MapReduce剖析筆記之一：從WordCount理解MapReduce的幾個階段

WordCount是一個入門的MapReduce程序（從src\examples\org\apache\hadoop\examples粘貼過來的）：

package org.apache.hadoop.examples; import java.io.IOException; import java.util.StringTokenizer; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.Mapper; import org.apache.hadoop.mapreduce.Reducer; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; import org.apache.hadoop.util.GenericOptionsParser; public class WordCount { public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{ private final static IntWritable one = new IntWritable(1); private Text word = new Text(); public void map(Object key, Text value, Context context ) throws IOException, InterruptedException { StringTokenizer itr = new StringTokenizer(value.toString()); while (itr.hasMoreTokens()) { word.set(itr.nextToken()); context.write(word, one); } } } public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> { private IntWritable result = new IntWritable(); public void reduce(Text key, Iterable<IntWritable> values, Context context ) throws IOException, InterruptedException { int sum = 0; for (IntWritable val : values) { sum += val.get(); } result.set(sum); context.write(key, result); } } public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs(); if (otherArgs.length != 2) { System.err.println("Usage: wordcount <in> <out>"); System.exit(2); } Job job = new Job(conf, "word count"); job.setJarByClass(WordCount.class); job.setMapperClass(TokenizerMapper.class); job.setCombinerClass(IntSumReducer.class); job.setReducerClass(IntSumReducer.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); FileInputFormat.addInputPath(job, new Path(otherArgs[0])); FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); System.exit(job.waitForCompletion(true) ? 0 : 1); } }

MapReduce即將一個計算任務分為兩個階段：Map、Reduce。為什么要這么分解？
為了理解其含義，我們先不管MapReduce這一套框架，從一個簡單的問題來看，如果對於100T的日志文件，需要統計其中出現的"ERROR"這個單詞的次數，怎么辦？
最簡單的方法：單機處理，逐行讀入每一行文本，統計並累加，則得到其值。問題是：因為數據量太大，速度太慢，怎么辦？自然，多機並行處理就是一個自然的選擇。
那么，這個文件怎么切分到多個機器呢？假定有100台機器，可以寫一個主程序，將這個100T大文件按照每個機器存儲1T的原則，在100台機器上分布存儲，再把原來單機上的程序拷貝100份（無需修改）至100台機器上運行得到結果，此時得到的結果只是一個中間結果，最后需要寫一個匯總程序，將統計結果進行累加，則完成計算。
將大文件分解后，對單機1T文件計算的過程就相當於Map，而Map的結果就相當於"ERROR"這個單詞在本機1T文件中出現的次數，而最后的匯總程序就相當於Reduce，Reduce的輸入來源於100台機器。在這個簡單的例子中，有100個Map任務，1個Reduce任務。
100台機器計算后的中間結果需要傳遞到Reduce任務所在機器上，這個過程就是Shuffle，Shuffle這個單詞的含義是”洗牌“，也就是將中間結果從Map所在機器傳輸到Reduce所在機器，在這個過程中，存在網絡傳輸。
此時，我們利用上面的例子已經理解了Map-Shuffle-Reduce的基本含義，在上面的例子中，如果還需要對”WARNING“這個單詞進行統計，那么怎么辦呢？此時，每個Map任務就不僅需要統計本機1T文件中ERROR的個數，還需要統計WARNING的次數，然后在Reduce程序中分別進行統計。如果需要對所有單詞進行統計呢？一個道理，每個Map任務對1T文件中所有單詞進行統計計數，然后 Reduce對所有結果進行匯總，得到所有單詞在100T大文件中出現的次數。此時，問題可能出現了，因為單詞數量可能很多，Reduce用單機處理也可能存在瓶頸了，於是我們需要考慮用多台機器並行計算Reduce，假如用2台機器，因為Reduce只是對單詞進行計數累加，所有可以按照這樣簡單的規則進行：大寫字母A-Z開頭的單詞由Reduce 1累加；小寫字母a-z開頭的單詞由Reduce 2累加。
在這種情況下，100個Map任務執行后的結果，都需要分為兩部分，一部分准備送到Reduce 1統計，一部分准備送到Reduce 2統計，這個功能稱為Partitioner，即將Map后的結果（比如一個文本文件，記錄了各個單詞在本機文件出現的次數）分解為兩部分（比如兩個文本 文件），准備送到兩個Reduce任務。
因此，Shuffle在這里就是從100個Map任務和2個Reduce任務之間傳輸中間結果的過程。

