Hadoop3.x基础入门（二）

虚伪的小萝卜
370 阅读7分钟

HDFS中的NameNode和SecondaryNameNode

元数据作为描述数据的数据，非常重要。NameNode是用来管理元数据信息的。为了保证对元数据能够进行快速检索，一般元数据都保存在NameNode所在机器的内存中。这意味着，一旦NameNode所在机器宕机，元数据将不再安全。所以这里引入三个概念，FSImage，Edits和SecondaryNameNode。

FSImage

  • 用来存储元数据的信息。 但是随着时间的推移，FSImage必然会变得越来越膨胀，查询还好说，但是编辑FSImage就会变得开销很大。

Edits

  • 用来保存用户最近一段时间内对元数据的操作。 同样的，随着时间的推移，Edits也会变得越来越膨胀。

SecondaryNameNode

  • checkpoint
  • FSImage和Edits的合并

为了避免功高震主，尾大不掉，NameNode决定找一个负责监察的御史台，就是SecondaryNameNode。SecondaryNameNode定期会询问NameNode，是否需要checkpoint。checkpoint由两个指标决定，一个是上一次进行checkpoint到下一次之间的时间间隔，一个是edits当中已经积攒了多少个事务。二者达到任意一个阈值，都会开始进行checkpoint。当开始执行checkpoint时，NameNode会滚动正在写的Edits，将之前所积攒的所有Edits和FSImage都拷贝到SecondaryNameNode。SecondaryNameNode会对二者进行合并，生成一个新的镜像文件FSImage.checkpoint。然后Secondary把新生成的镜像文件传给NameNode。最后，NameNode会把接收到的镜像文件重新命名成FSImage，并删除旧的Edits。这就完成了一次checkpoint。

如果是第一次启动NameNode格式化后，会创建FSImage和Edits。如果不是第一次启动，会直接加载FSImage和Edits到内存中。

由此看出，FSImage和Edits加在一起，才是元数据的所有信息。

以上涉及到的参数及目录。

# SecondaryNameNode询问是否需要进行checkpoint的询问时间间隔
dfs.namenode.checkpoint.check.period
# 两次checkpoint的时间间隔
dfs.namenode.checkpoint.period
# Edits累计事务的阈值
dfs.namenode.checkpoint.txns

<property>
	<name>dfs.namenode.name.dir</name>
	<value> {path} </value> #NameNode中存放FSImage的路径
</property>

<property>
	<name>dfs.namenode.edits.dir</name>
	<value> {path} </value> #NameNode中存放Edits的路径
</property>

MapReduce

正所谓，分久必合，合久必婚。

MapReduce作为一种分布式计算框架，主要分为两个阶段。Map阶段，即把一个大任务切分成一个个小任务。 Reduce阶段，即汇总所有小任务的结果形成最终的输出。

MapReduce编程八步

  • 第一步：设置InputFormat类，进行数据的读取，将文件解析成键值对<key1, value1>。
  • 第二步：自定义Mapper逻辑，通过Override Mapper里的 map方法，将第一步的<key1, value1>转换为<key2, value2>。
  • 第三步：分区。通过HashPartitioner中的getPartition()方法，通过对key2的计算，决定去往那一个ReduceTask的分区。 默认为: 
    (key2.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
    也可以通过分区需求，自定义Partitioner。拥有相同的key2值对会被放在同一区。
  • 第四步：排序。Hadoop默认是对key2按照字典顺序进行快排。也可根据需求，自定义排序方式，甚至二次排序，三次排序等。
  • 第五步：规约。相当于在map端进行reduce操作。在传输前减少要传输的数据数量，即降低网络拷⻉，从而实现优化。但是并不绝对，需要根据需求查看是否需要这个步骤。
  • 第六步：分组。对排序后的数据进行分组操作，将不同分区中相同的key2所对应value们，放在一个集合中，形成新的value2。即每组数据调用了一次reduce方法。
  • 第七步：对多个map任务进行合并，排序。自定义Reducer逻辑，通过Override Reducer里的reduce方法，将第六步中的<key2, value2>转换为<key3, value3>。
  • 第八步：设置FileOutputFormat类，把输出的<key3, value3>数据保存到文件中。

MapTask

在Map阶段，一个MapTask处理一个切片。切片的大小，默认是跟Block的Size相同。值得注意的是，Block是物理上的内存，切片是逻辑上的内存。

##切片的计算方式
Math.max(minSize, Math.min(maxSize, blockSize));  
minSize(最小切片size) default = 1
maxSize(最大切片size) default = Long.MAX_VALUE

可以根据改变minSize和maxSize，来改变切片大小，从而控制MapTask的数量。

工作流程

  1. 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。

  2. 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。

  3. 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。

  4. Spill阶段：即“溢写”，当环形缓冲区满80%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。

    溢写阶段详情：

    • 步骤1：利用快速排序算法对缓存区内的数据进行排序，排序方式是，先按照分区编号Partition进行排序，然后按照key进行排序。这样，经过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照key有序。
    • 步骤2：按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out（N表示当前溢写次数）中。如果用户设置了Combiner，则写入文件之前，对每个分区中的数据进行一次聚集操作。
    • 步骤3：将分区数据的元信息写到内存索引数据结构SpillRecord中，其中每个分区的元信息包括，在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB，则将内存索引写到文件output/spillN.out.index中。

  5. 合并阶段：当所有数据处理完成后，MapTask对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。

    • 当所有数据处理完后，MapTask会将所有临时文件合并成一个大文件，并保存到文件output/file.out中，同时生成相应的索引文件output/file.out.index。

    • 在进行文件合并过程中，MapTask以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式。每轮合并io.sort.factor（默认10）个文件，并将产生的文件重新加入待合并列表中，对文件排序后，重复以上过程，直到最终得到一个大文件。

    • 让每个MapTask最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。

总结：每个MapTask都有一个环形缓冲区，当写到80%的时候，会溢出，产生溢写小文件，这些溢写小文件最终会合并，变成一个本地大文件，等待ReduceTask的拉取。

ReduceTask

工作流程

  1. Copy阶段：ReduceTask从各个MapTask上远程拷贝一片数据，如果某一片数据大小超过一定阈值，则写到磁盘上，否则直接放到内存中。

  2. 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。

  3. Sort阶段：当所有map task的分区数据全部拷贝完，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。

  4. Reduce阶段：reduce()函数将计算结果写到HDFS上。

总结：拉取每个MapTask对应的分区放入内存，如果内存放不下，就会采用同时放入内存+磁盘的策略。在每个ReduceTask上对多个文件进行归并排序。具体多少个ReduceTask合适，需要通过反复测试决定。

avatar
文章
阅读
粉丝