開始聊MapReduce，MapReduce是Hadoop的計算框架，我學Hadoop是從Hive開始入手，再到hdfs，當我學習hdfs時候，就感覺到hdfs和mapreduce關系的緊密。這個可能是我做技術研究的思路有關，我開始學習某一套技術總是想著這套技術到底能幹什麽，只有當我真正理解了這套技術解決了什麽問題時候，我後續的學習就能逐步的加快，而學習hdfs時候我就發現，要理解hadoop框架的意義，hdfs和mapreduce是密不可分，所以當我寫分布式文件系統時候，總是感覺自己的理解膚淺，今天我開始寫mapreduce了，今天寫文章時候比上周要進步多，不過到底能不能寫好本文了，只有試試再說了。

　　Mapreduce初析

　　Mapreduce是一個計算框架，既然是做計算的框架，那麽表現形式就是有個輸入（input），mapreduce操作這個輸入（input），通過本身定義好的計算模型，得到一個輸出（output），這個輸出就是我們所需要的結果。

　　我們要學習的就是這個計算模型的運行規則。在運行一個mapreduce計算任務時候，任務過程被分為兩個階段：map階段和reduce階段，每個階段都是用鍵值對（key/value）作為輸入（input）和輸出（output）。而程序員要做的就是定義好這兩個階段的函數：map函數和reduce函數。

　　Mapreduce的基礎實例

　　講解mapreduce運行原理前，首先我們看看mapreduce裏的hello world實例WordCount,這個實例在任何一個版本的hadoop安裝程序裏都會有，大家很容易找到，這裏我還是貼出代碼，便於我後面的講解，代碼如下：

　　如何運行它，這裏不做累述了，大夥可以百度下，網上這方面的資料很多。這裏的實例代碼是使用新的api，大家可能在很多書籍裏看到講解mapreduce的WordCount實例都是老版本的api，這裏我不給出老版本的api，因為老版本的api不太建議使用了，大家做開發最好使用新版本的api，新版本api和舊版本api有區別在哪裏：

1. 新的api放在：org.apache.hadoop.mapreduce,舊版api放在：org.apache.hadoop.mapred
2. 新版api使用虛類，而舊版的使用的是接口，虛類更加利於擴展，這個是一個經驗，大家可以好好學習下hadoop的這個經驗。

　　其他還有很多區別，都是說明新版本api的優勢，因為我提倡使用新版api，這裏就不講這些，因為沒必要再用舊版本，因此這種比較也沒啥意義了。

　　下面我對代碼做簡單的講解，大家看到要寫一個mapreduce程序，我們的實現一個map函數和reduce函數。我們看看map的方法：

public void map(Object key, Text value, Context context) throws IOException, InterruptedException {…}

　　這裏有三個參數，前面兩個Object key, Text value就是輸入的key和value，第三個參數Context context這是可以記錄輸入的key和value，例如：context.write(word, one);此外context還會記錄map運算的狀態。

　　對於reduce函數的方法：

public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {…}

　　reduce函數的輸入也是一個key/value的形式，不過它的value是一個叠代器的形式Iterable<IntWritable> values，也就是說reduce的輸入是一個key對應一組的值的value，reduce也有context和map的context作用一致。

　　至於計算的邏輯就是程序員自己去實現了。

　　下面就是main函數的調用了，這個我要詳細講述下，首先是：

Configuration conf = new Configuration();

　　運行mapreduce程序前都要初始化Configuration，該類主要是讀取mapreduce系統配置信息，這些信息包括hdfs還有mapreduce，也就是安裝hadoop時候的配置文件例如：core-site.xml、hdfs-site.xml和mapred-site.xml等等文件裏的信息，有些童鞋不理解為啥要這麽做，這個是沒有深入思考mapreduce計算框架造成，我們程序員開發mapreduce時候只是在填空，在map函數和reduce函數裏編寫實際進行的業務邏輯，其它的工作都是交給mapreduce框架自己操作的，但是至少我們要告訴它怎麽操作啊，比如hdfs在哪裏啊，mapreduce的jobstracker在哪裏啊，而這些信息就在conf包下的配置文件裏。

　　接下來的代碼是：

    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length != 2) {
      System.err.println("Usage: wordcount <in> <out>");
      System.exit(2);
    }

　　If的語句好理解，就是運行WordCount程序時候一定是兩個參數，如果不是就會報錯退出。至於第一句裏的GenericOptionsParser類，它是用來解釋常用hadoop命令，並根據需要為Configuration對象設置相應的值，其實平時開發裏我們不太常用它，而是讓類實現Tool接口，然後再main函數裏使用ToolRunner運行程序，而ToolRunner內部會調用GenericOptionsParser。

