分布式计算系统MapReduce

2019-08-12  本文已影响0人  康俊1024

MapReduce

MapReduce的核心思想:分治 分而治之

MapReduce编程步骤

MapReduce原生编程有八个步骤俗称天龙八部

  1. 第一步:读取文件,解析成key,value对 这里的key,value对指代的是k1 v1
  2. 第二步:自定义map逻辑,接收第一步读取的k1,v1 ,转换成新的k2,v2输出
  1. 第三步:分区 相同key的的数据发送到同一个reduce里面去,形成一个集合 这里的key指代的是k2
  2. 第四步:排序 对我们的数据进行字典顺序的排列
  3. 第五步:规约 主要是在map端对数据做一次聚合,减少我们输出的k2的数据量
  4. 第六步:分组 将相同的数据发送到同一组里面去调用一次reduce逻辑
  1. 第七步:自定义reduce逻辑,接收k2 v2 转换成新的k3 v3 进行输出
  2. 第八步:输出 将我们reduce处理完成之后的数据进行输出
    每一个步骤都是一个class类,将八个步骤的class类组织到一起就是我们的mapreduce的程序

MapTask和ReduceTask

在MapTask当中,一个文件的切片大小使用默认值是128M,就是跟我们一个block块对应大小一样。

  1. TextInputFormat读取数据,解析成key,value对;
  2. 调用map逻辑,默认是一个切片(就是一个block块)对应一个mapTask;
  3. 数据写入到环形缓冲区,默认环形缓冲区的大小是100M,环形缓冲区其实就是一个数组;
  4. 数据一直往环形缓冲区当中写,数据在环形缓冲区当中实现分区,排序,规约,分组等;
  5. 等到数据写到环形缓冲区的80%的时候,启动溢写线程,将内存当中80M的数据,溢写到磁盘上面去;
  6. 等到MapTask完成之后,磁盘上面可能存在很多的小文件,这些小文件已经做好了局部排序(每个mapTask内部的排序),分区,规约等步骤,再把这些小文件合并成一个大的文件;
  7. 等待reduce阶段来拉取这个文件;
  1. 启动线程到MapTask那里去拷贝数据,拉取属于每一个ReduceTask自己内部的数据;
  2. 数据的合并merge,拉取过来的数据进行合并,合并的过程,有可能在内存当中,有可能在磁盘当中,有可能在内存和磁盘当中,合并的时候同时要进行分组操作;
  3. 调用reduce逻辑
  4. 数据输出

数据的压缩

数据的压缩分为两个地方的数据压缩

  1. MapTask结束之后的数据进行压缩
  2. ReduceTask结束之后的数据压缩
    压缩算法首选snappy,谷歌出品的,压缩和解压缩的速率比都比较均衡,比较快,并且也不会压缩的太小,导致CPU开销比较大;

名称解释

上一篇 下一篇

猜你喜欢

热点阅读