MapReduce详细分析
一、MapReduce概述
1、定义
MapReduce核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序,并发运行在一个Hadoop集群 上。
2、MR进程
一个完整的MapR educe程序在分布式运行时有三类实例进程:
- **Mr AppMaster:**负责整个程序的过程调度及状态协调。
- MapTask:负责Map阶段的整个数据处理流程。
- ReduceTask:负责Reduce阶段的整个数据处理流程。
3、常用数据序列化类型
| Java****类型 | Hadoop Writable****类型 |
|---|---|
| Boolean | BooleanWritable |
| Byte | ByteWritable |
| Int | IntWritable |
| Float | FloatWritable |
| Long | LongWritable |
| Double | DoubleWritable |
| String | Text |
| Map | MapWritable |
| Array | ArrayWritable |
4、MR编程规范
-
Mapper阶段
(1)户自定义的Mapper要继承自己的父类
(2) Mapper的输入数据是KV对的形式(KV的类型可自定义)
(3) Mapper中的业务逻辑写在map（）方法中
(4) Mapper的输出数据是KV对的形式(KV的类型可自定义)
(5) map0方法(MapTask进程)对每一个 -
Reducer阶 段
(1)用户自定义的Reducer要继承自己的父类
(2) Reducer的输入数据类型对应Mapper的输出数据类型，也是KV
(3) Reducer的业务逻辑写在reduce0方法中
(4) ReduceTask进程**对一组相同k的k,v>**组调用一次reduce0方法 -
Driver阶段
相当于YARN集群的客户端，于提交我们整个程序到YARN集群，提交的是封装了MapReduce程序相关运行参数的job对象
5、Mapper类、Reducer类中关键方法
Mapper类:
setup()方法: Called once at the beginning of the task . 在每个MapTask中只会在Task开始运行时被调用一次.
map()方法: Called once for each key/value pair in the input split. Most applications should override this, but the default is the identity function.
一个切片中输入的每一个kv对会调用一次map方法。
cleanup()方法: Called once at the end of the task. 在每个MapTask中只会在Task结束前被调用一次
run()方法: 负责控制Mapper的执行过程.
Reducer类:
setup()方法: Called once at the start of the task. 在每个ReduceTask开始运行时会调用一次该方法.
reduce()方法: This method is called once for each key. Most applications will define their reduce class by overriding this method. The default implementation is an identity function.
为同一个key(map端输出的数据可能有相同key的多个kv对,称之为一组kv)执行一次reduce方法。
cleanup()方法: Called once at the end of the task. 在每个ReduceTask结束时会调用一次该方法
run()方法: 负责控制Reducer的执行过程。
二、Hadoop的序列化
序列化就是把内存中的对象，转换成字节列(或其他数据传输协议)以便于存储到磁盘(持久化)和网络传输。
反序列化就是将收到字节序列(或其他数据传输协议)或者是磁盘的持久化数据，转换成内存中的对象。
Java的序列化是一个 重量级序列化框架(Serializable) ，一个对象被序列化后， 会附带很多额外的信息(各种校验信息，Header, 继承体系等)，不便于在网络中高效传输。所以，Hadoop自己开发了一套序列化机制(Writable) 。
Hadoop序列化特点:
(1)紧凑:高效使用存储空间。
(2)快速:读写数据的额外开销小。
(3)可扩展:随着通信协议的升级而可升级
(4)互操作:支持多语言的交互
自定义bean对象实现序列化接口（Writable）
（1）必须实现Writable接口
（2）反序列化时，需要反射调用空参构造函数，所以必须有空参构造
（3）重写序列化方法
（4）重写反序列化方法
（5）注意反序列化的顺序和序列化的顺序完全一致
（6）要想把结果显示在文件中，需要重写toString()，可用”\t”分开，方便后续用。
（7）如果需要将自定义的bean放在key中传输，则还需要实现Comparable接口，因为MapReduce框中的Shuffle过程要求对key必须能排序。
三、MR框架原理
1、InputFormat数据输入
InputFormat: 负责Map端数据的输入
重要的方法:
getSplits(): 生成切片信息。
createRecordReader(): 负责输入数据的读取处理
子抽象类: FileInputFormat
getSplits(): 做了具体的实现. Hadoop默认的切片规则。
具体实现类:
TextInputFormat : Hadoop默认使用的InputFormat
默认使用FileInputFormat中的getSplits方法来生成切片信息。
使用LineRecordReader来读取数据，就是一行一行读取.
