MapReduce流程有哪些

本篇內(nèi)容介紹了“MapReduce流程有哪些”的有關(guān)知識(shí)，在實(shí)際案例的操作過(guò)程中，不少人都會(huì)遇到這樣的困境，接下來(lái)就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

　　MapReduce是一個(gè)基于yarn的分布式、離線、并行的計(jì)算框架，主要職責(zé)是處理海量數(shù)據(jù)集，是Hadoop生態(tài)圈中一個(gè)非常重要的一個(gè)工具，所以MapReduce是大數(shù)據(jù)學(xué)習(xí)的一個(gè)很關(guān)鍵的知識(shí)點(diǎn)，需要大家好好掌握！

　　MapReduce其中包含許多組件，但最主要的還是Job提交和Map、Reduce的全流程這兩個(gè)部分,學(xué)習(xí)中只要把握好這兩條主線理清楚細(xì)節(jié)串成一個(gè)知識(shí)體系，那么MapReduce的學(xué)習(xí)就會(huì)得心應(yīng)手了。關(guān)于Job作業(yè)的提交流程在Hadoop權(quán)威指南這本書上有相當(dāng)詳細(xì)的步驟解析和圖示說(shuō)明，那么這次總結(jié)主要關(guān)于MapReduce過(guò)程中海量數(shù)據(jù)是怎么被提取并在MapTask和ReduceTask中被處理，以及其中涉及運(yùn)用的組件，讓我們一起來(lái)看看吧。

　　上面的圖從整體上描述了整個(gè)MapRduce流程，大致分為五個(gè)步驟

　　1、input（map端讀取分片數(shù)據(jù)）--->2、Map處理--->3、shuffle過(guò)程--->4、reduce處理--->5、output（reduce端輸出處理結(jié)果）現(xiàn)在我們一步步來(lái)分析解釋這個(gè)過(guò)程。注：MP的整個(gè)過(guò)程中數(shù)據(jù)結(jié)構(gòu)為:key-value

1、　　Map端讀取數(shù)據(jù)：

a、在讀取之前，客戶端會(huì)對(duì)數(shù)據(jù)進(jìn)行切片處理，分片機(jī)制如下，一個(gè)分片對(duì)應(yīng)一個(gè)map，可調(diào)整客戶端的塊大小，minSize，maxSize改變map數(shù)量，minSize默認(rèn)值是1，maxSize默認(rèn)是long的最大值

b、如下圖所示，先對(duì)數(shù)據(jù)進(jìn)行TextInputFormat格式化，然后lineRecordReader循環(huán)調(diào)用

nextKeyValue、getCurrentKey、getCurrentValue等方法將數(shù)據(jù)以<K,V>形式獲取到MapTask

c、切片讀取細(xì)節(jié)：每次讀取都往下多讀取一行(第一個(gè)切片)；下一個(gè)切片永遠(yuǎn)拋棄第一行；最后一個(gè)切片不能多讀一行

2、　　Map處理

a、在Map端，調(diào)用我們按照業(yè)務(wù)邏輯編寫的map()方法，每一行調(diào)用一次map()方法對(duì)數(shù)據(jù)進(jìn)行處理，有且僅有一次，分別在調(diào)用map方法前調(diào)用setup()方法和在在調(diào)用map方法后調(diào)用cleanup()方法

在這個(gè)階段，數(shù)據(jù)會(huì)被分解成一個(gè)個(gè)<K,V>形式的鍵值對(duì)

b、在這個(gè)階段，可以有一個(gè)combiner過(guò)程，將數(shù)據(jù)進(jìn)行局部整合（當(dāng)數(shù)據(jù)量太大時(shí)），combiner能調(diào)用

3、　　shuffle過(guò)程：是指數(shù)據(jù)從Map端輸出到Reduce端輸入這中間對(duì)數(shù)據(jù)的操作過(guò)程（數(shù)據(jù)分區(qū)、排序、緩存）

a、輸出從map端輸出后，會(huì)進(jìn)入到outputCollector,一個(gè)數(shù)據(jù)收集器，然后由數(shù)據(jù)收集器將數(shù)據(jù)傳進(jìn)一個(gè)有20%保留區(qū)的環(huán)形緩沖區(qū)(一般是100M)

b、當(dāng)數(shù)據(jù)在環(huán)形緩沖區(qū)溢出時(shí)，會(huì)有一個(gè)spiller溢出器，在溢出器中會(huì)將數(shù)據(jù)調(diào)用getPartition(k,v,num)方法分區(qū)，然后根據(jù)hashcode在分區(qū)內(nèi)進(jìn)行快速排序，之后將數(shù)據(jù)發(fā)往Reduce

4、　　reduce處理

a、經(jīng)過(guò)shuffle過(guò)程處理的數(shù)據(jù)，是分區(qū)并排序的index索引文件，而reducetask框架從文件中讀取一個(gè)key傳遞給reduce方法，同時(shí)傳一個(gè)value迭代器

b、Value迭代器的hasnext方法會(huì)判斷文件中的下一個(gè)key是否是傳入時(shí)的key（如果是，則返回該value，如果不是，則停止，轉(zhuǎn)而調(diào)用下一個(gè)key）

c、看起來(lái)的效果，reducetask是將數(shù)據(jù)事先分組，每組調(diào)用一次reduce方法（其實(shí)不是）

d、reducetask處理完后，將所有分區(qū)文件進(jìn)行歸并排序生成大文件輸出（默認(rèn)輸出到hdfs）

e、

5、　　output（reduce端輸出處理結(jié)果）

　　對(duì)數(shù)據(jù)進(jìn)行TextOutputFormat處理，然后lineRecordWritor循環(huán)調(diào)用

nextKeyValue、getCurrentKey、getCurrentValue，輸出到外部文件系統(tǒng)（hdfs）

“MapReduce流程有哪些”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識(shí)可以關(guān)注億速云網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實(shí)用文章！