Hadoop運作原理

我們通過下面這個天氣資料處理的例子來說明Hadoop的運作原理.

1、Map-Reduce的邏輯過程

假設我們需要處理一批有關天氣的資料，其格式如下：

• 按照ASCII碼存儲，每行一條記錄
• 每一行字元從0開始計數，第15個到第18個字元為年
• 第25個到第29個字元為溫度，其中第25位是符号+/-

0067011990999991950051507+0000+ 0043011990999991950051512+0022+ 0043011990999991950051518-0011+ 0043012650999991949032412+0111+ 0043012650999991949032418+0078+ 0067011990999991937051507+0001+ 0043011990999991937051512-0002+ 0043011990999991945051518+0001+ 0043012650999991945032412+0002+ 0043012650999991945032418+0078+

現在需要統計出每年的最高溫度。

Map-Reduce主要包括兩個步驟：Map和Reduce

每一步都有key-value對作為輸入和輸出：

• map階段的key-value對的格式是由輸入的格式所決定的，如果是預設的TextInputFormat，則每行作為一個記錄程序處理，其中key為此行的開頭相對于檔案的起始位置，value就是此行的字元文本
• map階段的輸出的key-value對的格式必須同reduce階段的輸入key-value對的格式相對應

對于上面的例子，在map過程，輸入的key-value對如下：

(0, 0067011990999991950051507+0000+) (33, 0043011990999991950051512+0022+) (66, 0043011990999991950051518-0011+) (99, 0043012650999991949032412+0111+) (132, 0043012650999991949032418+0078+) (165, 0067011990999991937051507+0001+) (198, 0043011990999991937051512-0002+) (231, 0043011990999991945051518+0001+) (264, 0043012650999991945032412+0002+) (297, 0043012650999991945032418+0078+)

在map過程中，通過對每一行字元串的解析，得到年-溫度的key-value對作為輸出：

(1950, 0) (1950, 22) (1950, -11) (1949, 111) (1949, 78) (1937, 1) (1937, -2) (1945, 1) (1945, 2) (1945, 78)

在reduce過程，将map過程中的輸出，按照相同的key将value放到同一個清單中作為reduce的輸入

(1950, [0, 22, –11]) (1949, [111, 78]) (1937, [1, -2]) (1945, [1, 2, 78])

在reduce過程中，在清單中選擇出最大的溫度，将年-最大溫度的key-value作為輸出：

(1950, 22) (1949, 111) (1937, 1) (1945, 78)

其邏輯過程可用如下圖表示：

下圖大概描述了Map-Reduce的Job運作的基本原理：

下面我們讨論JobConf，其有很多的項可以進行配置：

• setInputFormat：設定map的輸入格式，預設為TextInputFormat，key為LongWritable, value為Text
• setNumMapTasks：設定map任務的個數，此設定通常不起作用，map任務的個數取決于輸入的資料所能分成的input split的個數
• setMapperClass：設定Mapper，預設為IdentityMapper
• setMapRunnerClass：設定MapRunner, map task是由MapRunner運作的，預設為MapRunnable，其功能為讀取input split的一個個record，依次調用Mapper的map函數
• setMapOutputKeyClass和setMapOutputValueClass：設定Mapper的輸出的key-value對的格式
• setOutputKeyClass和setOutputValueClass：設定Reducer的輸出的key-value對的格式
• setPartitionerClass和setNumReduceTasks：設定Partitioner，預設為HashPartitioner，其根據key的hash值來決定進入哪個partition，每個partition被一個reduce task處理，是以partition的個數等于reduce task的個數
• setReducerClass：設定Reducer，預設為IdentityReducer
• setOutputFormat：設定任務的輸出格式，預設為TextOutputFormat
• FileInputFormat.addInputPath：設定輸入檔案的路徑，可以使一個檔案，一個路徑，一個通配符。可以被調用多次添加多個路徑
• FileOutputFormat.setOutputPath：設定輸出檔案的路徑，在job運作前此路徑不應該存在

當然不用所有的都設定，由上面的例子，可以編寫Map-Reduce程式如下：

public class MaxTemperature { public static void main(String[] args) throws IOException { if (args.length != 2) { System.err.println("Usage: MaxTemperature <input path> <output path>"); System.exit(-1); } JobConf conf = new JobConf(MaxTemperature.class); conf.setJobName("Max temperature"); FileInputFormat.addInputPath(conf, new Path(args[0])); FileOutputFormat.setOutputPath(conf, new Path(args[1])); conf.setMapperClass(MaxTemperatureMapper.class); conf.setReducerClass(MaxTemperatureReducer.class); conf.setOutputKeyClass(Text.class); conf.setOutputValueClass(IntWritable.class); JobClient.runJob(conf); } }