我們繼續考慮幾個問題：
1、 如果Map后的中間結果數據量較大，Shuffle過程對網絡帶寬要求較高，因此需要將Map后的結果盡可能減小，這個功能當然可以在Map內自己搞 定，不過MapReduce將這個功能單獨拎出來，稱為Combiner，即合並，這個Combiner，指的是Map任務后中間結果的合並，相比於 Reduce的最終合並，這里相當於先進行一下局部匯總，減小中間結果，進而減小網絡傳輸量。所以，在上面的例子中，假如Map並不計數，只是記錄單詞出現這個信息，輸出結果是<ERROR，1>，<WARNING，1>，<WARNING，1>.....這樣一個Key-Value序列，Combiner可以進行局部匯總，將Key相同的Value進行累加，形成一個新的Key-Value序列：<ERROR，14>，<WARNING，27>，.....，這樣就大大減小了Shuffle需要的網絡帶寬，要知道現在數據中心一般使用千兆以太網，好些的使用萬兆以太網，TCP/IP傳輸的效率不太高。這里Combiner匯總函數實際上可以與Reduce的匯總函數一致，只是輸入數據不同。
2、 來自100個Map任務后的結果分別送到兩個Reduce任務處理。對於任何一個Reduce任務，輸入是一堆<ERROR，14>這樣的 Key-Value序列，因為100個Map任務都有可能統計到ERROR的次數，因此這里會先進行一個歸並，即將相同單詞的歸並到一起，形 成<ERROR, <14,36,.....>>，<WARNING,<27,45,...>>這樣一個仍然是Key-Value的 序列，14、36、。。。分別表示第1、2、。。。台機器中ERROR的統計次數，這個歸並過程在MapReduce中稱為Merge。如果merge后 再進行Reduce，那么就只需要統計即可；如果事先沒有merge，那么Reduce自己完成這一功能也行，只是兩種情況下Reduce的輸入Key- Value形式不同。
3、如果要求最后的單詞統計結果還要形成字典序怎么辦呢？可以自己在 Reduce中進行全排序，也可以100個Map任務中分別進行局部排序，然后將結果發到Reduce任務時，再進行歸並排序。這個過程 MapReduce也內建支持，因此不需要用戶自己去寫排序程序，這個過程在MapReduce中稱為Sort。
到這里，我們理解了MapReduce中的幾個典型步驟：Map、Sort、Partitioner、 Combiner、Shuffle、Merge、Reduce。MapReduce程序之所以稱為MapReduce，就說明Map、Reduce這兩個 步驟對於一個並行計算來說幾乎是必須的，你總得先分開算吧，所以必須有Map；你總得匯總吧，所以有Reduce。當然，理論上也可以不需要 Reduce，如果Map后就得到你要的結果的話。
Sort對於不需要順序的程序里沒意義（但MapReduce默認做了排序）；
Partitioner對於Reduce只有一個的時候沒意義，如果有多個Reduce，則需要，至於怎么分，用戶可以繼承Partitioner標准類，自己實現分解函數。控制中間結果如何傳輸。MapReduce提供的標准的Partitioner是 一個接口，用戶可以自己實現getPartition（）函數，MapReduce也提供了幾個基本的實現，最典型的HashPartitioner是根 據用戶設定的Reduce任務數量（注意，MapReduce中，Map任務的個數最終取決於數據分布，Reduce則是用戶直接指定），按照哈希進行計算的：

public class HashPartitioner<K2, V2> implements Partitioner<K2, V2> { public void configure(JobConf job) {} /** Use {@link Object#hashCode()} to partition. */
  public int getPartition(K2 key, V2 value, int numReduceTasks) { return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks; } }

這里，numReduceTasks就是用戶設定的Reduce任務數量；
K2 key, V2 value 就是Map計算后的中間結果。
Combiner可以選擇性放棄，但考慮到網絡帶寬，可以自己寫相應的函數實現局部合並功能。很多情況下，直接利用Reduce那個程序即可，WordCount這個標准程序里就是這么用的。
Shuffle自然是必須的，不用寫，根據Partitioner邏輯，框架自己去執行結果傳輸。
Merge也不是必須的，可以揉到Reduce里面實現等等也可以。因為這些操作的數據結構都是Key-Value，Reduce的輸入只要是一個Key-Value即可，相當靈活。
我們再來看WordCount，這個MapReduce程序中定義了一個類：

  public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>

而Mapper是Hadoop中的一個接口，其定義為：

public interface Mapper<K1, V1, K2, V2> extends JobConfigurable, Closeable { /** * Maps a single input key/value pair into an intermediate key/value pair. * * <p>Output pairs need not be of the same types as input pairs. A given * input pair may map to zero or many output pairs. Output pairs are * collected with calls to * {@link OutputCollector#collect(Object,Object)}.</p> * * <p>Applications can use the {@link Reporter} provided to report progress * or just indicate that they are alive. In scenarios where the application * takes an insignificant amount of time to process individual key/value * pairs, this is crucial since the framework might assume that the task has * timed-out and kill that task. The other way of avoiding this is to set * <a href="{@docRoot}/../mapred-default.html#mapred.task.timeout"> * mapred.task.timeout</a> to a high-enough value (or even zero for no * time-outs).</p> * * @param key the input key. * @param value the input value. * @param output collects mapped keys and values. * @param reporter facility to report progress. */
  void map(K1 key, V1 value, OutputCollector<K2, V2> output, Reporter reporter) throws IOException; }

