MapReduce的运行流程概述

MapReduce处理数据的大致流程

InputFormat调用RecordReader,从输入目录的文件中,读取一组数据,封装为keyin-valuein对象

②将封装好的key-value,交给Mapper.map()------>将处理的结果写出 keyout-valueout

ReduceTask启动Reducer,使用Reducer.reduce()处理Mapper的keyout-valueout

④OutPutFormat调用RecordWriter,将Reducer处理后的keyout-valueout写出到文件

关于这些名词的解释参考我之前的文章MapReduce计算框架的核心编程思想

示例

需求: 统计/hello目录中每个文件的单词数量
a-p开头的单词放入到一个结果文件中,
q-z开头的单词放入到另外一个结果文件中。

例如:
/hello/a.txt,文件大小200M
hello,hi,hadoop
hive,hadoop,hive,
zoo,spark,wow
zoo,spark,wow
...

/hello/b.txt,文件大小100M
hello,hi,hadoop
zoo,spark,wow
...

1. Map阶段(运行MapTask,将一个大的任务切分为若干小任务,处理输出阶段性的结果)

①切片(切分数据)
/hello/a.txt 200M
/hello/b.txt 100M

默认的切分策略是以文件为单位,以文件的块大小(128M)片大小进行切片!
split0:/hello/a.txt,0-128M
split1: /hello/a.txt,128M-200M
split2: /hello/b.txt,0M-100M

②运行MapTask(进程),每个MapTask负责一片数据

split0:/hello/a.txt,0-128M--------MapTask1
split1: /hello/a.txt,128M-200M--------MapTask2
split2: /hello/b.txt,0M-100M--------MapTask3

③读取数据阶段

在MR中,所有的数据必须封装为key-value
MapTask1,2,3都会初始化一个InputFormat(默认TextInputFormat),每个InputFormat对象负责创建一个RecordReader(LineRecordReader)对象,
RecordReader负责从每个切片的数据中读取数据,封装为key-value

LineRecordReader: 将文件中的每一行封装为一个key(offset)-value(当前行的内容)
举例:
hello,hi,hadoop----->(0,hello,hi,hadoop)
hive,hadoop,hive----->(20,hive,hadoop,hive)
zoo,spark,wow----->(30,zoo,spark,wow)
zoo,spark,wow----->(40,zoo,spark,wow)

④进入Mapper的map()阶段

map()是Map阶段的核心处理逻辑! 单词统计! map()会循环调用,对输入的每个Key-value都进行处理!
输入:(0,hello,hi,hadoop)
输出:(hello,1),(hi,1),(hadoop,1)

输入:(20,hive,hadoop,hive)
输出:(hive,1),(hadoop,1),(hive,1)

输入:(30,zoo,spark,wow)
输出:(zoo,1),(spark,1),(wow,1)

输入:(40,zoo,spark,wow)
输出:(zoo,1),(spark,1),(wow,1)

⑤将MapTask输出的记录进行分区(分组、分类)

在Mapper输出后,调用Partitioner,对Mapper输出的key-value进行分区,分区后也会排序(默认字典顺序排序)
分区规则:

  • a-p开头的单词放入到一个区
  • q-z开头的单词放入到另一个区
    MapTask1:
    0号区: (hadoop,1),(hadoop,1),(hello,1),(hi,1),(hive,1),(hive,1)
    1号区: (spark,1),(spark,1),(wow,1) ,(wow,1),(zoo,1)(zoo,1)

MapTask2:
0号区: ...
1号区: ...

MapTask3:
0号区: (hadoop,1),(hello,1),(hi,1),
1号区: (spark,1),(wow,1),(zoo,1)

2.Reduce阶段

①因为需求是生成两个结果文件,所以我们需要启动两个ReduceTask
ReduceTask启动后,会启动shuffle线程,从MapTask中拷贝相应分区的数据!

ReduceTask1: 只负责0号区
将三个MapTask,生成的0号区数据全部拷贝到ReduceTask所在的机器!
(hadoop,1),(hadoop,1),(hello,1),(hi,1),(hive,1),(hive,1)
(hadoop,1),(hello,1),(hi,1),

ReduceTask2: 只负责1号区
将三个MapTask,生成的1号区数据全部拷贝到ReduceTask所在的机器!
(spark,1),(spark,1),(wow,1) ,(wow,1),(zoo,1)(zoo,1)
(spark,1),(wow,1),(zoo,1)

②sort

ReduceTask1: 只负责0号区进行排序:
(hadoop,1),(hadoop,1),(hadoop,1),(hello,1),(hello,1),(hi,1),(hi,1),(hive,1),(hive,1)
ReduceTask2: 只负责1号区进行排序:
(spark,1),(spark,1),(spark,1),(wow,1) ,(wow,1),(wow,1),(zoo,1),(zoo,1)(zoo,1)

③reduce
ReduceTask1---->Reducer----->reduce(一次读入一组数据)

何为一组数据: key相同的为一组数据
输入: (hadoop,1),(hadoop,1),(hadoop,1)
输出: (hadoop,3)

输入: (hello,1),(hello,1)
输出: (hello,2)

输入: (hi,1),(hi,1)
输出: (hi,2)

输入:(hive,1),(hive,1)
输出: (hive,2)

ReduceTask2---->Reducer----->reduce(一次读入一组数据)

输入: (spark,1),(spark,1),(spark,1)
输出: (spark,3)

输入: (wow,1) ,(wow,1),(wow,1)
输出: (wow,3)

输入:(zoo,1),(zoo,1)(zoo,1)
输出: (zoo,3)

④调用OutPutFormat中的RecordWriter将Reducer输出的记录写出
ReduceTask1---->OutPutFormat(默认TextOutPutFormat)---->RecordWriter(LineRecoreWriter)
LineRecoreWriter将一个key-value以一行写出,key和alue之间使用\t分割
在输出目录中,生成文件part-r-0000
hadoop 3
hello 2
hi 2
hive 2

ReduceTask2---->OutPutFormat(默认TextOutPutFormat)------>RecordWriter(LineRecoreWriter)
LineRecoreWriter将一个key-value以一行写出,key和alue之间使用\t分割
在输出目录中,生成文件part-r-0001
spark 3
wow 3
zoo 3

三、MR总结

Map阶段(MapTask): 切片(Split)-----读取数据(Read)-------交给Mapper处理(Map)------分区和排序(sort)

Reduce阶段(ReduceTask): 拷贝数据(copy)------排序(sort)-----合并(reduce)-----写出(write)

posted @ 2020-07-11 23:59  孙晨c  阅读(80)  评论(0编辑  收藏