大数据技术原理与应用第七章 MapReduce分析ppt课件.ppt
第七章 MapReduce,提纲,7.1 概述7.2 MapReduce体系结构7.3 MapReduce工作流程7.4 实例分析：WordCount7.5 MapReduce的具体应用7.6 MapReduce编程实践,7.1概述,7.1.1 分布式并行编程7.1.2 MapReduce模型简介7.1.3 Map和Reduce函数,7.1.1分布式并行编程,“摩尔定律”， CPU性能大约每隔18个月翻一番从2005年开始摩尔定律逐渐失效 ，需要处理的数据量快速增加，人们开始借助于分布式并行编程来提高程序性能 分布式程序运行在大规模计算机集群上，可以并行执行大规模数据处理任务，从而获得海量的计算能力谷歌公司最先提出了分布式并行编程模型MapReduce，Hadoop MapReduce是它的开源实现，后者比前者使用门槛低很多,7.1.1分布式并行编程,问题：在MapReduce出现之前，已经有像MPI这样非常成熟的并行计算框架了，那么为什么Google还需要MapReduce？MapReduce相较于传统的并行计算框架有什么优势？,7.1.2MapReduce模型简介,MapReduce将复杂的、运行于大规模集群上的并行计算过程高度地抽象到了两个函数：Map和Reduce编程容易，不需要掌握分布式并行编程细节，也可以很容易把自己的程序运行在分布式系统上，完成海量数据的计算MapReduce采用“分而治之”策略，一个存储在分布式文件系统中的大规模数据集，会被切分成许多独立的分片（split），这些分片可以被多个Map任务并行处理MapReduce设计的一个理念就是“计算向数据靠拢”，而不是“数据向计算靠拢”，因为，移动数据需要大量的网络传输开销MapReduce框架采用了Master/Slave架构，包括一个Master和若干个Slave。Master上运行JobTracker，Slave上运行TaskTracker Hadoop框架是用Java实现的，但是，MapReduce应用程序则不一定要用Java来写,7.1.3Map和Reduce函数,7.2 MapReduce的体系结构,MapReduce体系结构主要由四个部分组成，分别是：Client、JobTracker、TaskTracker以及Task,7.2 MapReduce的体系结构,MapReduce主要有以下4个部分组成：1）Client用户编写的MapReduce程序通过Client提交到JobTracker端用户可通过Client提供的一些接口查看作业运行状态2）JobTrackerJobTracker负责资源监控和作业调度JobTracker 监控所有TaskTracker与Job的健康状况，一旦发现失败，就将相应的任务转移到其他节点JobTracker 会跟踪任务的执行进度、资源使用量等信息，并将这些信息告诉任务调度器（TaskScheduler），而调度器会在资源出现空闲时，选择合适的任务去使用这些资源,7.2 MapReduce的体系结构,3）TaskTrackerTaskTracker 会周期性地通过“心跳”将本节点上资源的使用情况和任务的运行进度汇报给JobTracker，同时接收JobTracker 发送过来的命令并执行相应的操作（如启动新任务、杀死任务等）TaskTracker 使用“slot”等量划分本节点上的资源量（CPU、内存等）。一个Task 获取到一个slot 后才有机会运行，而Hadoop调度器的作用就是将各个TaskTracker上的空闲slot分配给Task使用。slot 分为Map slot 和Reduce slot 两种，分别供MapTask 和Reduce Task 使用4）TaskTask 分为Map Task 和Reduce Task 两种，均由TaskTracker 启动,7.3MapReduce工作流程,7.3.1 工作流程概述7.3.2 MapReduce各个执行阶段7.3.3 Shuffle过程详解,7.3.1工作流程概述,图7-1 MapReduce工作流程,Shuffle,7.3.1工作流程概述,不同的Map任务之间不会进行通信不同的Reduce任务之间也不会发生任何信息交换用户不能显式地从一台机器向另一台机器发送消息所有的数据交换都是通过MapReduce框架自身去实现的,7.3.2MapReduce各个执行阶段,7.3.2MapReduce各个执行阶段,HDFS 以固定大小的block 为基本单位存储数据，而对于MapReduce 而言，其处理单位是split。split 是一个逻辑概念，它只包含一些元数据信息，比如数据起始位置、数据长度、数据所在节点等。它的划分方法完全由用户自己决定。,关于Split（分片）,7.3.2MapReduce各个执行阶段,Reduce任务的数量最优的Reduce任务个数取决于集群中可用的reduce任务槽(slot)的数目通常设置比reduce任务槽数目稍微小一些的Reduce任务个数（这样可以预留一些系统资源处理可能发生的错误）,Map任务的数量Hadoop为每个split创建一个Map任务，split 的多少决定了Map任务的数目。大多数情况下，理想的分片大小是一个HDFS块,7.3.3Shuffle过程详解,图7-3 Shuffle过程,1. Shuffle过程简介,7.3.3Shuffle过程详解,2. Map端的Shuffle过程,每个Map任务分配一个缓存MapReduce默认100MB缓存设置溢写比例0.8分区默认采用哈希函数排序是默认的操作排序后可以合并（Combine）合并不能改变最终结果在Map任务全部结束之前进行归并归并得到一个大的文件，放在本地磁盘文件归并时，如果溢写文件数量大于预定值（默认是3）则可以再次启动Combiner，少于3不需要JobTracker会一直监测Map任务的执行，并通知Reduce任务来领取数据,合并（Combine）和归并（Merge）的区别：两个键值对和，如果合并，会得到，如果归并，会得到,7.3.3Shuffle过程详解,3. Reduce端的Shuffle过程,Reduce任务通过RPC向JobTracker询问Map任务是否已经完成，若完成，则领取数据Reduce领取数据先放入缓存，来自不同Map机器，先归并，再合并，写入磁盘多个溢写文件归并成一个或多个大文件，文件中的键值对是排序的当数据很少时，不需要溢写到磁盘，直接在缓存中归并，然后输出给Reduce,7.3.3Shuffle过程详解,3. Reduce端的Shuffle过程,图7-5 