好程序员大数据分享MapReduce中job的提交流程

一、MapReduce的定义

MapReduce是面向大数据并行处理的计算模型、框架和平台。

它的主要思想是：map（映射）和reduce（归约）

1）MapReduce是一个基于集群的高性能并行计算平台

2）MapReduce是一个并行计算与运行软件框架

3）MapReduce是一个并行程序设计模型与方法

二、 MapReduce的主要功能：

二、MapReduce的主要功能

1）数据划分和计算任务调度

2）数据/代码互定位

3）系统优化

4）出错检测和恢复

三、计算任务中job的提交流程

在学到这的时候，我们会面临一些问题：

1）首先面临的问题就是数据是如何分布的？

2）一个超大文件按照那种方式切割下来，分别丢到不同的机器上？

3）按照某种方式切割下来后，是如何丢到不同机器上去的？

4）某个机器分配到什么任务？如何分配的？

5）拿到任务后如何解决的？

带着这些问题，我们就需要学习一下job的提交流程，从该流程中去寻找我们问题的答案。

Job的具体提交流程，我们用文字概括如下：

1、客户端提交job到resourcemanager(rm)。

2、rm将其放到等待队列，返回jobid和文件路径信息。

3、客户端将所需要计算的资源，上传到hdfs上(包括job信息和分片信息)的存储路径。

4、客户端给rm返回一个资源准备好的信息，job放入等待队列，告诉他可以启动job，等待rm进行调度。

5、rm在调度之前，申请一个资源nodemanager(nm)，nm启动container，它接收到任务到hdfs上将资源获取到container，然后跟客户端交互已经得到需要计算的资源，客户端向其发送启动applicationmaster(am)的命令。

6、am启动起来后，通过解析分片信息向rm申请运算资源(maptask)。

7、rm收到信息查看nm资源情况，通过负载均衡分配所需要的机器，nm每一次心跳都会从job的描述信息查询自己所分配到的任务，接收到任务消息的机器会从hdfs上拿取计算资源，然后跟am交互，am发送启动maptask的命令。

8、Maptask结束后，通知am，然后释放maptask资源，am向rm发出信息，申请reducetask的资源。

9、rm分配资源，am启动reducetask。

10、reducetask收集maptask完成的数据，启动reduce逻辑。执行完成后，通知am，然后释放reducetask的资源。am通知rm。am释放资源。