前言

  MapReduce作为hadoop的编程框架,是工程师最常接触的部分,也是除去了网络环境和集群配 置之外对整个Job执行效率影响很大的部分,所以很有必要深入了解整个过程。元旦放假的第一天，在家没事干，用golang实现了一下mapreduce的单进程版本，github地址。处理对大文件统计最高频的10个单词，因为功能比较简单，所以设计没有解耦合。

  本文先对mapreduce大体概念进行介绍，然后结合代码介绍一下，如果接下来几天有空，我会实现一下分布式高可用的mapreduce版本。下面话不多说了，来一起看看详细的介绍吧。

1. Mapreduce大体架构

  上图是论文中mapreduce的大体架构。总的来说Mapreduce的思想就是分治思想：对数据进行分片，然后用mapper进行处理，以key-value形式输出中间文件；然后用reducer进行对mapper输出的中间文件进行合并：将key一致的合到一块，并输出结果文件；如果有需要，采用Combiner进行最后的合并。

  归纳来说主要分为5部分：用户程序、Master、Mapper、Reducer、Combiner（上图未给出）。

  • 用户程序。用户程序主要对输入数据进行分割，制定Mapper、Reducer、Combiner的代码。
  • Master：中控系统。控制分发Mapper、Reduer的个数，比如生成m个进程处理Mapper，n个进程处理Reducer。其实对Master来说，Mapper和Reduer都属于worker，只不过跑的程序不一样，Mapper跑用户输入的map代码，Reduer跑用户输入的reduce代码。Master还作为管道负责中间路径传递，比如将Mapper生成的中间文件传递给Reduer，将Reduer生成的结果文件返回，或者传递给Combiner（如果有需要的话）。由于Master是单点，性能瓶颈，所以可以做集群：主备模式或者分布式模式。可以用zookeeper进行选主，用一些消息中间件进行数据同步。Master还可以进行一些策略处理：比如某个Worker执行时间特别长，很有可能卡住了，对分配给该Worker的数据重新分配给别的Worker执行，当然需要对多份数据返回去重处理。
  • Mapper：负责将输入数据切成key-value格式。Mapper处理完后，将中间文件的路径告知Master，Master获悉后传递给Reduer进行后续处理。如果Mapper未处理完，或者已经处理完但是Reduer未读完其中间输出文件，分配给该Mapper的输入将重新被别的Mapper执行。
  • Reducer: 接受Master发送的Mapper输出文件的消息，RPC读取文件并处理，并输出结果文件。n个Reduer将产生n个输出文件。
  • Combiner: 做最后的归并处理，通常不需要。

  总的来说，架构不复杂。组件间通信用啥都可以，比如RPC、HTTP或者私有协议等。

2. 实现代码介绍

  该版本代码实现了单机单进程版本，Mapper、Reducer和Combiner的实现用协程goroutine实现，通信采用channel。代码写的比较随意，没有解耦合。

  • 功能：统计给定文件中出现的最高频的10个单词
  • 输入：大文件
  • 输出：最高频的10个单词
  • 实现：5个Mapper协程、2个Reducer、1个Combiner。

  为了方便起见，Combiner对最高频的10个单词进行堆排序处理，按规范来说应该放在用户程序处理。

  文件目录如下，其中bin文件夹下的big_input_file.txt为输入文件，可以调用generate下的main文件生成，caller文件为入口的用户程序，master目录下分别存放master、mapper、reducer、combiner代码：

2.1 caller

  用户程序，读入文件并按固定行数进行划分；然后调用master.Handle进行处理。

2.2 master

  Master程序，依次生成Combiner、Reducer、Mapper，处理消息中转，输出最后结果。

2.3 mapper

  Mapper程序，读入并按key-value格式生成中间文件，告知Master。

2.4 reducer

  Reducer程序，读入Master传递过来的中间文件并归并。

2.5 combiner

  Combiner程序，读入Master传递过来的Reducer结果文件并归并成一个，然后堆排序输出最高频的10个词语。

3. 总结

  不足以及未实现之处：

  • 各模块间耦合性高
  • master单点故障未扩展
  • 未采用多进程实现，进程间采用RPC通信
  • 未实现单个Workder时间过长，另起Worker执行任务的代码。

  接下来要是有空，我会实现分布式高可用的代码，模块间采用RPC通讯。

好了，以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对站长博客的支持。

js