免费自助网站建站,建筑网片规格允许偏差,wordpress发布时间,网络营销的核心工作是一、Hadoop MapReduce介绍
1、设计构思
1#xff09;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#xff0c;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#xff01; …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 size128M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 ResourceManagerRMYARN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。
NodeManagerNMYARN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
ApplicationMasterAM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 ContainerMap|Reduce Task–ContainerMrAppMaster
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。 五、YARN资源调度器Scheduler
1、资源调度概述
在理想情况下应用程序提出的请求将立即得到YARN批准。但是实际中资源是有限的并且在繁忙的群集上应用程序通常将需要等待其某些请求得到满足。
YARN调度程序的工作是根据一些定义的策略为应用程序分配资源。 2、调度器策略
1FIFO Scheduler先进先出调度器
先进先出的思想即先提交的应用先运行。
优势无需配置、先到先得、易于执行坏处任务的优先级不会变高因此高优先级的作业需要等待不适合共享集群 2Capacity Scheduler容量调度器
允许多个组织共享整个集群资源通过为每个组织分配专门的队列然后再为每个队列分配一定的集群资源。
特性优势层次化的队列设计、容量、保证安全、弹性分配 3Fair Scheduler公平调度器
提供了YARN应用程序公平地共享大型集群中资源的另一种方式。
公平调度可以在多个队列间工作允许资源共享和抢占。
特性优势分层队列、基于用户或组的队列映射、资源抢占、保证最小配额、允许资源共享、默认不限制每个队列和用户可以同时运行应用的数量
