MapReduce与Yarn 的详细工作流程分析

MapReduce详细工作流程之Map阶段

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

MapReduce详细工作流程之Reduce阶段

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

Shuffle机制

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

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