golang如何实现mapreduce单进程版本详解

2020-04-01 18:59:53

字体：大中小

来源：转载

供稿：网友

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/292804.html">golang/196407.html">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

golang,mapreduce,进程管理,mapreduce包

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：

.├── README.md├── bin│ └── file-store│  └── big_input_file.txt└── src ├── caller │ └── main.go ├── generate │ └── main.go └── master  ├── combiner.go  ├── mapper.go  ├── master.go  └── reducer.go6 directories, 8 files

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。

package mainimport (  "os" "path" "path/filepath" "bufio" "strconv" "master" "github.com/vinllen/go-logger/logger")const (  LIMIT int = 10000 // the limit line of every file)func main() {  curDir, err := filepath.Abs(filepath.Dir(os.Args[0])) if err != nil {  logger.Error("Read path error: ", err.Error())  return } fileDir := path.Join(curDir, "file-store") _ = os.Mkdir(fileDir, os.ModePerm) // 1. read file filename := "big_input_file.txt" inputFile, err := os.Open(path.Join(fileDir, filename)) if err != nil {  logger.Error("Read inputFile error: ", err.Error())  return } defer inputFile.Close() // 2. split inputFile into several pieces that every piece hold 100,000 lines filePieceArr := []string{} scanner := bufio.NewScanner(inputFile) piece := 1Outter:  for {  outputFilename := "input_piece_" + strconv.Itoa(piece)  outputFilePos := path.Join(fileDir, outputFilename)  filePieceArr = append(filePieceArr, outputFilePos)  outputFile, err := os.Create(outputFilePos)  if err != nil {   logger.Error("Split inputFile error: ", err.Error())   continue  }  defer outputFile.Close()  for cnt := 0; cnt < LIMIT; cnt++ {   if !scanner.Scan() {    break Outter   }   _, err := outputFile.WriteString(scanner.Text() + "/n")   if err != nil {    logger.Error("Split inputFile writting error: ", err.Error())    return   }  }  piece++ } // 3. pass to master res := master.Handle(filePieceArr, fileDir) logger.Warn(res)}

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。

package masterimport ( "github.com/vinllen/go-logger/logger")var (  MapChanIn chan MapInput // channel produced by master while consumed by mapper MapChanOut chan string // channel produced by mapper while consumed by master ReduceChanIn chan string // channel produced by master while consumed by reducer ReduceChanOut chan string // channel produced by reducer while consumed by master CombineChanIn chan string // channel produced by master while consumed by combiner CombineChanOut chan []Item // channel produced by combiner while consumed by master)func Handle(inputArr []string, fileDir string) []Item {  logger.Info("handle called") const(  mapperNumber int = 5  reducerNumber int = 2 ) MapChanIn = make(chan MapInput) MapChanOut = make(chan string) ReduceChanIn = make(chan string) ReduceChanOut = make(chan string) CombineChanIn = make(chan string) CombineChanOut = make(chan []Item) reduceJobNum := len(inputArr) combineJobNum := reducerNumber // start combiner go combiner() // start reducer for i := 1; i <= reducerNumber; i++ {  go reducer(i, fileDir) } // start mapper for i := 1; i <= mapperNumber; i++ {  go mapper(i, fileDir) } go func() {  for i, v := range(inputArr) {   MapChanIn <- MapInput{    Filename: v,    Nr: i + 1,   } // pass job to mapper  }  close(MapChanIn) // close map input channel when no more job }() var res []Itemoutter:  for {  select {   case v := <- MapChanOut:    go func() {     ReduceChanIn <- v     reduceJobNum--     if reduceJobNum <= 0 {      close(ReduceChanIn)     }    }()   case v := <- ReduceChanOut:    go func() {     CombineChanIn <- v     combineJobNum--     if combineJobNum <= 0 {      close(CombineChanIn)     }    }()   case v := <- CombineChanOut:    res = v    break outter  } } close(MapChanOut) close(ReduceChanOut) close(CombineChanOut) return res}

2.3 mapper

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

package masterimport (  "fmt" "path" "os" "bufio" "strconv" "github.com/vinllen/go-logger/logger")type MapInput struct {  Filename string Nr int}func mapper(nr int, fileDir string) {  for {  val, ok := <- MapChanIn // val: filename  if !ok { // channel close   break  }  inputFilename := val.Filename  nr := val.Nr  file, err := os.Open(inputFilename)  if err != nil {   errMsg := fmt.Sprintf("Read file(%s) error in mapper(%d)", inputFilename, nr)   logger.Error(errMsg)   MapChanOut <- ""   continue  }  mp := make(map[string]int)  scanner := bufio.NewScanner(file)  scanner.Split(bufio.ScanWords)  for scanner.Scan() {   str := scanner.Text()   //logger.Info(str)   mp[str]++  }  outputFilename := path.Join(fileDir, "mapper-output-" + strconv.Itoa(nr))  outputFileHandler, err := os.Create(outputFilename)  if err != nil {   errMsg := fmt.Sprintf("Write file(%s) error in mapper(%d)", outputFilename, nr)   logger.Error(errMsg)  } else {   for k, v := range mp {    str := fmt.Sprintf("%s %d/n", k, v)    outputFileHandler.WriteString(str)   }   outputFileHandler.Close()  }  MapChanOut <- outputFilename }}

