大数据学习路线分享MAPREDUCE,需求:统计大量的文本文件中的单词出现的次数

*
1)整个运算需要分阶段

* 阶段一:并行局部运算
* 阶段二 :汇总处理,不同的阶段需要开发不同的程序
* 2)阶段之间的调用
* 3)业务程序(task程序)如何并发到集群并启动程序
* 4)如何监控task程序的运行状态,如何处理异常
* ::这些问题是开发分布式程序都会面临的问题,完全可以封装成框架::
MR 的结构
* 一个完整的MapReduce运行时有三类实例进程:
* 1)MRAppMaster : 负责整个程序的过程调度和状态调度
* 2)mapTask:负责map阶段的整个数据处理流程
* 3)ReduceTask:负责reduce阶段的整个数据处理流程
MR设计框架
::MAPERDUCE详细框架::
- 1)资源如何分发?
::放到HDFS:::中不能由客户端发送,如果配置1000台机器,也不能做pipeline,所以,可以把jar放在HDFS中的一个目录下。 -
2)虽然有上千台机器,现在job只需要20台机器即可完成,由谁决定是哪20台机器?::ResourceManager:: 作为master -
3)worker--NODEMANAGER,执行应用程序,监控应用程序的资源使用情况(cpu,磁盘,网络,硬盘)并且向调度器ResourceManager汇报

::作业提交流程::

* 1)客户端提交作业给resourcemanager
* 2)resourcemanager返回jobid,存储路径path信息
* 3)客户端将job.jar 、job.split(确定需要运行多少task)、job.splitinfo等资源上传到HDFS的存储路径
* 4)上传到hdfs完成后,客户端通知resourcemanager启动job
* 5)resourcemanager将job加入到job等待队列
,然后nodemanager启动container,将资源下载到container内,向客户端发出请求启动master
* 6)Appmaster向resourcemanager请求maptask的资
*
7)resourcemanager分配资源,从hdfs下载jar到container中,master启动maptask,通过心跳机制,检查job.split
* 8)maptask执行完成,通知Appmaster,释放maptask资源。
分片机制

::如何确定需要运行多少task(并行度)::



*
决定需要多大的并行度

* map阶段并行度:客户端首先查看一下待处理数据目录下的数据量
/data/a.txt 1G
/data/b.txt 800M

* 循环遍历:对每个文件看文件有多少个block,将block数量累加到计数器
*
返回一任务规划描述文件:job.split:
- [ ] split0: /data/a.txt 0-128M - [ ] split1: /data/a.txtx 128-256M ….. - [
] split8: /data/b.txt 0-128M
写入HDFS中

*
分片和分块不同:

* 分片是逻辑概念,给task一个数据处理的范围
* 存在冗余(10%),偏移量和数据大小
* 特性:移动计算(jar包中封装的计算)而不是移动数据
编写MR程序的步骤:
1、用户编写程序分为三个部分:Mapper、Reducer、Driver
2、Mapper的输入数据是kv对的形式(数据类型可自定义)
3、Mapper的输出数据是kv对的形式(数据类型可自定义)
4、Mapper中的业务逻辑写在map()方法中
5、Map()方法对每一对kv值调用一次
6、Reducer的输入数据是kv对的形式(数据类型可自定义)
7、Reducer的输出数据是kv对的形式(数据类型可自定义)
8、Reducer中的业务逻辑写在reduce()方法中
9、ReduceTask进程对每一组相同的key的调用一次reduce()方法
10、用户自定义的Mapper、Reducer类都要继承各自的父类
11、整个程序需要一个Driver来进行提交,提交是一个描述了各种必要信息的job对象

* 案例:wordcount
* 需求:有一批数据文件(TB或者PB级别的数据),如何统计这些文件中的单词出现次数