CombineFileInputFormat:它可以将多个小文件从逻辑上规划到一个切片中，
NLineInputFormat
KeyValueTextInputFormat
1.1 切片与MapTask的并行度决定机制
**数据切片：**数据切片只是在逻辑上对输入进行分片，并不会在磁盘上将其切分成片进行存储。
1)一个Job的Map阶段并行度由客户端在提交Job时的切片数决定
2)每一个Split切片分配一个MapTask并行 实例处理
3)默认情况下，切片大小=BlockSize
4)切片时不考虑数据集整体,而是逐个针对每一个文件单独切片
1.2 FileInputFormat切片源码解析
public List<InputSplit> getSplits(JobContext job) throws IOException {
StopWatch sw = new StopWatch().start();
long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job)); // 1
// minSize ==> mapreduce.input.fileinputformat.split.minsize
long maxSize = getMaxSplitSize(job); // Long.MAX_VALUE
// maxSize ==> mapreduce.input.fileinputformat.split.maxsize
// generate splits
List<InputSplit> splits = new ArrayList<InputSplit>();
List<FileStatus> files = listStatus(job);
boolean ignoreDirs = !getInputDirRecursive(job)
&& job.getConfiguration().getBoolean(INPUT_DIR_NONRECURSIVE_IGNORE_SUBDIRS, false);
// 循环每个文件，为每个文件单独生成切片.
for (FileStatus file: files) {
if (ignoreDirs && file.isDirectory()) {
continue;
}
Path path = file.getPath();
long length = file.getLen();
if (length != 0) {
BlockLocation[] blkLocations;
if (file instanceof LocatedFileStatus) {
blkLocations = ((LocatedFileStatus) file).getBlockLocations();
} else {
FileSystem fs = path.getFileSystem(job.getConfiguration());
blkLocations = fs.getFileBlockLocations(file, 0, length);
}
if (isSplitable(job, path)) { //若可以切分
long blockSize = file.getBlockSize();//本地最大为32M，集群上最大为128M
//计算切片的大小
long splitSize = computeSplitSize(blockSize, minSize, maxSize);
// return Math.max(minSize, Math.min(maxSize, blockSize));
long bytesRemaining = length;
// 当前文件剩余的大小 除以 切片大小 >1.1 ，继续切片，否则，剩余的大小生成一个切片。
// 避免数据倾斜问题 SPLIT_SLOP =1.1
while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
splits.add(makeSplit(path, length-bytesRemaining, splitSize,
blkLocations[blkIndex].getHosts(),
blkLocations[blkIndex].getCachedHosts()));
bytesRemaining -= splitSize;
}
if (bytesRemaining != 0) {
int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,
blkLocations[blkIndex].getHosts(),
blkLocations[blkIndex].getCachedHosts()));
}
} else { // not splitable
if (LOG.isDebugEnabled()) {
// Log only if the file is big enough to be splitted
