golang实现mapreduce单进程版本

vinllen.com · · 1656 次点击 · · 开始浏览    
这是一个创建于 的文章,其中的信息可能已经有所发展或是发生改变。

  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。

1. Mapreduce大体架构

pic1   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)。

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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.go

6 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 main

import (  
    "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 := 1
Outter:  
    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 master

import (

    "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 []Item
outter:  
    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 master

import (  
    "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 master

import (  
    "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 master

import (  
    "fmt"
    "strings"
    "bufio"
    "os"
    "container/heap"
    "strconv"

    "github.com/vinllen/go-logger/logger"
)

type Item struct {  
    key string
    val int
}

type PriorityQueue []*Item

func (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:

  1. 各模块间耦合性高
  2. master单点故障未扩展
  3. 未采用多进程实现,进程间采用RPC通信
  4. 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。

说明

转载请注明出处:http://vinllen.com/golangshi-xian-mapreducedan-jin-cheng-ban-ben/

参考

https://research.google.com/archive/mapreduce.html


有疑问加站长微信联系(非本文作者)

本文来自:vinllen.com

感谢作者:vinllen.com

查看原文:golang实现mapreduce单进程版本

入群交流(和以上内容无关):加入Go大咖交流群,或添加微信:liuxiaoyan-s 备注:入群;或加QQ群:692541889

1656 次点击  
加入收藏 微博
暂无回复
添加一条新回复 (您需要 登录 后才能回复 没有账号 ?)
  • 请尽量让自己的回复能够对别人有帮助
  • 支持 Markdown 格式, **粗体**、~~删除线~~、`单行代码`
  • 支持 @ 本站用户;支持表情(输入 : 提示),见 Emoji cheat sheet
  • 图片支持拖拽、截图粘贴等方式上传