[hadoop]MapReduce组件介绍 ｜全流程

一.知识点

1.wc.jar这个包里包括

1）AppMaster：用于阶段调度，它负责程序中各个阶段的调度，一个jar包一个AppMaster。

     阶段一：MapTask

     阶段二：ReduceTask

2.job

用户的每一个计算请求称为一个作业.

每个作业包括:

1）文件的大小

2）一个片的大小

3）任务的数量

4）Job的名字“wordcount”

5）AppMaster分配的资源等

3.Task

每一个作业都需要被拆分开来,交由多个主机来完成,拆分出来的执行单位就是任务.

Task又分为如下三种类型的任务:

1)MapTask

负责Map阶段数据的处理

MapTask调用map()方法,结果返回给MapTask

MapTask的并行度：开启多少个MapTask

MapTask个数的决定因素：

1）数据量

2）一个片的大小

3）文件的个数

2)ReduceTask

负责整个Reduce阶段数据的处理

3)MRAppMaster

负责整个程序的过程调度及状态调优

4.RunJar

提交Job进程.

5.ResourceManager

ResourceManager只是负责分配资源.AppMaster申请多少资源，ResourceManager就分配多少资源，不管分配的资源是否被利用，ResourceManger不做任何交验。

6.Container

在NodeManager在Container上运行程序，Container是一块资源的容器。

Container是Yarn中的一个动态资源分配的概念。由ResouceManger分配给AppMaster或者MapTask或者ReduceTask。

7.申请多少资源由谁决定

由客户端决定。申请多少资源就是申请Container，Container是分配给

1）AppMaster（只要有MapReduce程序就有一个）

2）MapTask（客户端提交job信息中有文件的大小，一个片多大，文件的个数，就可以算出有多少片，就有多少个MapTask）

3）ReduceTask（由配置文件决定，写到job里）

    job.setNumReduceTasks(3); //设置reducetask的个数，默认是1

8.移动计算而不移动数据

数据存储在HDFS上，计算在NodeManger的Continer上，所以NodeManger和DataNode是不分离的。

9.Yarn

Yarn集群负责公司所有job的运行，所以有可能提交job的时候，没有运行资源可以使用（全部占满），其实yarn有一个等待队列，把job放在里面。

二.MapReduce Job提交流程

1客户端向ResorceManager提交job

2ResorceManager响应,返回jobId,返回jar包在HDFS上的路径

3.客户端把wc.jar放到HDFS上

4.ResourceManager分配一个Container资源给AppMaster

5.客户端给Container发启动AppMaster的命令

6.AppMaster向ResourceManager申请MapTask的资源,AppMaster申请多少资源,ResourceManager就分配多少资源,不管分配的资源是否被利用,ResourceManager不做任何校验.

7.ResourceManager为MapTask分配资源后,把任务的信息(jar的存放路径,有哪些机器运行,每台机器上运行的数据是什么)放到队列里.

8.NodeManager每隔1秒向ResourceManager发送一次心跳,ResourceManger把任务的信息返回给它,当任务的信息中指定的机器有它的话,当它空闲的时候就会到HDFS上把jar包拉取下来,并给AppMaster一个响应,告知已经拿到jar包,询问AppMaster怎么启动任务.拿到AppMaster的响应后,启动MapTask.

9.AppMaster监控MapTask的状态,当MapTask运行结束的时候,AppMaster会接到它的反馈,会继续申请资源运行ReduceTask.只要有一个MapTask结束,就可以启动ReduceTask,ReduceTask收集MapTask运行完的数据,当所有MapTask运行完了,数据也就收集完了,就可以运行汇总程序.

三.MapReduce全流程

1.TextInputFormat.createRecordReader(),返回的是LineRecordReader类的对象(把文本切成行).

2.生成的LineRecordReader类的对象,可以使用方法:

nextKeyValue()返回值为boolean类型

getCurrentKey()返回k(偏移量)

getCurrentValue()返回v(该行的内容)

3.将得到的k,v传给mapTask

4.mapTask调用自己的MyMapper类的map(k1,v1,context)方法.context.write(k2,v2)将返回值写往MapTask,这个写过程:

MapTask新开一个线程:OutputCollection(收集数据,将数据放进环形缓冲器).这个环形缓冲器默认大小为100M,环形缓冲器的数据按照发出顺序接收.当80M满了.MapTask会新开一个线程:Spiller溢出器,它负责环形缓冲器的溢出.要求这个溢出的过程能快速进行(所以用内存),溢出做了三件事:

1)分区:hashPartitioner

2)排序:用快速排序

3)溢出:将数据写往磁盘

 5.图解溢出

数据一直写,当完成80%,在溢出的同时,把指针指到保留区开始写,溢出完,将环上空白区域设成新的保留区,原来的保留区因为有了数据,直接变成80%的一部分. 

问题:

1)万一20M不够怎么办?

20M是默认值,是通过大量测试得到的一个通用值,这个值可以通过配置文件修改.

2)最后一次环形缓冲器没有写满没办法溢出怎么办?

MapTask读完数据后,环形缓冲区是它的一个进程,MapTask会检查环形缓冲器中是否还有内容,如果有则溢出,然后才结束.

3)怎么知道结果的数据属于哪个区?

有一个维护分区的东西:index

6.在一个Map Task结束后

0号分区发往0号ReduceTask

1号分区发往1号ReduceTask

2号分区发往2号ReduceTask

有一个MapTask端结束,就可以开始ReduceTask,ReduceTask是AppMaster启动的.ReduceTask启动之后先拉取相应分区的数据.

等所有MapTask端输出的文件都在ReduceTask合并完,ReduceTask调用MyReducer的reduce(