplit的时候，怎么知道上一个FileSplit有没有已经处理了这个FileSplit的第一行内容？
我们只需要检查一下前一个FileSplit的最后一个字符是不是换行符，如果是，那么当前Split的第一行还没有被处理，如果不是，表示当前Split的第一行已经被处理，我们应该跳过。
在LineRecordReader中，使用了一个很巧妙的方法来实现上述的逻辑，把当前FileSplit的start减一，然后跳过第一行（下面是这个代码片断）

}else{
if(start!= 0) {
skipFirstLine =true;
--start;
 fileIn.seek(start);
}
in=newLineReader(fileIn, job, recordDelimiter);
 }
if(skipFirstLine) {// skip first line and re-establish "start".
start+=in.readLine(newText(), 0,
(int)Math.min((long)Integer.MAX_VALUE,end-start));
}