《大规模分布式存储系统》第13章 大数据【13.2】

javazx

13.2　MapReduce
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
, a( |6 o- a9 q9 G* ^  W, 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
6 |2 @" r6 M" \2 N1 PMap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。
图　13-1　MapReduce执行流程
* b" x4 s2 R8 F) U9 l$ i, NMapReduce框架包含三种角色：主控进程（Master）用于执行任务划分、调度、
) U0 A( s, D9 y) H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
* h  c. V& @  b& z, E* D3 h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
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
( L" ]+ L$ ?+ N6 }% _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
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
读取＜key,value＞对并对每一个＜key,value＞对执行用户自定义的Map函数。
& a) d# t( X3 e( i* H4）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
: o5 B$ W9 C" m% c; W割（partition）函数将中间结果组织成R份，便于后续Reduce进程获取。
- n, |/ ~3 e3 \% k3 P* w5）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
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
# j% M# n. k2 J8 D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，
: H6 }  T, r, X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，
! H" q$ W6 q) L2 E3 C4 p8 X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：
: k) y8 \  v4 I* j; r$ d) A$ E●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
一个机架。通过本地化策略，能够大大减少传输的数据量。
0 Q1 s0 W) ~) m4 Q6 g1 Q( \+ V' F●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
7 B1 {/ {0 D; y7 ^6 D6 K& H( [务减少“拖后腿”的任务，从而降低整个作业的总体执行时间。

0 g" P# C4 r$ C
' v  F$ F5 s- U# [