关于大数据时代之hadoop：了解hadoop数据流(生命周期)的讲解

　　想要了解hadoop，首先就必须需要先了解hadoop的数据流，就像了解servlet的生命周期似的。hadoop是一个分布式存储(hdfs)和分布式计算框架(mapreduce)，但是hadoop也有一个很重要的特性：hadoop会将mapreduce计算移动到存储有部分数据的各台机器上。如下图所示：

　　一、术语

　　MapReduce 作业(job)是客户端需要执行的一个工作单元：它包括输入数据、mapreduce程序和配置信息。hadoop将作业分成若干个小任务(task)来执行，其中包括两类任务：map任务和reduce任务。

　　有两类节点控制着作业执行过程：一个jobtracker及一系列tasktracker。 jobtracker通过调度tasktracker上运行的任务，来协调所有运行在系统上的作业。tasktracker在运行任务的同时将运行进度报 告发送给jobtracker，jobtracker由此记录每项作业任务的整体进度情况。如果其中一个任务失败，jobtracker能够在另外一个 tasktracker节点上重新调度该任务。

　　二、输入

　　hadoop将mapreduce的输入数据划分成等长的小数据块，称为输入分片(input split)或简称分片。hadoop为每个分片构建一个map任务，并由这个任务来运行用户自定义的map函数从而处理分片中的每条记录。 对于大多数作业来说，一个合理的分片大小趋向于HDFS的一个块的大小，默认是64M，不过能够针对集群调整这个默认值。分片的大小一定要根据运行的任务来定，如果分片过小，那么管理分片的总时间和构建map任务的总时间将决定着作业的整个执行时间。

　　hadoop在存储有输入数据的节点上运行map任务，能够获得最佳性能，这就是所谓的数据本地化优化。 因为块是hdfs存储数据的最小单元，每个块能够在多个节点上同时存在(备份)，一个文件被分成的各个块被随机分部在多个节点上，所以如果一个map任务 的输入分片跨越多个数据块，那么基本上没有一个节点能够恰好同时存在这几个连续的数据块，那么map任务就需要首先通过网络将不存在于这个节点上的数据块远 程复制到本节点上再运行map函数，那么这种任务显然效率非常低。

　　三、输出

　　map任务将其输出写入到本地磁盘，而非HDFS。这是因为map的输出是中间结果：这个中间结果有reduce任务处理后才产生最终结果(保存在hdfs中)。而一旦作业完成，map的输出结果能够被删除。

　　reduce任务并不具备数据本地化优势：单个reduce任务的输入通常来自于所有的mapper任务的输出。reduce任务的输出通常存储于HDFS中来实现可靠存储。

　　四、数据流

　　作业根据设置的reduce任务的个数不同，数据流也不同，但大同小异。reduce任务的数量并非由输入数据的大小决定的，而是能够通过手动配置指定的。

　　A、单个reduce任务，如下图所示：

　　B、多个reduce任务

　　如果是多个reduce任务的话，则每个map任务都会对其输出进行分区(partition)，即为每个reduce任务创建一个分区。分区有用户定义的分区函数控制，默认的分区器(partitioner) 通过哈希函数来分区。

　　map任务和reduce任务之间的数据流称为shuffle(混洗)。如下图所示：

　　C、没有reduce任务

　　当然也有可能出现不需要执行reduce任务的情况，即数据能够完全的并行。如下图所示：

　　D、combiner(合并函数)

　　顺便在这说下combiner吧，hadoop运行用户针对map任务的输出指定一个合并函数，合并函数的输出作为reduce函数的输入。其实合并函数 就是一个优化方案，说白了就是在map任务执行后在本机先执行合并函数(通常就是reduce函数的拷贝)，减少网络传输量。

　　原文出自：http://blog.csdn.net/chaofanwei/article/details/39695743