网站建设平台杭州/优化设计七年级上册数学答案

MapReduce

写在前面

身为大数据专业的学生，其实大学我也多多少少接触过mapreduce，但是当时觉得这玩意太老了，觉得这和php一样会被时代淘汰。只能说当时确实太年轻了，没有好好珍惜那时候的学习资源…

现在回过头来看mapreduce，发现技术这东西和语言不一样，技术万变不离其中，而语言只是实现技术的一种方法而已，用什么语言其实并不重要。

原论文地址：MapReduce: Simplified Data Processing on Large Clusters

总览

这次 lab1 的 mapreduce，其实是在 搜索引擎tangseng 的时候，需要用来构建倒排索引。所以会和课程上所要求的不太一样，这里也没有使用rpc调用，而是为了与项目统一，便改用了grpc进行调用。

这里需要注意几点

• 不同的Map任务之间不会进行通信
• 不同的Reduce任务之间也不会发生任何信息交换
• 所有的数据交换都是通过MapReduce框架自身去实现的

那么如何对 map tasks 和 reduce tasks 进行合理的协调呢？这里我们就要引入两个角色，master 和 worker，在原论文中，对这两者的并没有非常明确的定义，但我们可以摘录并提炼原论文对这两个角色的描述：

master :

• The master picks idle workers and assigns each one a map task or a reduce task.

worker :

• The map worker who is assigned a map task reads the contents of the corresponding input split.

• The reduce worker iterates over the sorted intermediate data and for each unique intermediate key encountered, it passes the key and the corresponding set of intermediate values to the user’s Reduce function

这里我们先说一下几个状态枚举值：

• idle ：空闲状态
• in-progress ：进行状态
• completed ：完成状态

这三个枚举值代表着每一个 map task 和 reduce task 的状态，标识着这些 task 是未开始，进行中，还是已完成。

那么 master 其实就是选择空闲的 worker 节点，为每一个空闲的 worker 节点分配 map task 或者 reduce task。而 worker 看似分成了 map worker 和 reduce worker，但其实这两个 worker 都是一样，只是看 master 分配的是 map task 还是 reduce task。这样我们的 map 和 reduce 的数据传送就非常清晰了。

接下来，我们来详细讲解一下这几个重要的角色

Worker

首先我们先定义一个 MapReduce 的任务，也就是我们 worker 需要用到参数

type MapReduceTask struct {Input         string   `json:"input"`         // 输入的文件TaskState     State    `json:"task_state"`    // 状态NReducer      int      `json:"n_reducer"`     // reducer 数量TaskNumber    int      `json:"task_number"`   // 任务数量Intermediates []string `json:"intermediates"` // map 之后的文件存储地址Output        string   `json:"output"`        // output的输出地址
}

接着再定义 State 枚举值

type MasterTaskStatus intconst (Idle       MasterTaskStatus = iota + 1 // 未开始InProgress                             // 进行中Completed                              // 已完成
)

接下来我们的 Worker 函数就很简单了

func Worker(ctx context.Context, mapf func(string, string) []*types.KeyValue, reducef func(string, []string) *roaring.Bitmap) {// 启动workerfor {task, err := getTask(ctx) // worker从master获取任务if err != nil {log.LogrusObj.Error("Worker-getTask", err)return}// 拿到task之后，根据task的state，map task交给mapper， reduce task交给reducer// 额外加两个state，让 worker 等待 或者 直接退出switch task.TaskState {case int64(types.Map):mapper(ctx, task, mapf)case int64(types.Reduce):reducer(ctx, task, reducef)case int64(types.Wait):time.Sleep(5 * time.Second)case int64(types.Exit):returndefault:return}}
}

至于 mapper 和 reducer 如何实现的，先桥豆麻袋一下，下文在 map 和 reduce 中会给出答案，如何从 master 中拿到 task 呢？这就涉及到 worker 和 master 的通信。本来打算用 RPC 通信的，但为了项目的整体统一，还是用了 gRPC 。

创建一个proto文件

syntax="proto3";
option go_package = "/index_platform;";message MapReduceTask{// @inject_tag:form:"input" uri:"input"string input = 1;// @inject_tag:form:"task_state" uri:"task_state"int64 task_state = 2;// @inject_tag:form:"n_reducer" uri:"n_reducer"int64 n_reducer = 3;// @inject_tag:form:"task_number" uri:"task_number"int64 task_number = 4;// @inject_tag:form:"intermediates" uri:"intermediates"repeated string intermediates = 5;// @inject_tag:form:"output" uri:"output"string output = 6;
}message MasterTaskCompletedResp {// @inject_tag:form:"code" uri:"code"int64 code=1;// @inject_tag:form:"message" uri:"message"string message=2;
}service MapReduceService {rpc MasterAssignTask(MapReduceTask) returns (MapReduceTask);rpc MasterTaskCompleted(MapReduceTask) returns (MasterTaskCompletedResp);
}

定义两个 RPC 函数，MasterAssignTask 用来接受 master 分配的 task MasterTaskCompleted 完成 task 之后，对这个 task 进行标识，意味着该任务结束。