因此，Mapper里面並沒有規定輸入輸出的類型是什么，只要是KeyValue的即可，K1、V1、K2、V2是什么由用戶指定，反正只是實現K1、V1到K2、V2的映射即可。

在WordCount中實現了繼承於Mapper<Object, Text, Text, IntWritable>的一個TokenizerMapper類，實現了map函數：map(Object key, Text value, Context context ) ；

TokenizerMapper中，輸入的Key-Value是<Object, Text>，輸出是<Text, IntWritable>，在WordCount程序里，K1代表一行文本的起始位置，V1代表這一行文本；

K2代表單詞，V2代表"1"，用於后面的累和。

同樣，在MapReduce中，Reducer也是一個接口，其聲明為：

public interface Reducer<K2, V2, K3, V3> extends JobConfigurable, Closeable { /** * <i>Reduces</i> values for a given key. * * <p>The framework calls this method for each * <code>&lt;key, (list of values)></code> pair in the grouped inputs. * Output values must be of the same type as input values. Input keys must * not be altered. The framework will <b>reuse</b> the key and value objects * that are passed into the reduce, therefore the application should clone * the objects they want to keep a copy of. In many cases, all values are * combined into zero or one value. * </p> * * <p>Output pairs are collected with calls to * {@link OutputCollector#collect(Object,Object)}.</p> * * <p>Applications can use the {@link Reporter} provided to report progress * or just indicate that they are alive. In scenarios where the application * takes an insignificant amount of time to process individual key/value * pairs, this is crucial since the framework might assume that the task has * timed-out and kill that task. The other way of avoiding this is to set * <a href="{@docRoot}/../mapred-default.html#mapred.task.timeout"> * mapred.task.timeout</a> to a high-enough value (or even zero for no * time-outs).</p> * * @param key the key. * @param values the list of values to reduce. * @param output to collect keys and combined values. * @param reporter facility to report progress. */
  void reduce(K2 key, Iterator<V2> values, OutputCollector<K3, V3> output, Reporter reporter) throws IOException; }

Reducer的輸入為K2, V2（這個對應於Mapper輸出的經過Shuffle到達Reducer端的K2,V2,）, 輸出為K3, V3。

在WordCount中，K2為單詞，V2為1這個固定值（或者為局部出現次數，取決於是否有Combiner）；K3還是單詞，V3就是累和值。

而WordCount里存在繼承於Reducer<Text, IntWritable, Text, IntWritable>的IntSumReducer類，完成單詞計數累加功能。

對於Combiner，實際上MapReduce沒有Combiner這個基類（WordCount自然也沒有實現），從任務的提交函數來看：

  public void setCombinerClass(Class<? extends Reducer> cls ) throws IllegalStateException { ensureState(JobState.DEFINE); conf.setClass(COMBINE_CLASS_ATTR, cls, Reducer.class); }

可以看出，Combiner使用的類實際上符合Reducer。兩者是一樣的。

再來看作業提交代碼：
在之前先說一下Job和Task的區別，一個MapReduce運行流程稱為一個Job，中文稱“作業”。
在傳統的分布式計算領域，一個Job分為多個Task運行。Task中文一般稱為任務，在Hadoop中，這種任務有兩種：Map和Reduce
所以下面說到Map和Reduce時，指的是任務；說到整個流程時，指的是作業。不過由於疏忽，可能會將作業稱為任務的情況。
根據上下文容易區分出來。

 1     Job job = new Job(conf, "word count");  2     job.setJarByClass(WordCount.class);  3     job.setMapperClass(TokenizerMapper.class);  4     job.setCombinerClass(IntSumReducer.class);  5     job.setReducerClass(IntSumReducer.class);  6     job.setOutputKeyClass(Text.class);  7     job.setOutputValueClass(IntWritable.class);  8     FileInputFormat.addInputPath(job, new Path(otherArgs[0]));  9     FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); 10     System.exit(job.waitForCompletion(true) ? 0 : 1);

第1行創建一個Job對象，Job是MapReduce中提供的一個作業類，其聲明為：

public class Job extends JobContext { public static enum JobState {DEFINE, RUNNING}; private JobState state = JobState.DEFINE; private JobClient jobClient; private RunningJob info; .......

