小编给大家分享一下Java基础之MapReduce框架的示例分析,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获、下面让我们一起去了解一下吧!
一、MapTask工作机制
MapTask就是地图阶段的工作,它的数量由切片决定
二,MapTask工作流程:
1.读阶段:读取文件,此时进行对文件数据进行切片(InputFormat进行切片),通过切片,从而确定MapTask的数量,切片中包含数据和关键(偏移量)
2.地图阶段:这个阶段是针对数据进行地图方法的计算操作,通过该方法,可以对切片中的键和值进行处理
3.收集收集阶段:在用户编写地图()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,它会将生成的键/值分区(调用分割者),并写入一个环形内存缓冲区中。
4.泄漏阶段:即“溢写”,当环形缓冲区满后,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。
5.结合阶段: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,这个阶段默认是没有的,一般需要我们自定义
6。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,并保存到文件输出/file.out中,同时生成相应的索引文件输出/file.out.index。
7。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。
8。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
<强>第四步溢写阶段详情:
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,先按照分区编号分区进行排序,然后按照关键进行排序。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关键有序。
<李>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输出/spillN.out (N表示当前溢写次数)中。如果用户设置了合路器,则写入文件之前,对每个分区中的数据进行一次聚集操作。
<李>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1 mb,则将内存索引写到文件/spillN.out输出。李指数中。
三,ReduceTask工作机制
ReduceTask就是减少阶段的工作,它的数量由地图阶段的分区进行决定
四,ReduceTask工作流程:
1.复制阶段:ReduceTask从各个MapTask上远程拷贝一片数据,并针对某一片数据,如果其大小超过一定阈值,则写到磁盘上,否则直接放到内存中。
2.合并阶段: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。
3.一阶段:按照MapReduce语义,用户编写减少()函数输入数据是按关键进行聚集的一组数据。为了将键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.减少阶段:减少()函数将计算结果写到HDFS上
五、数据清洗(ETL)
我们在大数据开篇概述中说过,数据是低价值的,所以我们要从海量数据中获取到我们想要的数据,首先就需要对数据进行清洗,这个过程也称之为ETL
还记得上一章中的加入案例么,我们对pname字段的填充,也算数据清洗的一种,下面我通过一个简单的案例来演示一下数据清洗
<强>数据清洗案例
需求:过滤一下日志日志中字段个数小的于11日志(随便举个栗子而已)
测试数据:就拿我们这两天学习中HadoopNodeName产生的日志来当测试数据吧,我将日志日志信息放到我的窗户中,数据位置如下