所以我们 worker 接受任务的通信如下

func getTask(ctx context.Context) (resp *mapreduce.MapReduceTask, err error) {// worker从master获取任务taskReq := &mapreduce.MapReduceTask{}resp, err = rpc.MapReduceClient.MasterAssignTask(ctx, taskReq)return
}

当完成任务时，通过gRPC发送给master

func TaskCompleted(ctx context.Context, task *mapreduce.MapReduceTask) (reply *mapreduce.MasterTaskCompletedResp, err error) {// 通过RPC，把task信息发给masterreply, err = rpc.MapReduceClient.MasterTaskCompleted(ctx, task)return
}

那么 master 是如何分配任务的？接下来我们来介绍一下 master 节点。

Master

我们定义这么一个 Master 服务的结构体

type MasterSrv struct {TaskQueue     chan *types.MapReduceTask // 等待执行的taskTaskMeta      map[int]*types.MasterTask // 当前所有task的信息MasterPhase   types.State               // Master的阶段NReduce       int                       // Reduce的数量InputFiles    []string                  // 输入的文件Intermediates [][]string                // Map任务产生的R个中间文件的信息mapreduce.UnimplementedMapReduceServiceServer // gRPC服务实现接口
}

那么当我们 New 一个 Master 服务的时候，顺便创建 map tasks 任务

func NewMaster(files []string, nReduce int) *MasterSrv {m := &MasterSrv{TaskQueue:     make(chan *types.MapReduceTask, int(math.Max(float64(nReduce), float64(len(files))))),TaskMeta:      map[int]*types.MasterTask{},MasterPhase:   types.Map,NReduce:       nReduce,InputFiles:    files,Intermediates: make([][]string, nReduce),}m.createMapTask()return m
}

创建 map task 任务

func (m *MasterSrv) createMapTask() {// 把输入的files都形成一个task元数据塞到queue中for idx, filename := range m.InputFiles { taskMeta := types.MapReduceTask{Input:      filename,TaskState:  types.Map, // map节点NReducer:   m.NReduce,TaskNumber: idx,}m.TaskQueue <- &taskMetam.TaskMeta[idx] = &types.MasterTask{TaskStatus:    types.Idle, // 状态为 idle ，等待worker节点来领取 taskTaskReference: &taskMeta,}}
}

创建 reduce task 任务

func (m *MasterSrv) createReduceTask() {m.TaskMeta = map[int]*types.MasterTask{}for idx, files := range m.Intermediates {taskMeta := types.MapReduceTask{TaskState:     types.Reduce, // reduce 阶段NReducer:      m.NReduce,TaskNumber:    idx,Intermediates: files,}m.TaskQueue <- &taskMetam.TaskMeta[idx] = &types.MasterTask{TaskStatus:    types.Idle, // 找到空闲的 workerTaskReference: &taskMeta,}}
}

MasterAssignTask 等待 worker 来领取 task

func (m *MasterSrv) MasterAssignTask(ctx context.Context, req *mapreduce.MapReduceTask) (reply *mapreduce.MapReduceTask, err error) {mu.Lock()defer mu.Unlock()task := &types.MapReduceTask{Input:         req.Input,TaskState:     types.State(req.TaskState),NReducer:      int(req.NReducer),TaskNumber:    int(req.TaskNumber),Intermediates: req.Intermediates,Output:        req.Output,}if len(m.TaskQueue) > 0 {// 如果queue中还有任务的话就发出去*task = *<-m.TaskQueuem.TaskMeta[task.TaskNumber].TaskStatus = types.InProgress // 修改worker的状态为进行中m.TaskMeta[task.TaskNumber].StartTime = time.Now() // 记录task的启动时间} else if m.MasterPhase == types.Exit {*task = types.MapReduceTask{TaskState: types.Exit,}} else {// 没有task就让worker等待*task = types.MapReduceTask{TaskState: types.Wait}}// 返回该任务的状态，因为发出去就是给task了，这个状态已经改变了，worker可以工作了reply = &mapreduce.MapReduceTask{Input:         task.Input,TaskState:     int64(task.TaskState),NReducer:      int64(task.NReducer),TaskNumber:    int64(task.TaskNumber),Intermediates: task.Intermediates,Output:        task.Output,}return
}

那么如果 task 把任务都做完了，master 应该怎么回应呢？

func (m *MasterSrv) MasterTaskCompleted(ctx context.Context, req *mapreduce.MapReduceTask) (resp *mapreduce.MasterTaskCompletedResp, err error) {resp = new(mapreduce.MasterTaskCompletedResp)resp.Code = e.ERRORresp.Message = "map finish successfully"// 更新task状态if req.TaskState != int64(m.MasterPhase) || m.TaskMeta[int(req.TaskNumber)].TaskStatus == types.Completed {// 因为worker写在同一个文件这次盘上对于重复的结果要丢弃return}m.TaskMeta[int(req.TaskNumber)].TaskStatus = types.Completederr = m.processTaskResult(req) // always success haha and hope u so :)if err != nil {resp.Code = e.ERRORresp.Message = "map finish failed"return}return
}

