《大规模分布式存储系统》第13章 大数据【13.2】

javazx

13.2　MapReduce
7 ]7 B! |/ Z7 N) R: E* {提到大数据，大多数人首先想到的就是MapReduce。MapReduce使得普通程序员
! l. \' c" b9 ]- I% |可以在不了解分布式底层细节的前提下开发分布式程序。使用者只需编写两个称为
Map和Reduce的函数即可，MapReduce框架会自动处理数据划分、多机并行执行、任
务之间的协调，并且能够处理某个任务执行失败或者机器出现故障的情况。Map
Reduce的执行流程如图13-1所示。
! B7 U: L, A1 p; {图　13-1　MapReduce执行流程
MapReduce框架包含三种角色：主控进程（Master）用于执行任务划分、调度、
9 n6 r. j# W# |. u- ?任务之间的协调等；Map工作进程（Map Worker，简称Map进程）以及Reduce工作进
程（Reduce Worker，简称Reduce进程）分别用于执行Map任务和Reduce任务。
MapReduce任务执行流程如下：
1）首先从用户提交的程序fork出主控进程，主控进程启动后将切分任务并根据
7 S' S$ `) O! {输入文件所在的位置和集群信息选择机器fork出Map或者Reduce进程；用户提交的程
序可以根据不同的命令行参数执行不同的行为。
2）主控进程将切分好的任务分配给Map进程和Reduce进程执行，任务切分和任
' i2 {% P( [! f: Q, ^6 s1 X& R务分配可以并行执行。
3）Map进程执行Map任务：读取相应的输入文件，根据指定的输入格式不断地
6 B- J5 {3 B  `9 N读取＜key,value＞对并对每一个＜key,value＞对执行用户自定义的Map函数。
' b7 ?2 k) w5 P$ }/ M, _4）Map进程执行用户定义的Map函数：不断地往本地内存缓冲区输出中间＜
key,value＞对结果，等到缓冲区超过一定大小时写入到本地磁盘中。Map进程根据分
: \* Q1 a; N0 g- L割（partition）函数将中间结果组织成R份，便于后续Reduce进程获取。
" N; }5 ^) Q- p( G7 y5）Map任务执行完成时，Map进程通过心跳向主控进程汇报，主控进程进一步
将该信息通知Reduce进程。Reduce进程向Map进程请求传输生成的中间结果数据。这
$ E" R8 H; \; e8 L! c1 ?% {个过程称为Shuffle。当Reduce进程获取完所有的Map任务生成的中间结果时，需要进
行排序操作。
6）Reduce进程执行Reduce任务：对中间结果的每一个相同的key及value集合，
执行用户自定义的Reduce函数。Reduce函数的输出结果被写入到最终的输出结果，
例如分布式文件系统Google File System或者分布式表格系统Bigtable。
MapReduce框架实现时主要做了两点优化：
, X0 S# X. E  E% |, o7 b  |7 w●本地化：尽量将任务分配给离输入文件最近的Map进程，如同一台机器或者同
: O: y: X6 M+ i" g: y一个机架。通过本地化策略，能够大大减少传输的数据量。
. Z7 s5 ?1 P* b# V●备份任务：如果某个Map或者Reduce任务执行的时间较长，主控进程会生成一
个该任务的备份并分配给另外一个空闲的Map或者Reduce进程。在大集群环境下，即
使所有机器的配置相同，机器的负载不同也会导致处理能力相差很大，通过备份任
# h9 L$ k* w1 d* C务减少“拖后腿”的任务，从而降低整个作业的总体执行时间。