if (length > Math.min(file.getBlockSize(), minSize)) {
LOG.debug("File is not splittable so no parallelization "
+ "is possible: " + file.getPath());
}
}
splits.add(makeSplit(path, 0, length, blkLocations[0].getHosts(),
blkLocations[0].getCachedHosts()));
}
} else {
//Create empty hosts array for zero length files
splits.add(makeSplit(path, 0, length, new String[0]));
}
}
// Save the number of input files for metrics/loadgen
job.getConfiguration().setLong(NUM_INPUT_FILES, files.size());
sw.stop();
if (LOG.isDebugEnabled()) {
LOG.debug("Total # of splits generated by getSplits: " + splits.size()
+ ", TimeTaken: " + sw.now(TimeUnit.MILLISECONDS));
}
// 返回切片信息的集合
return splits;
}
(1) 程序先找到你数据存储的目录。
(2)开始遍历处理(规划切片)目录下的每一个文件
(3)遍历第一个文件First.txt(300M)
a) 获取文件大小fs. sizeOf(First.txt)
b)计算切片大小(默认块大小)
computeSplitSize( Math.max(minSize, Math.min(maxSize, blockSize)))=blocksize=128 M
c)默认情况下，切片大小=blocksize
d)开始切，形成第1个切片: First.txt- -0:128M 第2个切First.txt- -128: 256M第3个切片First.txt- -256 M:30M
(每次切片时，都要判断切完剩下的部分是否大于块的1.1倍， 不大于1.1倍就划分-块切片)
e)将切片信息写到一个切片规划文件中
f)整个切片的核心过程在getSplit()方法中完成
g) InputSpit只记录了切片的元数据信息，比如起始位置、长度以及所在的节点列表等。
eg: 一个切片信息: file:/D:/input/inputflow/phone_data.txt:0+1178
意思就是读取/D:/input/inputflow/phone_data.txt的 0~1178 范围的数据.
(4)提交切片规划文件到YARN上，YARN上的MrAppMaster就可以根据切片规划文件计算开启MapTask个数。
切片时不考虑数据集整体，而是逐个针对每一个文 件单独切片
2、Shuffle机制
2.1 Shuffle机制
Map方法之后，Reduce方法之前的数据处理过程称为Shuffle。
Map端：每一个Map任务都维护一个环形缓冲区。Map方法出来之后进入到getpartition()方法，然后数据进入到环形缓冲区，大小为100M，底层为字节数组，到达80%的时候进行反向溢写spill文件。然后对溢写文件进行分区，排序，排序的手段是快排，对key按照字典顺序进行排序。然后将这些文件数据按照分区进行归并排序。最后就可以将数据落盘。
Reduce端：Reduce通过HTTP的方式，从map端拉取数据，默认一次拉取5个。拉取的数据存储在内存中，当内存不足时，将会把数据写入磁盘中。若有Combiner，合并期间会运行，以减少写入磁盘的数据量。不管是内存中，还是磁盘中的数据都会进行归并写入到Reduce方法中去。
生产环境中的优化：
①反向溢写可以调整为90%-95%，目的是为了减少溢写文件spill的个数
②环形缓冲区的大小可以调整为200M，目的是为了减少溢写文件spill的个数
③在Map的归并排序之前进行Combiner，以减少IO、提高Reduce的效率
④在Map的归并排序之后进行Combiner，以减少IO、提高Reduce的效率
⑤Map端数据落盘之前可以采用压缩，以减少数据的IO
⑥当MapTask特别多时，为了调高效率，可以将Reduce拉取数据调整为10-20个
⑦在Reduce端，数据归并排序之前可以进行Combiner
⑧Map端归并排序默认一次归并10个，可以调整为20个，以增加效率
⑨可以增加Reduce端的内存大小，减少数据写入磁盘
其他优化设置：
（1）关于压缩：
压缩可以使用在map的输入：优先考虑文件的大小，文件小不会切片的–>选择压缩速度快的，文件大会切片–>考虑压缩是否支持切片
map的输出：优先考虑压缩速度
reduce输出：考虑需求，reduce的最数据的用途
（2）设置Map、Reduce共存：调整slowstart.completedmaps参数，使Map运行到一定程度后，Reduce也开始运行，减少Reduce的等待时间。