Reduce端的Shuffle过程,7.3.4 MapReduce应用程序执行过程,7.4实例分析：WordCount,7.4.1 WordCount程序任务7.4.2 WordCount设计思路7.4.3 一个WordCount执行过程的实例,7.4.1WordCount程序任务,表7-2 WordCount程序任务,表7-3 一个WordCount的输入和输出实例,7.4.2WordCount设计思路,首先，需要检查WordCount程序任务是否可以采用MapReduce来实现其次，确定MapReduce程序的设计思路最后，确定MapReduce程序的执行过程,7.4.3一个WordCount执行过程的实例,图7-7 Map过程示意图,7.4.3一个WordCount执行过程的实例,图7-8 用户没有定义Combiner时的Reduce过程示意图,7.4.3一个WordCount执行过程的实例,图7-9 用户有定义Combiner时的Reduce过程示意图,7.5 MapReduce的具体应用,MapReduce可以很好地应用于各种计算问题关系代数运算（选择、投影、并、交、差、连接）分组与聚合运算矩阵-向量乘法矩阵乘法,7.5 MapReduce的具体应用,用MapReduce实现关系的自然连接,7.5 MapReduce的具体应用,用MapReduce实现关系的自然连接,假设有关系R(A，B)和S(B,C)，对二者进行自然连接操作使用Map过程，把来自R的每个元组转换成一个键值对，其中的键就是属性B的值。把关系R包含到值中，这样做使得我们可以在Reduce阶段，只把那些来自R的元组和来自S的元组进行匹配。类似地，使用Map过程，把来自S的每个元组，转换成一个键值对所有具有相同B值的元组被发送到同一个Reduce进程中，Reduce进程的任务是，把来自关系R和S的、具有相同属性B值的元组进行合并Reduce进程的输出则是连接后的元组，输出被写到一个单独的输出文件中,7.5 MapReduce的具体应用,用MapReduce实现关系的自然连接,7.6 MapReduce编程实践,7.6.1任务要求7.6.2编写Map处理逻辑7.6.3编写Reduce处理逻辑7.6.4 编写main方法7.6.5 编译打包代码以及运行程序7.6.6 Hadoop中执行MapReduce任务的几种方式,7.6.1 任务要求,文件A的内容如下：,文件B的内容如下：,期望结果如右侧所示：,7.6.2 编写Map处理逻辑,Map输入类型为期望的Map输出类型为,Map输入类型最终确定为Map输出类型最终确定为,public static class MyMapper extends Mapper private final static IntWritable one = new IntWritable(1); private Text word = new Text(); public void map(Object key, Text value, Context context) throws IOException,InterruptedException StringTokenizer itr = new StringTokenizer(value.toString(); while (itr.hasMoreTokens() word.set(itr.nextToken(); context.write(word,one); ,7.6.3 编写Reduce处理逻辑,在Reduce处理数据之前，Map的结果首先通过Shuffle阶段进行整理Reduce阶段的任务：对输入数字序列进行求和Reduce的输入数据为,Reduce任务的输入数据：,public static class MyReducer extends Reducer private IntWritable result = new IntWritable(); public void reduce(Text key, Iterable values, Context context) throws IOException,InterruptedException int sum = 0; for (IntWritable val : values) sum += val.get(); result.set(sum); context.write(key,result); ,7.6.3 编写Reduce处理逻辑,7.6.4 编写main方法,ublic static void main(String args) throws Exception Configuration conf = new Configuration(); /程序运行时参数 String otherArgs = new GenericOptionsParser(conf,args) .getRemainingArgs(); if (otherArgs.length != 2) System.err.println(Usage: wordcount ); System.exit(2); Job job = new Job(conf,word count); /设置环境参数 job.setJarByClass(WordCount.class); /设置整个程序的类名 job.setMapperClass(MyMapper.class); /添加MyMapper类 job.setReducerClass(MyReducer.class); /添加MyReducer类 job.setOutputKeyClass(Text.class); /设置输出类型 job.setOutputValueClass(IntWritable.class); /设置输出类型 FileInputFormat.addInputPath(job,new Path(otherArgs0); /设置输入文件 FileOutputFormat.setOutputPath(job,new Path(otherArgs1); /设置输出文件 System.exit(job.waitForCompletion(true)?0:1); ,import java.io.IOException; import java.util.StringTokenizer;import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.Mapper; import