Hadoop2源码分析-MapReduce篇详解大数据

1.概述

  前面我们已经对Hadoop有了一个初步认识,接下来我们开始学习Hadoop的一些核心的功能,其中包含mapreduce,fs,hdfs,ipc,io,yarn,今天为大家分享的是mapreduce部分,其内容目录如下所示:

  • MapReduce V1
  • MapReduce V2
  • MR V1和MR V2的区别
  • MR V2的重构思路

  本篇文章的源码是基于hadoop-2.6.0-src.tar.gz来完成的。代码下载地址,请参考《Hadoop2源码分析-准备篇》。

2.MapReduce V1

  下面我们给出第一代的MapReduce的架构图,如下所示:

Hadoop2源码分析-MapReduce篇详解大数据

  上图描述了第一代MapReduce框架的流程以及设计思路,下面为大家解释下这张图的具体含义:

  • 当我们编写完MR作业后,需要通过JobClient来提交一个job,提交的信息会发送到JobTracker模块,这个模块是第一代MapReduce计算框架的核心之一,它负责与集群中的其他节点维持心跳,为提交的作业分配资源,管理提交的作业的正常运作(失败,重启等)。
  • 第一代MapReduce的另一个核心的功能是TaskTracker,在各个TaskTracker安装节点上,它的主要功能是监控自己所在节点的资源使用情况。
  • TaskTracker监控当前节点的Tasks的运行情况,其中包含Map Task和Reduce Task,最后由Reduce Task到Reduce阶段,将结果输送到HDFS的文件系统中;其中的具体流程如图中描述的1-7步骤。TaskTracker在监控期间,需要把这些信息通过心跳机制发送给JobTracker,JobTracker收集到这些信息后,给新提交的作业分配其他的资源,避免重复资源分配。

  可以看出,第一代的MapReduce架构简单清晰,在刚面世的那几年,也曾获得总多企业的支持和认可。但随着分布式集群的规模和企业业务的增长,第一代框架的问题也逐渐暴露出来,主要有以下问题:

  • JobTracker是第一代MapReduce的入口点,若是JobTracker服务宕机,整个服务将会瘫痪,存在单点问题。
  • JobTracker负责的事情太多,完成来太多的任务,占用过多的资源,当Job数非常多的时候,会消耗很多内存,容易出现性能瓶颈。
  • 对TaskTracker而言,Task担当的角色过于简单,没有考虑到CPU及内存的使用情况,若存在多个大内存的Task被集中调度,容易出现内存溢出。
  • 另外,TaskTracker把资源强制分为map task slot和reduce task slot,若是MR任务中只存在其中一个(map或是reduce),会出现资源浪费的情况,资源利用率低。
  • 从开发人员的角度来说,源码分析的时候,阅读性不够友好,代码量大,任务不清晰,给开发人员在修复BUG和维护的时候增大了难度。

3.MapReduce V2

  在Hadoop V2中,加入了YARN的概念,所以MapReduce V2的架构和MapReduce V1的架构有些许的变化,如下图所示:

Hadoop2源码分析-MapReduce篇详解大数据

  从上图中,我们可以清晰的看出,架构重构的基本思想在于将JobTracker的两个核心的功能单独分离成独立的组件了。分离后的组件分别为资源管理(Applications Manager)和任务调度器(Resource Scheduler)。新的资源管理器(Resource Manager)管理整个系统的资源分配,而每一个Node Manager下的App Master(Application Master)负责对应的调度和协调工作,而在实际中,App Master从Resource Manager上获得资源,让Node Manager来协同工作和任务监控。

  从图中我们可以看出,Resource Manager是支持队列分层的,这些队列可以从集群中获取一定比例的资源,也就是说Resource Manager可以算得上是一个调度器,它在执行的过程当中本身不负责对应用的监控和状态的定位跟踪。