2.4 reducer

Reducer程序，读入Master传递过来的中间文件并归并。

package masterimport (  "fmt" "bufio" "os" "strconv" "path" "strings" "github.com/vinllen/go-logger/logger")func reducer(nr int, fileDir string) {  mp := make(map[string]int) // store the frequence of words // read file and do reduce for {  val, ok := <- ReduceChanIn  if !ok {   break  }  logger.Debug("reducer called: ", nr)  file, err := os.Open(val)  if err != nil {   errMsg := fmt.Sprintf("Read file(%s) error in reducer", val)   logger.Error(errMsg)   continue  }  scanner := bufio.NewScanner(file)  for scanner.Scan() {   str := scanner.Text()   arr := strings.Split(str, " ")   if len(arr) != 2 {    errMsg := fmt.Sprintf("Read file(%s) error that len of line(%s) != 2(%d) in reducer", val, str, len(arr))    logger.Warn(errMsg)    continue   }   v, err := strconv.Atoi(arr[1])   if err != nil {    errMsg := fmt.Sprintf("Read file(%s) error that line(%s) parse error in reduer", val, str)    logger.Warn(errMsg)    continue   }   mp[arr[0]] += v  }  if err := scanner.Err(); err != nil {   logger.Error("reducer: reading standard input:", err)  }  file.Close() } outputFilename := path.Join(fileDir, "reduce-output-" + strconv.Itoa(nr)) outputFileHandler, err := os.Create(outputFilename) if err != nil {  errMsg := fmt.Sprintf("Write file(%s) error in reducer(%d)", outputFilename, nr)  logger.Error(errMsg) } else {  for k, v := range mp {   str := fmt.Sprintf("%s %d/n", k, v)   outputFileHandler.WriteString(str)  }  outputFileHandler.Close() } ReduceChanOut <- outputFilename}

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。

package masterimport (  "fmt" "strings" "bufio" "os" "container/heap" "strconv" "github.com/vinllen/go-logger/logger")type Item struct {  key string val int}type PriorityQueue []*Itemfunc (pq PriorityQueue) Len() int {  return len(pq)}func (pq PriorityQueue) Less(i, j int) bool {  return pq[i].val > pq[j].val}func (pq PriorityQueue) Swap(i, j int) {  pq[i], pq[j] = pq[j], pq[i]}func (pq *PriorityQueue) Push(x interface{}) {  item := x.(*Item) *pq = append(*pq, item)}func (pq *PriorityQueue) Pop() interface{} {  old := *pq n := len(old) item := old[n - 1] *pq = old[0 : n - 1] return item}func combiner() {  mp := make(map[string]int) // store the frequence of words // read file and do combine for {  val, ok := <- CombineChanIn  if !ok {   break  }  logger.Debug("combiner called")  file, err := os.Open(val)  if err != nil {   errMsg := fmt.Sprintf("Read file(%s) error in combiner", val)   logger.Error(errMsg)   continue  }  scanner := bufio.NewScanner(file)  for scanner.Scan() {   str := scanner.Text()   arr := strings.Split(str, " ")   if len(arr) != 2 {    errMsg := fmt.Sprintf("Read file(%s) error that len of line != 2(%s) in combiner", val, str)    logger.Warn(errMsg)    continue   }   v, err := strconv.Atoi(arr[1])   if err != nil {    errMsg := fmt.Sprintf("Read file(%s) error that line(%s) parse error in combiner", val, str)    logger.Warn(errMsg)    continue   }   mp[arr[0]] += v  }  file.Close() } // heap sort // pq := make(PriorityQueue, len(mp)) pq := make(PriorityQueue, 0) heap.Init(&pq) for k, v := range mp {  node := &Item {   key: k,   val: v,  }  // logger.Debug(k, v)  heap.Push(&pq, node) } res := []Item{} for i := 0; i < 10 && pq.Len() > 0; i++ {  node := heap.Pop(&pq).(*Item)  res = append(res, *node) } CombineChanOut <- res}

3. 总结

不足以及未实现之处：