　　接下來的代碼是：

    Job job = new Job(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);

　　第一行就是在構建一個job，在mapreduce框架裏一個mapreduce任務也叫mapreduce作業也叫做一個mapreduce的job，而具體的map和reduce運算就是task了，這裏我們構建一個job，構建時候有兩個參數，一個是conf這個就不累述了，一個是這個job的名稱。

　　第二行就是裝載程序員編寫好的計算程序，例如我們的程序類名就是WordCount了。這裏我要做下糾正，雖然我們編寫mapreduce程序只需要實現map函數和reduce函數，但是實際開發我們要實現三個類，第三個類是為了配置mapreduce如何運行map和reduce函數，準確的說就是構建一個mapreduce能執行的job了，例如WordCount類。

　　第三行和第五行就是裝載map函數和reduce函數實現類了，這裏多了個第四行，這個是裝載Combiner類，這個我後面講mapreduce運行機制時候會講述，其實本例去掉第四行也沒有關系，但是使用了第四行理論上運行效率會更好。

　　接下來的代碼：

    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);

　　這個是定義輸出的key/value的類型，也就是最終存儲在hdfs上結果文件的key/value的類型。

　　最後的代碼是：

    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);

　　第一行就是構建輸入的數據文件，第二行是構建輸出的數據文件，最後一行如果job運行成功了，我們的程序就會正常退出。FileInputFormat和FileOutputFormat是很有學問的，我會在下面的mapreduce運行機制裏講解到它們。

　　好了，mapreduce裏的hello word程序講解完畢，我這個講解是從新辦api進行，這套講解在網絡上還是比較少的，應該很具有代表性的。

　　Mapreduce運行機制

　　下面我要講講mapreduce的運行機制了，前不久我為公司出了一套hadoop面試題，裏面就問道了mapreduce運行機制，出題時候我發現這個問題我自己似乎也將不太清楚，因此最近幾天惡補了下，希望在本文裏能說清楚這個問題。

　　下面我貼出幾張圖，這些圖都是我在百度圖片裏找到的比較好的圖片：

　　圖片一：

　　圖片二：

　　圖片三：

　　圖片四：

　　圖片五：

　　圖片六：

　　我現在學習技術很喜歡看圖，每次有了新理解就會去看看圖，每次都會有新的發現。

　　談mapreduce運行機制，可以從很多不同的角度來描述，比如說從mapreduce運行流程來講解，也可以從計算模型的邏輯流程來進行講解，也許有些深入理解了mapreduce運行機制還會從更好的角度來描述，但是將mapreduce運行機制有些東西是避免不了的，就是一個個參入的實例對象，一個就是計算模型的邏輯定義階段，我這裏講解不從什麽流程出發，就從這些一個個牽涉的對象，不管是物理實體還是邏輯實體。

　　首先講講物理實體，參入mapreduce作業執行涉及4個獨立的實體：

1. 客戶端（client）：編寫mapreduce程序，配置作業，提交作業，這就是程序員完成的工作；
2. JobTracker：初始化作業，分配作業，與TaskTracker通信，協調整個作業的執行；
3. TaskTracker：保持與JobTracker的通信，在分配的數據片段上執行Map或Reduce任務，TaskTracker和JobTracker的不同有個很重要的方面，就是在執行任務時候TaskTracker可以有n多個，JobTracker則只會有一個（JobTracker只能有一個就和hdfs裏namenode一樣存在單點故障，我會在後面的mapreduce的相關問題裏講到這個問題的）
4. Hdfs：保存作業的數據、配置信息等等，最後的結果也是保存在hdfs上面

