MapReduce并行计算构架流程

MapReduce 概述

1. MapReduce 是面向大数据并行处理的计算模型、框架和平台。
2. MapReduce 是一种编程模型
3. 为解决大数据并行处理问题提供模板
4. MapReduce 是一个编程框架
5. 降低编写大数据并行处理程序的难度
6. MapReduce 是一个高性能的并行计算平台
7. 为大数据并行处理程序提供运行环境

MapReduce 原理

1. 分治法：
2. 把规模较大的复杂问题拆分为若干规模较小子问题
3. 并逐个解决子问题
4. 最后再将各个子问题的解决结果合并，得到原始问题的结果

MapReduce 角色

1. Map：拆分后的小任务
2. 统计每页中单词出现的次数
3. 文件数据以 key-value 的形式输入 Map 程序进行分析
4. Map 程序分析的结果也以 key-value 的形式输出
5. Reduce：汇总每个 Map 的分析结果
6. 汇总每页中单词出现的次数
7. 数据以 key-value 的形式输入 Reduce 程序进行汇总
8. Reduce 程序汇总的结果也以 key-value 的形式输出
9. Job/Driver：组装 Map 和 Reduce
10. 管理和指挥另外两种员工

WordCount 执行流程

        Map 阶段：

1.  文件数据被拆分后交给不同的 map 程序进行分析
2.  数据以行为单位转换为 kv 格式交给 map 程序进行分析
3.  key 是行首字母的索引
4. value 是这一行的内容
5.  kv 经过 map 程序分析后也以 kv 的形式进行输出
6. key 是数据中的每个单词
7. value 是数字 1，表示这个单词出现了 1 次  

WordCount 执行流程

1. Reduce 阶段：
2. map 输出的结果聚合成新的 kv ,聚合就是把 key 相同的 value 合并到一起  , hello [1, 1, 1]
3.  新的 kv 输入 reduce 进行汇总把 value 中所有的 1 相加就是该单词出现的次数 , hello 1 + 1 + 1 = 3 = 出现了 3 次
4. reduce 输出汇总结果

MapReduce 运行流程

1. Map 阶段：
2. Map：分析数据；
3. Spill：保存 map 分析结果；
4. Reduce 阶段：
5. Copy：下载 map 的分析结果；
6. Sort：按照 key 进行排序和聚合；
7. Reduce：汇总分析结果；
8. Shuffle 阶段（横跨 Map 和 Reduce 两个阶段）：
9. Spill：保存 map 分析结果；
10. Copy：下载 map 的分析结果；

Sort：按照 key 进行排序和聚合；

MapReduce 运行流程

1. Split（切片/分片/划分）
2. 大数据拆分为小数据，然后交给不同的 map 进行分析
3. 拆分属于逻辑上的操作，不会对真实数据产生影响
4. 切片通常和 block 一样大，一个切片对应一个 map 程序
5. 切片中的数据会以行为单位转换为 key-value 格式,key 是行首字母的索引,value 是这一行内容
6. 然后依次输入 map 程序进行分析

   MapReduce 运行流程

7. Map 阶段
8. Map：
9. 分析输入的 key-value 数据，输出分析结果
10. 分析结果也是 key-value 格式
11. Spill（溢写）：map 输出的结果经过溢写操作高效的保存到磁盘上

MapReduce 运行流程

1. Map 中的 Spill 阶段：
2. Collect（收集）：
3. Map 输出的数据先进入内存环形缓冲区
4. 缓冲区大小默认 100M
5. Partition（分区）&& Sort（排序）
6. 缓存区中的数据会进行分区和排序操作
7. 分区：决定该组 key-value 交给哪个 reduce 进行汇总

排序：分区后放在一起的数据按照 key 进行升序排列

MapReduce 运行流程

Map 中的 Spill 阶段：

Spill（溢写）：

1. 当内存环形缓冲区的数据大小达到阈值（80%）的时候
2. 这部分数据会一次性的写入磁盘
3. 写入操作完成后清空所占的缓冲区空间

Merge（合并）：

1. 合并多次溢写操作生成的小文件为一个大文件
2. 在合并的过程中仍然会进行分区和排序操作
3. 保证最终大文件内的数据分区且有序

MapReduce 运行流程

1. Map 中的 Spill 阶段：Combiner（Map 阶段的汇总）:
2. 对每个 Map 输出的数据进行汇总
3. 可选步骤，不是必须的

即使设置了，是否执行也由集群根据当时状况决定是否执行

MapReduce 运行流程

Reduce 阶段：

1. Copy（下载）：

1. reduce 程序各个 Map 程序下载需要自己进行汇总的数据
2. Merge && Sort && Grouping（聚合）

1. Merge ：
2. reduce 下载的多个小文件需要合并成一个大文件

1. Sort：
2. 数据按照 key 升序排列

1. Grouping：
2. 把 key 相同的 value 合并到集合中，形成新的 key-value

1. Reduce（汇总）：
2. 聚合后的 key-value 依次输入 reduce 程序进行汇总
3. 并把汇总结果保存到指定位置。、

MR运行流程

1. 对数据进行切片，决定启动多少个 map 程序；

2. 切片中的数据转换为 key-value 格式输入 map 程序；

3. map 程序处理输入的数据，并输出分析结果；

4. map 的分析结果会先写入内存缓存区，在内存缓冲区中进行分区和排序；

5. 每当缓冲区数据达量达到阈值（80%）的时候，就进行一次性溢写操作，把数据写入磁盘；

6. 合并多次溢写产生的小文件，并保持数据分区且有序；

7. reduce 从各个 map 下载需要自己汇总的数据；

8.reduce 合并下载的所有文件，并进行排序和聚合操作，形成新的 key-value 数据；

9. 聚合后的 key-value 依次输入 reduce 程序进行汇总；

10. 把汇总结果保存到指定位置；

Shuffle

1. Shuffle（混洗）：

1. 整理 Map 程序输出的数据，并分发给 Reduce 程序

1. 由以下步骤组成：

1. 分区：决定 map 输出的 kv 交给哪个 reduce 进行处理；
2. 排序：按照 key 进行升序排列；
3. 聚合：把 key 相同的 value 合并到一起，形成新的 kv；

1. 对大数据进行排序是最常见也是最核心的大数据分析需求
2. MapReduce 中自带的排序都在 Shuffle 阶段，共 3 次

1. 第一次：map 输出的数据在内存缓冲区按照 key 升序排列
2. 第二次：溢写的小文件合并为大文件时候按照 key 升序排列
3. 第三次：reduce 执行聚合操作时按照 key 升序排列

MapReduce 调优

1. 由于数据规模的庞大，MapReduce 会执行很长时间
2. 任何一个小小的优化，都可以节省很多时间
3. 优化思路：1. 分配更多的硬件资源，提高程序执行效率2. 减少需要计算的数据量
4. .优化相关的配置都在 mapred-site.xml 文件中