  Resource Manager在内存,CPU,IO等方面是动态分配的,相比第一代MapReduce计算框架,在资源使用上大大的加强了资源使用的灵活性。上图中的Node Manager是一个代理框架,负责应用程序的执行,监控应用程序的资源利用率,并将信息上报给资源管理器。另外,App Master所担当的角色职责包含:在运行任务是,向任务调度器动态的申请资源,对应用程序的状态进行监控,处理异常情况,如若出现问题,会在其他节点进行重启。

4.MR V1和MR V2的区别

  在和大家分析完 MR V1 和 MR V2 的架构后,我们来看看二者有哪些变化。在MR V2版本中,大部分的API接口都是兼容的保留下来,MR V1中的JobTracker和TaskTracker被替换成相应的Resource Manager,Node Manager。对比于MR V1中的Task的监控,重启等内热都交由App Master来处理,Resource Manager提供中心服务,负责资源的分配与调度。Node Manager负责维护Container的状态,并将收集的信息上报给Resource Manager,以及负责和Resource Manager维持心跳。

  MR V2中加入Yarn的概念后,体现以下设计优点:

  • 减少来资源消耗,让监控每一个作业更加分布式了。
  • 能够支持更多的变成模型,如:Spark,Storm,以及其他待开发的编程模型。
  • 将资源以内存量的概念来描述,比MR V1中的slot更加合理。

  另外,在工程目录结构也有了些许的变化,如下表所示:

改变目录 MR V1 MR V2 描述
配置文件 ${HADOOP_HOME}/conf ${HADOOP_HOME}/etc/hadoop MR V2中的配置文件路径修改为etc/hadoop目录下
脚本 ${HADOOP_HOME}/bin ${HADOOP_HOME}/sbin和${HADOOP_HOME}/bin 在MR V2中启动,停止等命令都位于sbin目录下,操作hdfs的命令存放在bin目录下
JAVA_HOME ${HADOOP_HOME}/conf/hadoop-env.sh ${HADOOP_HOME}/etc/hadoop/hadoop-env.sh和${HADOOP_HOME}/etc/hadoop/yarn-env.sh 在MR V2中需要同时在hadoop-env.sh和yarn-env.sh中配置JDK的路径

  由于添加Yarn特性,与第一代MR的框架变化较大,第一代的核心配置文件许多项也在新框架中摒弃了,具体新框架的核心配置文件信息,请参考《配置高可用的Hadoop平台》。

5.MR V2的重构思路

  在V2中的MapReduce重构的思路主要有以下几点:

  • 层次化的管理:分层级对资源的调度和分配进行管理。
  • 资源管理方式:由第一代的slot作为资源单位元,调整为更加细粒的内存单位元。
  • 编程模型拓展:V2版的设计支持除MapReduce以外的编程模型。

  MapReduce:WordCount V2,代码如下:

