大数据时代之hadoop：了解hadoop数据流（生命周期）

了解hadoop，首先就需要先了解hadoop的数据流，就像了解servlet的生命周期似的。hadoop是一个分布式存储（hdfs）和分布式计算框架（mapreduce），但是hadoop也有一个很重要的特性：hadoop会将mapreduce计算移动到存储有部分数据的各台机器上。

术语

MapReduce 作业（job）是客户端需要执行的一个工作单元：它包括输入数据、mapreduce程序和配置信息。hadoop将作业分成若干个小任务（task）来执行，其中包括两类任务：map任务和reduce任务。

有两类节点控制着作业执行过程：一个jobtracker及一系列tasktracker。 jobtracker通过调度tasktracker上运行的任务，来协调所有运行在系统上的作业。tasktracker在运行任务的同时将运行进度报 告发送给jobtracker，jobtracker由此记录每项作业任务的整体进度情况。如果其中一个任务失败，jobtracker可以在另外一个 tasktracker节点上重新调度该任务。

输入

hadoop将mapreduce的输入数据划分成等长的小数据块，称为输入分片（input split）或简称分片。hadoop为每个分片构建一个map任务，并由该任务来运行用户自定义的map函数从而处理分片中的每条记录。 对于大多数作业来说，一个合理的分片大小趋向于HDFS的一个块的大小，默认是64M，不过可以针对集群调整这个默认值。分片的大小一定要根据运行的任务来定，如果分片过小，那么管理分片的总时间和构建map任务的总时间将决定着作业的整个执行时间。

hadoop在存储有输入数据的节点上运行map任务，可以获得最佳性能，这就是所谓的数据本地化优化。 因为块是hdfs存储数据的最小单元，每个块可以在多个节点上同时存在（备份），一个文件被分成的各个块被随机分部在多个节点上，因此如果一个map任务 的输入分片跨越多个数据块，那么基本上没有一个节点能够恰好同时存在这几个连续的数据块，那么map任务就需要首先通过网络将不存在于此节点上的数据块远 程复制到本节点上再运行map函数，那么这种任务显然效率非常低。

输出

map任务将其输出写入到本地磁盘，而非HDFS。这是因为map的输出是中间结果：该中间结果有reduce任务处理后才产生最终结果（保存在hdfs中）。而一旦作业完成，map的输出结果可以被删除。

reduce任务并不具备数据本地化优势：单个reduce任务的输入通常来自于所有的mapper任务的输出。reduce任务的输出通常存储于HDFS中以实现可靠存储。

数据流

作业根据设置的reduce任务的个数不同，数据流也不同，但大同小异。reduce任务的数量并非由输入数据的大小决定的，而是可以通过手动配置指定的。

单个reduce任务

多个reduce任务

如果是多个reduce任务的话，则每个map任务都会对其输出进行分区（partition），即为每个reduce任务创建一个分区。分区有用户定义的分区函数控制，默认的分区器（partitioner） 通过哈希函数来分区。

map任务和reduce任务之间的数据流称为shuffle（混洗）。

没有reduce任务

当然也可能出现不需要执行reduce任务的情况，即数据可以完全的并行。

combiner（合并函数）

顺便在这说下combiner吧，hadoop运行用户针对map任务的输出指定一个合并函数，合并函数的输出作为reduce函数的输入。其实合并函数 就是一个优化方案，说白了就是在map任务执行后在本机先执行合并函数（通常就是reduce函数的拷贝），减少网络传输量。