标签：
剖析Mapreduce作业运行机制：原理如下图：
原理图的解释的可以分为以下几个部分
1、客户端提交一个mapreduce的jar包给JobClient
2、JocClient通过RPC和JobTracker进行通信，返回一个存放jar包的地址（HDFS）
3、JobClient将jar包写入到HDFS当中（path=hdfs上的地址(这个地址是有第二步的JobTracker返回的)+JobId）
将运行作业所需要的资源文件复制到HDFS上，包括MapReduce程序打包的JAR文件、配置文件和客户端计算所得的输入划分信息。这些文件都存放在JobTracker专门 为该作业创建的文件夹中。文件夹名为该作业的Job ID。JAR文件默认会有10个副本（mapred.submit.replication属性控制）；输入划分信息告诉了JobTracker应该为这个 作业启动多少个map任务等信息
4、开始提交任务（任务的描述信息：包括jobid，jar存放的位置，配置信息等等）
JobClient调用JobTracker的submitJob()方法提交任务
5、JobTracker进行初始化任务
JobTracker会把提交的作业放在一个内部队列中，交由作业调度器来进行调度，任务的初始化包括创建一个表示运行的作业的对象——封装任务和记录信息，以便跟踪 任务的状态和信息。
6、读取HDFS上要处理的文件，开始计算输入分片，每一个分片对应一个MapperTask
当作业调度器根据自己的调度算法调度到该作业时，会根据输入划分信息为每个切片启动一个MapperTask任务
7、TaskTracker通过心跳机制领取任务（任务的描述信息）
map任务不是随随便便地分配给某个TaskTracker的，这里有个概念叫：数据本地化（Data-Local）。意思是：将map任务分配给含有该map处理的的TaskTracker上。同时将程序JAR包复制到该TaskTracker上来运行，这叫“运算移动，数据不移动”。而分配reduce任务时并不考虑数据本地化。TaskTracker每隔一段时间会给 JobTracker发送一个心跳，告诉JobTracker它依然在运行，同时心跳中还携带着很多的信息，比如当前map任务完成的进度等信息。当JobTracker收到作业的最后一任务完成信息时，便把该作业设置成“成功”。当JobClient查询状态时，它将得知任务已完成，便显示一条消息给用户
8、下载所需的jar，配置文件
9、TaskTracker启动一个java child子进程，用来执行具体的任务(MapperTask或ReducerTask)
map函数端的执行过程：
a:每个输入分片会让一个map任务处理，默认情况下，以HDFS的一个快的大小为一个分片，map输出的结果暂且放在一个环形内存缓冲区中（该缓冲区的大小默认为100M，由io.sort.mb属性控制），当该缓冲区快要溢出时（默认为缓冲区大小的80%，由io.sort。spill。percent属性控制），会在本地文件系统中创建一个溢出文件，将该缓冲区的数据写入这个文件
b:在写入磁盘之前，线程首先根据reduce任务的数目将数据划分为相同数目的分区，也就是一个reduce任务对应一个分区的数据，这样做是为了避免有些reduce任务分配到大量数据，而有些reduce任务却分配到很少数据，其实分区就是对数据进行hash的过程，然后对每个分区中的数据进行排序，如果此时设置了Combiner，将排序后的结果进行Combiner操作，这样做的目的是让尽可能少的数据写入到磁盘。
c:当map任务输出最后一个记录时，可能会有很多的溢出文件，这时需要将这些文件合并，合并的过程会不断的进行排序和Combiner操作，目的有两个：1、尽量减少每次写入磁盘的数据量，2、尽量减少下一次复制阶段网络传输的数据量，最后合并成一个已分区已排序的文件，为了减少网络传输的数据量，可以将数据进行雅俗，只要将mapred.compress.map.out设置为true就行了
d:将分区中的数据拷贝给相对应的reduce任务，有人可能会问：分区中的数据怎么知道它对应的reduce是哪个呢？其实map任务一直和其父TaskTracker保持联系，而TaskTracker又一直和JobTracker保持心跳。所以JobTracker中保存了整个集群中的宏观信息。只要reduce任务向JobTracker获取对应的map输出位置就ok了哦。
reduce函数端执行过程
a:reduce会收到不同map任务传来的数据，并且每个map传来的数据都是有序的，如果reduce端接受的数据量相当小，则直接存储在内存中（缓冲区大小由mapred.job.shuffle.input.buffer.percent属性控制，表示用作此用途的堆空间的百分比），如果数据量超过了该缓冲区大小的一定比例（由mapred.job.shuffle.merge.buffer.percent决定），则对数据合并后溢写到磁盘中。
b:伴随着溢写文件的增多，后台线程会将它们合并成一个更大的有序的文件，这样做是为了给后面的合并节省时间，其实不管在map端还是reduce端，MapReduce都是反复的执行排序，合并操作，
c:合并的过程中会产生许多的中间文件（写入磁盘了），但MaoReduce会让写入磁盘的数据尽可能的少，并且最后一次合并的结果并没有写入磁盘，而是直接输入到reduce函数。
10、将结果写入到HDFS当中
标签：
原文地址：http://www.cnblogs.com/sy270321/p/4395916.html