3、Map-Reduce資料流(data flow)

Map-Reduce的處理過程主要涉及以下四個部分：

• 用戶端Client：用于送出Map-reduce任務job
• JobTracker：協調整個job的運作，其為一個Java程序，其main class為JobTracker
• TaskTracker：運作此job的task，處理input split，其為一個Java程序，其main class為TaskTracker
• HDFS：hadoop分布式檔案系統，用于在各個程序間共享Job相關的檔案

3.1、任務送出

JobClient.runJob()建立一個新的JobClient執行個體，調用其submitJob()函數。

• 向JobTracker請求一個新的job ID
• 檢測此job的output配置
• 計算此job的input splits
• 将Job運作所需的資源拷貝到JobTracker的檔案系統中的檔案夾中，包括job jar檔案，job.xml配置檔案，input splits
• 通知JobTracker此Job已經可以運作了

送出任務後，runJob每隔一秒鐘輪詢一次job的進度，将進度傳回到指令行，直到任務運作完畢。

3.2、任務初始化

當JobTracker收到submitJob調用的時候，将此任務放到一個隊列中，job排程器将從隊列中擷取任務并初始化任務。

初始化首先建立一個對象來封裝job運作的tasks, status以及progress。

在建立task之前，job排程器首先從共享檔案系統中獲得JobClient計算出的input splits。

其為每個input split建立一個map task。

每個task被配置設定一個ID。

3.3、任務配置設定

TaskTracker周期性的向JobTracker發送heartbeat。

在heartbeat中，TaskTracker告知JobTracker其已經準備運作一個新的task，JobTracker将配置設定給其一個task。

在JobTracker為TaskTracker選擇一個task之前，JobTracker必須首先按照優先級選擇一個Job，在最高優先級的Job中選擇一個task。

TaskTracker有固定數量的位置來運作map task或者reduce task。

預設的排程器對待map task優先于reduce task

當選擇reduce task的時候，JobTracker并不在多個task之間進行選擇，而是直接取下一個，因為reduce task沒有資料本地化的概念。

3.4、任務執行

TaskTracker被配置設定了一個task，下面便要運作此task。

首先，TaskTracker将此job的jar從共享檔案系統中拷貝到TaskTracker的檔案系統中。

TaskTracker從distributed cache中将job運作所需要的檔案拷貝到本地磁盤。

其次，其為每個task建立一個本地的工作目錄，将jar解壓縮到檔案目錄中。

其三，其建立一個TaskRunner來運作task。

TaskRunner建立一個新的JVM來運作task。

被建立的child JVM和TaskTracker通信來報告運作進度。

3.4.1、Map的過程

MapRunnable從input split中讀取一個個的record，然後依次調用Mapper的map函數，将結果輸出。

map的輸出并不是直接寫入硬碟，而是将其寫入緩存memory buffer。

當buffer中資料的到達一定的大小，一個背景線程将資料開始寫入硬碟。

在寫入硬碟之前，記憶體中的資料通過partitioner分成多個partition。

在同一個partition中，背景線程會将資料按照key在記憶體中排序。

每次從記憶體向硬碟flush資料，都生成一個新的spill檔案。

當此task結束之前，所有的spill檔案被合并為一個整的被partition的而且排好序的檔案。

reducer可以通過http協定請求map的輸出檔案，tracker.http.threads可以設定http服務線程數。

3.4.2、Reduce的過程

當map task結束後，其通知TaskTracker，TaskTracker通知JobTracker。

對于一個job，JobTracker知道TaskTracer和map輸出的對應關系。

reducer中一個線程周期性的向JobTracker請求map輸出的位置，直到其取得了所有的map輸出。

reduce task需要其對應的partition的所有的map輸出。

reduce task中的copy過程即當每個map task結束的時候就開始拷貝輸出，因為不同的map task完成時間不同。

reduce task中有多個copy線程，可以并行拷貝map輸出。

當很多map輸出拷貝到reduce task後，一個背景線程将其合并為一個大的排好序的檔案。

當所有的map輸出都拷貝到reduce task後，進入sort過程，将所有的map輸出合并為大的排好序的檔案。

最後進入reduce過程，調用reducer的reduce函數，處理排好序的輸出的每個key，最後的結果寫入HDFS。

3.5、任務結束