org.apache.hadoop.mapreduce.Reducer; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; import org.apache.hadoop.util.GenericOptionsParser;public class WordCount/WordCount类的具体代码见下一页,完整代码,public class WordCount public static class MyMapper extends Mapper private final static IntWritable one = new IntWritable(1); private Text word = new Text(); public void map(Object key, Text value, Context context) throws IOException,InterruptedException StringTokenizer itr = new StringTokenizer(value.toString(); while (itr.hasMoreTokens() word.set(itr.nextToken(); context.write(word,one); public static class MyReducer extends Reducer private IntWritable result = new IntWritable(); public void reduce(Text key, Iterable values, Context context) throws IOException,InterruptedException int sum = 0; for (IntWritable val : values) sum += val.get(); result.set(sum); context.write(key,result); ,public static void main(String args) throws Exception Configuration conf = new Configuration(); String otherArgs = new GenericOptionsParser(conf,args) .getRemainingArgs(); if (otherArgs.length != 2) System.err.println(Usage: wordcount ); System.exit(2); Job job = new Job(conf,word count); job.setJarByClass(WordCount.class); job.setMapperClass(MyMapper.class); job.setReducerClass(MyReducer.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); FileInputFormat.addInputPath( job,new Path(otherArgs0); FileOutputFormat.setOutputPath( job,new Path(otherArgs1); System.exit(job.waitForCompletion(true)?0:1); ,7.6.5 编译打包代码以及运行程序,实验步骤：使用java编译程序，生成.class文件将.class文件打包为jar包运行jar包（需要启动Hadoop）查看结果,7.6.5 编译打包代码以及运行程序,Hadoop 2.x 版本中的依赖 jar,Hadoop 2.x 版本中 jar 不再集中在一个 hadoop-core*.jar 中，而是分成多个 jar，如使用 Hadoop 2.6.0 运行 WordCount 实例至少需要如下三个 jar:$HADOOP_HOME/share/hadoop/common/hadoop-common-2.6.0.jar$HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-client-core-2.6.0.jar$HADOOP_HOME/share/hadoop/common/lib/commons-cli-1.2.jar通过命令hadoop classpath可以得到运行 Hadoop 程序所需的全部 classpath信息,7.6.5 编译打包代码以及运行程序,将 Hadoop 的 classhpath 信息添加到 CLASSPATH 变量中，在 /.bashrc 中增加如下几行：,export HADOOP_HOME=/usr/local/hadoop export CLASSPATH=$($HADOOP_HOME/bin/hadoop classpath):$CLASSPATH,执行source /.bashrc使变量生效，接着就可以通过javac命令编译 WordCount.java,接着把 .class 文件打包成 jar，才能在 Hadoop 中运行：,运行程序：,7.6.6 Hadoop中执行MapReduce任务的几种方式,Hadoop jarPigHivePythonShell脚本在解决问题的过程中，开发效率、执行效率都是要考虑的因素，不要太局限于某一种方法,本章小结,本章介绍了MapReduce编程模型的相关知识。MapReduce将复杂的、运行于大规模集群上的并行计算过程高度地抽象到了两个函数：Map和Reduce，并极大地方便了分布式编程工作，编程人员在不会分布式并行编程的情况下，也可以很容易将自己的程序运行在分布式系统上，完成海量数据集的计算MapReduce执行的全过程包括以下几个主要阶段：从分布式文件系统读入数据、执行Map任务输出中间结果、通过 Shuffle阶段把中间结果分区排序整理后发送给Reduce任务、执行Reduce任务得到最终结果并写入分布式文件系统。在这几个阶段中，Shuffle阶段非常关键，必须深刻理解这个阶段的详细执行过程MapReduce具有广泛的应用，比如关系代数运算、分组与聚合运算、矩阵-向量乘法、矩阵乘法等本章最后以一个单词统计程序为实例，详细演示了如何编写MapReduce程序代码以及如何运行程序,