之后，設置該作業的運行類，也就是WordCount這個類；

然后設置Map、Combiner、Reduce三個實現類；

之后，設置輸出Key和Value的類，這兩個類表明了MapReduce作業完畢后的結果。

Key即單詞，為一個Text對象，Text是Hadoop提供的一個可以序列化的文本類；

Value為計數，為一個IntWritable對象，IntWritable是Hadoop提供的一個可以序列化的整數類。

之所以不用普通的String和int，是因為輸出Key、 Value需要寫入HDFS，因此Key和Value都要可寫，這種可寫能力在Hadoop中使用一個接口Writable表示，其實就相當於序列化，換句話說，Key、Value必須得有可序列化的能力。Writable的聲明為：

public interface Writable { /** * Serialize the fields of this object to <code>out</code>. * * @param out <code>DataOuput</code> to serialize this object into. * @throws IOException */
  void write(DataOutput out) throws IOException; /** * Deserialize the fields of this object from <code>in</code>. * * <p>For efficiency, implementations should attempt to re-use storage in the * existing object where possible.</p> * * @param in <code>DataInput</code> to deseriablize this object from. * @throws IOException */
  void readFields(DataInput in) throws IOException; }

在第8、9行，還設置了要計算的文件在HDFS中的路徑，設定好這些配置和參數后，執行作業提交：job.waitForCompletion(true)

waitForCompletion是Job類中實現的一個方法：

  public boolean waitForCompletion(boolean verbose ) throws IOException, InterruptedException, ClassNotFoundException { if (state == JobState.DEFINE) { submit(); } if (verbose) { jobClient.monitorAndPrintJob(conf, info); } else { info.waitForCompletion(); } return isSuccessful(); }

即執行submit函數：

  public void submit() throws IOException, InterruptedException, ClassNotFoundException { ensureState(JobState.DEFINE); setUseNewAPI(); // Connect to the JobTracker and submit the job
 connect(); info = jobClient.submitJobInternal(conf); super.setJobID(info.getID()); state = JobState.RUNNING; } 

其中，調用jobClient對象的submitJobInternal方法進行作業提交。jobClient是 JobClient對象，在執行connect()的時候即創建出來：

  private void connect() throws IOException, InterruptedException { ugi.doAs(new PrivilegedExceptionAction<Object>() { public Object run() throws IOException { jobClient = new JobClient((JobConf) getConfiguration()); return null; } }); }

創建JobClient的參數是這個作業的配置信息，JobClient是MapReduce作業的客戶端部分，主要用於提交作業等等。而具體的作業提交在submitJobInternal方法中實現，關於submitJobInternal的具體實現，包括MapReduce的作業執行流程，較為復雜，留作下一節描述。

關於MapReduce的這一流程，我們也可以看出一些特點：

1、 Map任務之間是不通信的，這與傳統的MPI（Message Passing Interface）存在本質區別，這就要求划分后的任務具有獨立性。這個要求一方面限制了MapReduce的應用場合，但另一方面對於任務執行出錯后的處理十分方便，比如執行某個Map任務的機器掛掉了，可以不管其他Map任務，重新在另一台機器上執行一遍即可。因為底層的數據在HDFS里面，有3 份備份，所以數據冗余搭配上Map的重執行這一能力，可以將集群計算的容錯性相比MPI而言大大增強。后續博文會對MPI進行剖析，也會對 MapReduce與傳統高性能計算中的並行計算框架進行比較。

2、Map任務的分配與數據的分布關系十分密切，對於上面的例子，這個100T的大文件分布在多台機器上，MapReduce框架會根據文件的實際存儲位置分配Map任務，這一過程需要對HDFS有好的理解，在后續博文中會對HDFS中進行剖析。到時候，能更好滴理解MapReduce框架。因為兩者是搭配起來使用的。

3、 MapReduce的輸入數據來自於HDFS，輸出結果也寫到HDFS。如果一個事情很復雜，需要分成很多個MapReduce作業反復運行，那么就需要來來回回地從磁盤中搬移數據的過程，速度很慢，后續博文會對Spark這一內存計算框架進行剖析，到時候，能更好滴理解MapReduce性能。

4、MapReduce的輸入數據和輸出結果也可以來自於HBase，HBase本身搭建於HDFS之上（理論上也可以搭建於其他文件系統），這種應用場合大多需要MapReduce處理一些海量結構化數據。后續博文會對HBase進行剖析。