　　那麽mapreduce到底是如何運行的呢？

　　首先是客戶端要編寫好mapreduce程序，配置好mapreduce的作業也就是job，接下來就是提交job了，提交job是提交到JobTracker上的，這個時候JobTracker就會構建這個job，具體就是分配一個新的job任務的ID值，接下來它會做檢查操作，這個檢查就是確定輸出目錄是否存在，如果存在那麽job就不能正常運行下去，JobTracker會拋出錯誤給客戶端，接下來還要檢查輸入目錄是否存在，如果不存在同樣拋出錯誤，如果存在JobTracker會根據輸入計算輸入分片（Input Split），如果分片計算不出來也會拋出錯誤，至於輸入分片我後面會做講解的，這些都做好了JobTracker就會配置Job需要的資源了。分配好資源後，JobTracker就會初始化作業，初始化主要做的是將Job放入一個內部的隊列，讓配置好的作業調度器能調度到這個作業，作業調度器會初始化這個job，初始化就是創建一個正在運行的job對象（封裝任務和記錄信息），以便JobTracker跟蹤job的狀態和進程。初始化完畢後，作業調度器會獲取輸入分片信息（input split），每個分片創建一個map任務。接下來就是任務分配了，這個時候tasktracker會運行一個簡單的循環機制定期發送心跳給jobtracker，心跳間隔是5秒，程序員可以配置這個時間，心跳就是jobtracker和tasktracker溝通的橋梁，通過心跳，jobtracker可以監控tasktracker是否存活，也可以獲取tasktracker處理的狀態和問題，同時tasktracker也可以通過心跳裏的返回值獲取jobtracker給它的操作指令。任務分配好後就是執行任務了。在任務執行時候jobtracker可以通過心跳機制監控tasktracker的狀態和進度，同時也能計算出整個job的狀態和進度，而tasktracker也可以本地監控自己的狀態和進度。當jobtracker獲得了最後一個完成指定任務的tasktracker操作成功的通知時候，jobtracker會把整個job狀態置為成功，然後當客戶端查詢job運行狀態時候（註意：這個是異步操作），客戶端會查到job完成的通知的。如果job中途失敗，mapreduce也會有相應機制處理，一般而言如果不是程序員程序本身有bug，mapreduce錯誤處理機制都能保證提交的job能正常完成。

　　下面我從邏輯實體的角度講解mapreduce運行機制，這些按照時間順序包括：輸入分片（input split）、map階段、combiner階段、shuffle階段和reduce階段。

1. 輸入分片（input split）：在進行map計算之前，mapreduce會根據輸入文件計算輸入分片（input split），每個輸入分片（input split）針對一個map任務，輸入分片（input split）存儲的並非數據本身，而是一個分片長度和一個記錄數據的位置的數組，輸入分片（input split）往往和hdfs的block（塊）關系很密切，假如我們設定hdfs的塊的大小是64mb，如果我們輸入有三個文件，大小分別是3mb、65mb和127mb，那麽mapreduce會把3mb文件分為一個輸入分片（input split），65mb則是兩個輸入分片（input split）而127mb也是兩個輸入分片（input split），換句話說我們如果在map計算前做輸入分片調整，例如合並小文件，那麽就會有5個map任務將執行，而且每個map執行的數據大小不均，這個也是mapreduce優化計算的一個關鍵點。
2. map階段：就是程序員編寫好的map函數了，因此map函數效率相對好控制，而且一般map操作都是本地化操作也就是在數據存儲節點上進行；
3. combiner階段：combiner階段是程序員可以選擇的，combiner其實也是一種reduce操作，因此我們看見WordCount類裏是用reduce進行加載的。Combiner是一個本地化的reduce操作，它是map運算的後續操作，主要是在map計算出中間文件前做一個簡單的合並重復key值的操作，例如我們對文件裏的單詞頻率做統計，map計算時候如果碰到一個hadoop的單詞就會記錄為1，但是這篇文章裏hadoop可能會出現n多次，那麽map輸出文件冗余就會很多，因此在reduce計算前對相同的key做一個合並操作，那麽文件會變小，這樣就提高了寬帶的傳輸效率，畢竟hadoop計算力寬帶資源往往是計算的瓶頸也是最為寶貴的資源，但是combiner操作是有風險的，使用它的原則是combiner的輸入不會影響到reduce計算的最終輸入，例如：如果計算只是求總數，最大值，最小值可以使用combiner，但是做平均值計算使用combiner的話，最終的reduce計算結果就會出錯。
4. shuffle階段：將map的輸出作為reduce的輸入的過程就是shuffle了，這個是mapreduce優化的重點地方。這裏我不講怎麽優化shuffle階段，講講shuffle階段的原理，因為大部分的書籍裏都沒講清楚shuffle階段。Shuffle一開始就是map階段做輸出操作，一般mapreduce計算的都是海量數據，map輸出時候不可能把所有文件都放到內存操作，因此map寫入磁盤的過程十分的復雜，更何況map輸出時候要對結果進行排序，內存開銷是很大的，map在做輸出時候會在內存裏開啟一個環形內存緩沖區，這個緩沖區專門用來輸出的，默認大小是100mb，並且在配置文件裏為這個緩沖區設定了一個閥值，默認是0.80（這個大小和閥值都是可以在配置文件裏進行配置的），同時map還會為輸出操作啟動一個守護線程，如果緩沖區的內存達到了閥值的80%時候，這個守護線程就會把內容寫到磁盤上，這個過程叫spill，另外的20%內存可以繼續寫入要寫進磁盤的數據，寫入磁盤和寫入內存操作是互不幹擾的，如果緩存區被撐滿了，那麽map就會阻塞寫入內存的操作，讓寫入磁盤操作完成後再繼續執行寫入內存操作，前面我講到寫入磁盤前會有個排序操作，這個是在寫入磁盤操作時候進行，不是在寫入內存時候進行的，如果我們定義了combiner函數，那麽排序前還會執行combiner操作。每次spill操作也就是寫入磁盤操作時候就會寫一個溢出文件，也就是說在做map輸出有幾次spill就會產生多少個溢出文件，等map輸出全部做完後，map會合並這些輸出文件。這個過程裏還會有一個Partitioner操作，對於這個操作很多人都很迷糊，其實Partitioner操作和map階段的輸入分片（Input split）很像，一個Partitioner對應一個reduce作業，如果我們mapreduce操作只有一個reduce操作，那麽Partitioner就只有一個，如果我們有多個reduce操作，那麽Partitioner對應的就會有多個，Partitioner因此就是reduce的輸入分片，這個程序員可以編程控制，主要是根據實際key和value的值，根據實際業務類型或者為了更好的reduce負載均衡要求進行，這是提高reduce效率的一個關鍵所在。到了reduce階段就是合並map輸出文件了，Partitioner會找到對應的map輸出文件，然後進行復制操作，復制操作時reduce會開啟幾個復制線程，這些線程默認個數是5個，程序員也可以在配置文件更改復制線程的個數，這個復制過程和map寫入磁盤過程類似，也有閥值和內存大小，閥值一樣可以在配置文件裏配置，而內存大小是直接使用reduce的tasktracker的內存大小，復制時候reduce還會進行排序操作和合並文件操作，這些操作完了就會進行reduce計算了。
5. reduce階段：和map函數一樣也是程序員編寫的，最終結果是存儲在hdfs上的。