package cn.hdfs.mapreduce.example; 
import java.io.BufferedReader; 
import java.io.FileReader; 
import java.io.IOException; 
import java.net.URI; 
import java.util.ArrayList; 
import java.util.HashSet; 
import java.util.List; 
import java.util.Set; 
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.mapreduce.Counter; 
import org.apache.hadoop.util.GenericOptionsParser; 
import org.apache.hadoop.util.StringUtils; 
/** 
* @date Apr 17, 2015 
* 
* @author dengjie 
*/ 
public class WordCount2 { 
public static class TokenizerMapper 
extends Mapper<Object, Text, Text, IntWritable>{ 
static enum CountersEnum { INPUT_WORDS } 
private final static IntWritable one = new IntWritable(1); 
private Text word = new Text(); 
private boolean caseSensitive; 
private Set<String> patternsToSkip = new HashSet<String>(); 
private Configuration conf; 
private BufferedReader fis; 
@Override 
public void setup(Context context) throws IOException, 
InterruptedException { 
conf = context.getConfiguration(); 
caseSensitive = conf.getBoolean("wordcount.case.sensitive", true); 
if (conf.getBoolean("wordcount.skip.patterns", true)) { 
URI[] patternsURIs = Job.getInstance(conf).getCacheFiles(); 
for (URI patternsURI : patternsURIs) { 
Path patternsPath = new Path(patternsURI.getPath()); 
String patternsFileName = patternsPath.getName().toString(); 
parseSkipFile(patternsFileName); 
} 
} 
} 
private void parseSkipFile(String fileName) { 
try { 
fis = new BufferedReader(new FileReader(fileName)); 
String pattern = null; 
while ((pattern = fis.readLine()) != null) { 
patternsToSkip.add(pattern); 
} 
} catch (IOException ioe) { 
System.err.println("Caught exception while parsing the cached file '" 
+ StringUtils.stringifyException(ioe)); 
} 
} 
@Override 
public void map(Object key, Text value, Context context 
) throws IOException, InterruptedException { 
String line = (caseSensitive) ? 
value.toString() : value.toString().toLowerCase(); 
for (String pattern : patternsToSkip) { 
line = line.replaceAll(pattern, ""); 
} 
StringTokenizer itr = new StringTokenizer(line); 
while (itr.hasMoreTokens()) { 
word.set(itr.nextToken()); 
context.write(word, one); 
Counter counter = context.getCounter(CountersEnum.class.getName(), 
CountersEnum.INPUT_WORDS.toString()); 
counter.increment(1); 
} 
} 
} 
public static class IntSumReducer 
extends Reducer<Text,IntWritable,Text,IntWritable> { 
private IntWritable result = new IntWritable(); 
public void reduce(Text key, Iterable<IntWritable> 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(); 
GenericOptionsParser optionParser = new GenericOptionsParser(conf, args); 
String[] remainingArgs = optionParser.getRemainingArgs(); 
if (!(remainingArgs.length != 2 || remainingArgs.length != 4)) { 
System.err.println("Usage: wordcount <in> <out> [-skip skipPatternFile]"); 
System.exit(2); 
} 
Job job = Job.getInstance(conf, "word count"); 
job.setJarByClass(WordCount2.class); 
job.setMapperClass(TokenizerMapper.class); 
job.setCombinerClass(IntSumReducer.class); 
job.setReducerClass(IntSumReducer.class); 
job.setOutputKeyClass(Text.class); 
job.setOutputValueClass(IntWritable.class); 
List<String> otherArgs = new ArrayList<String>(); 
for (int i=0; i < remainingArgs.length; ++i) { 
if ("-skip".equals(remainingArgs[i])) { 
job.addCacheFile(new Path(remainingArgs[++i]).toUri()); 
job.getConfiguration().setBoolean("wordcount.skip.patterns", true); 
} else { 
otherArgs.add(remainingArgs[i]); 
} 
} 
FileInputFormat.addInputPath(job, new Path(otherArgs.get(0))); 
FileOutputFormat.setOutputPath(job, new Path(otherArgs.get(1))); 
System.exit(job.waitForCompletion(true) ? 0 : 1); 
} 
}

  Spark:WordCount,代码如下:

package com.hdfs.spark.example 
/** 
* @date Apr 17, 2015 
* 
* @author dengjie 
*/ 
import org.apache.spark.SparkConf 
import org.apache.spark.SparkContext 
import org.apache.spark.SparkContext._ 
/** 
* 统计字符出现次数 
*/ 
object WordCount { 
def main(args: Array[String]) { 
if (args.length < 1) { 
System.err.println("Usage: <file>") 
System.exit(1) 
} 
val conf = new SparkConf() 
val sc = new SparkContext(conf)      
val line = sc.textFile(args(0))       
line.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_).collect().foreach(println)       
sc.stop()    
}  
}

6.结束语

  这篇文章就和大家分享到这里,如果大家在研究和学习的过程中有什么疑问,可以加群进行讨论或发送邮件给我,我会尽我所能为您解答,与君共勉!

原创文章,作者:奋斗,如若转载,请注明出处:https://blog.ytso.com/228086.html

(0)
上一篇 2022年1月11日
下一篇 2022年1月11日

相关推荐

发表回复

登录后才能评论