【大数据】Hadoop MapReduce与Hadoop YARN（学习笔记）

一、Hadoop MapReduce介绍

1、设计构思

1）如何对付大数据处理场景

对相互间不具有计算依赖关系的大数据计算任务，实现并行最自然的办法就是采取MapReduce分而治之的策略。

不可拆分的计算任务或相互间有依赖关系的数据无法进行并行计算！

2）构建抽象编程模型

MapReduce借鉴了函数式语言中的思想，用Map和Reduce两个函数提供了高层的并行编程抽象模型。

map: 对一组数据元素进行某种重复式的处理
reduce: 对Map的中间结果进行某种进一步的结果整理

MapReduce处理的数据类型是<key,value>键值对。

3）统一架构、隐藏底层细节

程序员仅需要关心其应用层的具体计算问题，仅需编写少量的处理应用本身计算问题的业务程序代码。

2、分布式计算概念

分布式计算是一种计算方法，和集中式计算是相对的。

分布式计算将该应用分解成许多小的部分，分配给多台计算机进行处理。

3、MR介绍

Hadoop MapReduce是一个分布式计算框架，用于轻松编写分布式应用程序，这些应用程序以可靠，容错的方式并行处理大型硬件集群（数千个节点）上的大量数据（多TB数据集）

特点：易于编程、良好的扩展性、高容错性、适合海量数据的离线处理

局限性：实时计算性能差、不能进行流式计算（数据不能是动态的）

4、MR实例进程

MRAppMaster：负责整个MR程序的过程调度及状态协调

MapTask：负责map阶段的整个数据处理流程

ReduceTask：负责reduce阶段的整个数据处理流程

5、阶段组成

只能包含一个Map阶段和一个Reduce阶段，或者只有Map阶段

二、MapReduce执行流程

1、MapReduce整体执行流程图

2、Map阶段执行过程

把输入目录下文件按照一定的标准逐个进行逻辑切片，形成切片规划。
默认Split size = Block size（128M），每一个切片由一个MapTask处理。（getSplits）
对切片中的数据按照一定的规则读取解析返回<key,value>对。默认是按行读取数据。key是每一行的起始位置偏移量，value是本行的文本内容。（TextInputFormat）
调用Mapper类中的map方法处理数据。每读取解析出来的一个<key,value> ，调用一次map方法。
按照一定的规则对Map输出的键值对进行分区partition。默认不分区，因为只有一个reducetask。分区的数量就是reducetask运行的数量。
Map输出数据写入内存缓冲区，达到比例溢出到磁盘上。溢出spill的时候根据key进行排序sort。默认根据key字典序排序。
对所有溢出文件进行最终的merge合并，成为一个文件。

3、Reduce阶段执行流程

ReduceTask会主动从MapTask复制拉取属于需要自己处理的数据。
把拉取来数据，全部进行合并merge，即把分散的数据合并成一个大的数据。再对合并后的数据排序。
对排序后的键值对调用reduce方法。键相等的键值对调用一次reduce方法。最后把这些输出的键值对写入到HDFS文件中。

三、Shuffle机制

1、Shuffle机制概述

在MapReduce中，指的是将map端的无规则输出按指定的规则“打乱”成具有一
定规则的数据，以便reduce端接收处理。

一般把从Map产生输出开始到Reduce取得数据作为输入之前的过程称作shuffle。

2、Map端Shuffle

Collect阶段：将MapTask的结果收集输出到默认大小为100M的环形缓冲区，保存之前会对key进行分区的计算，默认Hash分区。

Spill阶段：当内存中的数据量达到一定的阀值的时候，就会将数据写入本地磁盘，在将数据写入磁盘之前需要对数据进行一次排序的操作，如果配置了combiner，还会将有相同分区号和key的数据进行排序。

Merge阶段：把所有溢出的临时文件进行一次合并操作，以确保一个MapTask最终只产生一个中间数据文件。

3、Reducer端shuffle

Copy阶段： ReduceTask启动Fetcher线程到已经完成MapTask的节点上复制一份属于自己的数据。

Merge阶段：在ReduceTask远程复制数据的同时，会在后台开启两个线程对内存到本地的数据文件进行合并操作。

Sort阶段：在对数据进行合并的同时，会进行排序操作，由于MapTask阶段已经对数据进行了局部的排序，ReduceTask只需保证Copy的数据的最终整体有效性即可。

四、Hadoop YARN

1、YARN概述

YARN是一个通用资源管理系统和调度平台

资源管理系统：集群的硬件资源，和程序运行相关，比如内存、CPU等。
调度平台：多个程序同时申请计算资源如何分配，调度的规则（算法）。
通用：不仅仅支持MapReduce程序，理论上支持各种计算程序。YARN不关心你干什么，只关心你要资源，在有的情况下给你，用完之后还我。

可以把Hadoop YARN理解为相当于一个分布式的操作系统平台，而MapReduce等计算程序则相当于运行于操作系统之上的应用程序，YARN为这些程序提供运算所需的资源（内存、CPU等）

Hadoop能有今天这个地位，YARN可以说是功不可没。因为有了YARN ，更多计算框架可以接入到 HDFS中，而不单单是 MapReduce，正是因为YARN的包容，使得其他计算框架能专注于计算性能的提升。

2、YARN架构与组件

ResourceManager（RM）：YARN集群中的主角色，决定系统中所有应用程序之间资源分配的最终权限，即最终仲裁者。接收用户的作业提交，并通过NM分配、管理各个机器上的计算资源。

NodeManager（NM）：YARN中的从角色，一台机器上一个，负责管理本机器上的计算资源。根据RM命令，启动Container容器、监视容器的资源使用情况。并且向RM主角色汇报资源使用情况

ApplicationMaster（AM）：用户提交的每个应用程序均包含一个AM。应用程序内的“老大”，负责程序内部各阶段的资源申请，监督程序的执行情况。

3、核心交互流程

MR作业提交 Client–>RM

资源的申请 MrAppMaster–>RM

MR作业状态汇报 Container（Map|Reduce Task）–>Container（MrAppMaster）

节点的状态汇报 NM–>RM

4、YARM交互整体概述

客户端申请资源启动运行本次程序的ApplicationMaster
由ApplicationMaster根据本次程序内部具体情况，为它申请资源，并监控它的整个运行过程，直到运行完成。

5、MR提交YARN交互流程

用户通过客户端向YARN中ResourceManager提交应用程序（比如hadoop jar提交MR程序）
ResourceManager为该应用程序分配第一个Container（容器），并与对应的NodeManager通信，要求它在这个Container中启动这个应用程序的ApplicationMaster。
ApplicationMaster启动成功之后，首先向ResourceManager注册并保持通信，这样用户可以直接通过ResourceManage查看应用程序的运行状态（处理了百分之几）
AM为本次程序内部的各个Task任务向RM申请资源，并监控它的运行状态。
一旦 ApplicationMaster 申请到资源后，便与对应的 NodeManager 通信，要求它启动任务。
NodeManager 为任务设置好运行环境后，将任务启动命令写到一个脚本中，并通过运行该脚本启动任务。
各个任务通过某个 RPC 协议向 ApplicationMaster 汇报自己的状态和进度，以让 ApplicationMaster 随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务。在应用程序运行过程中，用户可随时通过RPC 向 ApplicationMaster 查询应用程序的当前运行状态。
应用程序运行完成后，ApplicationMaster 向 ResourceManager 注销并关闭自己。