　　Mapreduce的相關問題

　　這裏我要談談我學習mapreduce思考的一些問題，都是我自己想出解釋的問題，但是某些問題到底對不對，就要廣大童鞋幫我確認了。

1. jobtracker的單點故障：jobtracker和hdfs的namenode一樣也存在單點故障，單點故障一直是hadoop被人詬病的大問題，為什麽hadoop的做的文件系統和mapreduce計算框架都是高容錯的，但是最重要的管理節點的故障機制卻如此不好，我認為主要是namenode和jobtracker在實際運行中都是在內存操作，而做到內存的容錯就比較復雜了，只有當內存數據被持久化後容錯才好做，namenode和jobtracker都可以備份自己持久化的文件，但是這個持久化都會有延遲，因此真的出故障，任然不能整體恢復，另外hadoop框架裏包含zookeeper框架，zookeeper可以結合jobtracker，用幾臺機器同時部署jobtracker，保證一臺出故障，有一臺馬上能補充上，不過這種方式也沒法恢復正在跑的mapreduce任務。
2. 做mapreduce計算時候，輸出一般是一個文件夾，而且該文件夾是不能存在，我在出面試題時候提到了這個問題，而且這個檢查做的很早，當我們提交job時候就會進行，mapreduce之所以這麽設計是保證數據可靠性，如果輸出目錄存在reduce就搞不清楚你到底是要追加還是覆蓋，不管是追加和覆蓋操作都會有可能導致最終結果出問題，mapreduce是做海量數據計算，一個生產計算的成本很高，例如一個job完全執行完可能要幾個小時，因此一切影響錯誤的情況mapreduce是零容忍的。
3. Mapreduce還有一個InputFormat和OutputFormat，我們在編寫map函數時候發現map方法的參數是之間操作行數據，沒有牽涉到InputFormat，這些事情在我們new Path時候mapreduce計算框架幫我們做好了，而OutputFormat也是reduce幫我們做好了，我們使用什麽樣的輸入文件，就要調用什麽樣的InputFormat，InputFormat是和我們輸入的文件類型相關的，mapreduce裏常用的InputFormat有FileInputFormat普通文本文件，SequenceFileInputFormat是指hadoop的序列化文件，另外還有KeyValueTextInputFormat。OutputFormat就是我們想最終存儲到hdfs系統上的文件格式了，這個根據你需要定義了，hadoop有支持很多文件格式，這裏不一一列舉，想知道百度下就看到了。

　　好了，文章寫完了，呵呵，這篇我自己感覺寫的不錯，是目前hadoop系列文章裏寫的最好的，我後面會再接再厲的。加油！！！

【原創 Hadoop&Spark 動手實踐 3】Hadoop2.7.3 MapReduce理論與動手實踐