处理任务的结果，如果是 map 完成后就变成 reduce 阶段，reduce 之后就是 all done. 😃

// processTaskResult 处理任务结果
func (m *MasterSrv) processTaskResult(task *mapreduce.MapReduceTask) (err error) {switch task.TaskState {case int64(types.Map):// 收集intermediate信息for reduceTaskId, filePath := range task.Intermediates {m.Intermediates[reduceTaskId] = append(m.Intermediates[reduceTaskId], filePath)}if m.allTaskDone() {// 获取所有的map task后，进入reduce阶段m.createReduceTask()m.MasterPhase = types.Reduce}case int64(types.Reduce):if m.allTaskDone() {// 获得所有的reduce task后，进去exit阶段m.MasterPhase = types.Exit}}return
}

介绍完master之后，我们具体来看一下map的具体行为。

Map

在 map 中，我们抽离出一个 mapper，具体的map函数可根据实际情况进行修改，然后将map function传入mapper中进行实际的map动作，我们读取每一个文件，然后把输出的结果都放到 intermediates 中，并且根据 task 所设定的 NReducer 也就是 reducer 数 进行hash ，将结果均匀分到每个中间文件中。

func mapper(ctx context.Context, task *mapreduce.MapReduceTask, mapf func(string, string) []*types.KeyValue) {// 从文件名读取contentcontent, err := os.ReadFile(task.Input)if err != nil {log.LogrusObj.Error("mapper", err)return}// 将content交给mapf，缓存结果intermediates := mapf(task.Input, string(content))// 缓存后的结果会写到本地磁盘，并切成R份// 切分方式是根据key做hashbuffer := make([][]*types.KeyValue, task.NReducer)for _, intermediate := range intermediates {slot := ihash(intermediate.Key) % task.NReducerbuffer[slot] = append(buffer[slot], intermediate)}mapOutput := make([]string, 0)for i := 0; i < int(task.NReducer); i++ {mapOutput = append(mapOutput, writeToLocalFile(int(task.TaskNumber), i, &buffer[i]))}// R个文件的位置发送给mastertask.Intermediates = mapOutput_, err = TaskCompleted(ctx, task) // 完成后，给master发送消息，map阶段结束if err != nil {fmt.Println("mapper-TaskCompleted", err)}return
}

具体的 Map方法，由于是用于搜索引擎，所以这里是建立倒排索引

func Map(filename string, contents string) (res []*types.KeyValue) {res = make([]*types.KeyValue, 0)lines := strings.Split(contents, "\r\n") // 分行var inputData *model.InputDatafor _, line := range lines[1:] {docStruct, _ := doc2Struct(line) // 字符串转 doc structtokens, err := analyzer.GseCutForBuildIndex(docStruct.DocId, docStruct.Body)if err != nil {return}for _, v := range tokens {res = append(res, &types.KeyValue{Key: v.Token, Value: cast.ToString(v.DocId)}) // token:docId 倒排索引}}return
}

至此map就已经完成了，是不是很简单，其实具体的map和reduce并不难，难的是如何平衡调度，接下来我们来看看reduce是如何怎么的。

Reduce

和map一样，我们抽离出一个reducer，然后把具体的 reduce 传进去，当然还有一个shuffle过程，这里进行排序会减少后面的reduce计算。可以少计算几次。

func reducer(ctx context.Context, task *mapreduce.MapReduceTask, reducef func(string, []string) *roaring.Bitmap) {// 先从filepath读取intermediate的KeyValueintermediate := *readFromLocalFile(task.Intermediates)// 根据kv排序 shuffle 过程sort.Sort(types.ByKey(intermediate))dir, _ := os.Getwd()outName := fmt.Sprintf("%s/mr-tmp-%d.%s",dir, task.TaskNumber, consts.InvertedBucket)invertedDB := storage.NewInvertedDB(outName)output := roaring.NewBitmap()var outByte []bytei := 0for i < len(intermediate) {// 将相同的key放在一起分组合并j := i + 1for j < len(intermediate) && intermediate[j].Key == intermediate[i].Key {j++}var values []stringfor k := i; k < j; k++ {values = append(values, intermediate[k].Value)}// 交给reducef，拿到结果output = reducef(intermediate[i].Key, values)// 落倒排索引库outByte, _ = output.MarshalBinary()_ = invertedDB.StoragePostings(intermediate[i].Key, outByte)i = j}task.Output = outName_, err := TaskCompleted(ctx, task) // 完成后，给master发送消息，reduce阶段结束if err != nil {fmt.Println("reducer-TaskCompleted", err)return}
}

具体的Reduce，其实就是把相同的key的value聚合在一起。比如

after map:

{"apple":1}
{"apple:"2}
{"poizon":3}

after reduce:

{"apple":{1,2}}
{"poizon":{3}}

具体实现如下所示：

func Reduce(key string, values []string) *roaring.Bitmap {docIds := roaring.New()for _, v := range values {docIds.AddInt(cast.ToInt(v))}return docIds
}

最终 output 输出

以上就是我对6.824这个课程的lab1的所有理解了，并且运用到了 tangseng 搜索引擎中。

具体代码实现地址在 https://github.com/CocaineCong/tangseng/app/mapreduce 中。