MapReduce与Yarn 的详细工作流程分析

mapreduce详细工作流程之map阶段

如上图所示

1. 首先有一个200m的待处理文件
2. 切片：在客户端提交之前，根据参数配置，进行任务规划，将文件按128m每块进行切片
3. 提交：提交可以提交到本地工作环境或者yarn工作环境，本地只需要提交切片信息和xml配置文件，yarn环境还需要提交jar包；本地环境一般只作为测试用
4. 提交时会将每个任务封装为一个job交给yarn来处理（详细见后边的yarn工作流程介绍），计算出maptask数量（等于切片数量），每个maptask并行执行
5. maptask中执行mapper的map方法，此方法需要k和v作为输入参数，所以会首先获取kv值；
   • 首先调用inputformat方法，默认为textinputformat方法，在此方法调用createrecoderreader方法，将每个块文件封装为k，v键值对，传递给map方法
6. map方法首先进行一系列的逻辑操作，执行完成后最后进行写操作
7. map方法如果直接写给reduce的话，相当于直接操作磁盘，太多的io操作，使得效率太低，所以在map和reduce中间还有一个shuffle操作
   • map处理完成相关的逻辑操作之后，首先通过outputcollector向环形缓冲区写入数据，环形缓冲区主要两部分，一部分写入文件的元数据信息，另一部分写入文件的真实内容
   • 环形缓冲区的默认大小是100m，当缓冲的容量达到默认大小的80%时，进行反向溢写
8. 在溢写之前会将缓冲区的数据按照指定的分区规则进行分区和排序，之所以反向溢写是因为这样就可以边接收数据边往磁盘溢写数据
9. 在分区和排序之后，溢写到磁盘，可能发生多次溢写，溢写到多个文件
10. 对所有溢写到磁盘的文件进行归并排序
11. 在9到10步之间还可以有一个combine合并操作，意义是对每个maptask的输出进行局部汇总，以减少网络传输量
    • map阶段的进程数比reduce阶段要多，所以放在map阶段处理效率更高
    • map阶段合并之后，传递给reduce的数据就会少很多
    • 但是combiner能够应用的前提是不能影响最终的业务逻辑，而且combiner的输出kv要和reduce的输入kv类型对应起来

整个maptask分为read阶段，map阶段，collect阶段，溢写（spill）阶段和combine阶段

• read阶段：maptask通过用户编写的recordreader，从输入inputsplit中解析出一个个key/value
• map阶段：该节点主要是将解析出的key/value交给用户编写map()函数处理，并产生一系列新的key/value
• collect收集阶段：在用户编写map()函数中，当数据处理完成后，一般会调用outputcollector.collect()输出结果。在该函数内部，它会将生成的key/value分区（调用partitioner），并写入一个环形内存缓冲区中
• spill阶段：即“溢写”，当环形缓冲区满后，mapreduce会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作

mapreduce详细工作流程之reduce阶段

如上图所示

1. 所有的maptask任务完成后，启动相应数量的reducetask（和分区数量相同），并告知reducetask处理数据的范围
2. reducetask会将maptask处理完的数据拷贝一份到磁盘中，并合并文件和归并排序
3. 最后将数据传给reduce进行处理，一次读取一组数据
4. 最后通过outputformat输出

整个reducetask分为copy阶段，merge阶段，sort阶段（merge和sort可以合并为一个），reduce阶段。

• copy阶段：reducetask从各个maptask上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则写到磁盘上，否则直接放到内存中
• merge阶段：在远程拷贝数据的同时，reducetask启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多
• sort阶段：按照mapreduce语义，用户编写reduce()函数输入数据是按key进行聚集的一组数据。为了将key相同的数据聚在一起，hadoop采用了基于排序的策略。由于各个maptask已经实现对自己的处理结果进行了局部排序，因此，reducetask只需对所有数据进行一次归并排序即可
• reduce阶段：reduce()函数将计算结果写到hdfs上

shuffle机制

map方法之后，reduce方法之前的数据处理过程称之为shuffle。shuffle流程详解如下：

1. maptask收集map()方法输出的kv对，放到环形缓冲区中
2. 从环形缓冲区不断溢出到本地磁盘文件，可能会溢出多个文件
3. 多个溢出文件会被合并成大的溢出文件
4. 在溢出过程及合并的过程中，都要调用partitioner进行分区和针对key进行排序
5. reducetask根据自己的分区号，去各个maptask机器上取相应的结果分区数据
6. reducetask将取到的来自同一个分区不同maptask的结果文件进行归并排序
7. 合并成大文件后，shuffle过程也就结束了，进入reduce方法

yarn工作机制

job提交全过程

1. mr程序提交到客户端所在的节点，yarnrunner向resourcemanager申请一个application
2. rm将该application的资源路径和作业id返回给yarnrunner
3. yarnrunner将运行job所需资源提交到hdfs上
4. 程序资源提交完毕后，申请运行mrappmaster
5. rm将用户的请求初始化成一个task
6. 其中一个nodemanager领取到task任务
7. 该nodemanager创建容器container，并产生mrappmaster
8. container从hdfs上拷贝资源到本地
9. mrappmaster向rm 申请运行maptask资源
10. rm将运行maptask任务分配给另外两个nodemanager，另两个nodemanager分别领取任务并创建容器
11. mr向两个接收到任务的nodemanager发送程序启动脚本，这两个nodemanager分别启动maptask，maptask对数据分区排序
12. mrappmaster等待所有maptask运行完毕后，向rm申请容器，运行reducetask
13. reducetask向maptask获取相应分区的数据
14. 程序运行完毕后，mr会向rm申请注销自己

进度和状态更新：

yarn中的任务将其进度和状态(包括counter)返回给应用管理器, 客户端每秒(通过mapreduce.client.progressmonitor.pollinterval设置)向应用管理器请求进度更新, 展示给用户

作业完成：

除了向应用管理器请求作业进度外, 客户端每5秒都会通过调用waitforcompletion()来检查作业是否完成。时间间隔可以通过mapreduce.client.completion.pollinterval来设置。作业完成之后, 应用管理器和container会清理工作状态。作业的信息会被作业历史服务器存储以备之后用户核查

欢迎关注下方公众号，获取更多文章信息