**（3）规避使用Reduce，**因为Reduce在用于连接数据集的时候将会产生大量的网络消耗。
（4）NodeManager默认内存8G，需要根据服务器实际配置灵活调整，例如128G内存，配置为100G内存左右，yarn.nodemanager.resource.memory-mb。
（5）单任务默认内存8G，需要根据该任务的数据量灵活调整，yarn.scheduler.maximum-allocation-mb。
（6）MapTask内存上限，默认为1G，如果数据量是128m，正常不需要调整内存；如果数据量大于128m，可以增加MapTask内存，最大可以增加到4-5g。mapreduce.map.memory.mb
（7）ReduceTask内存上限。默认内存大小为1G，如果数据量是128m，正常不需要调整内存；如果数据量大于128m，可以增加ReduceTask内存大小为4-5g。mapreduce.reduce.memory.mb
**环形缓冲区的底层实现：**就是一个字节数组，数组前面记录关于KV的索引信息，数组后面记录KV数据。首尾相接，构成环形缓冲区，中间是赤道。用于数据的Spill溢出处理。
2.2 Partition分区
public class HashPartitioner<K, V> extends Partitioner<K， V> {
public int getPartition(K key, V value, int numReduceTasks) {
return (key .hashCode () & Integer.MAX VALUE)%numReduceTasks;
}
}
默认分区是根据key的hashCode对ReduceTasks个数取模得到的。用户没法控制哪个key存储到哪个分区。
因此，可以自定义分区。
(1)如果ReduceTask的数量> getPartition的结果数，则会多产生几个空的输出文件part-r-000xx;
(2)如果1
ReduceTask，最终也就只会产生一个结果文件part-r-00000;
(4) 分区号必须从零开始，逐一累加。
//3、自定义Partitioner步骤
//(1)自定义类继承Partitioner,重写getPartition()方法
public class CustomPartitioner extends Partitioner<Text， FlowBean> {
@Override
public int getPartition (Text key, FlowBean value， int numPartitions) {
//控制分区代码逻辑
return partition;
}
}
//(2)在Job驱动中，设置自定义Partitioner
job.setPartitionerClass(CustomPartitioner.class);
//(3)自定义Partition后, 要根据自定义Partitioner的逻辑设置相应数量的ReduceTask
job.setNumReduceTasks(5);
2.3、排序
MapTask和ReduceTask均会对数据按照key进行排序。该操作属于Hadoop的默认行为。任何应用程序中的数据均会被排序，而不管逻辑上是否需要。
默认排序是按照字典顺序排序，且实现该排序的方法是快速排序。
三次排序过程：
对于MapTask，它会将处理的结果暂时放到环形缓冲区中，当环形缓冲区使用率达到一定阈值后，再对缓冲区中的数据进行一次快速排序，并将这些有序数据溢写到磁盘上，而当数据处理完毕后，它会对磁盘上所有文件进行归并排序。
对于ReduceTask，它从每个MapTask上远程拷贝相应的数据文件，如果文件大小超过一定阈值，则溢写磁盘上，否则存储在内存中。如果磁盘上文件数目达到一定阈值，则进行一次归并排序以生成一个更大文件;如果内存中文件大小或者数目超过一定阈值，则进行一次合并后将数据溢写到磁盘上。当所有数据拷贝完毕后，ReduceTask统一对内存和磁盘上的所有数据进行一次归并排序。
排序分类：
(1)部分排序
MapReduce根据输入记录的键对数据集排序。保证输出的每个文件内部有序。在全排序的基础上增加分区个数，部分排序（区内排序）可以保证保证输出的每个文件内部有序
(2)全排序
最终输出结果只有一个文件，且文件内部有序。实现方式是只设置一个ReduceTask。 但该方法在处理大型文件时效率极低，因为一台机器处理所有文件，完全丧失了MapReduce所提供的并行架构。
*(3)辅助排序: (*GroupingComparator分组)
**在Reduce端对key进行分组。**应用于:在接收的key为bean对象时，想让一个或几个字段相同(全部字段比较不相同)的key进入到同一个reduce方法时，可以采用分组排序。
(4)二次排序
在自定义排序过程中，如果compare To中的判断条件为两个即为二次排序。
辅助排序（分组比较）★
Reduce端是怎么把相同的key分到一个reduce呢？依赖与分组比较。
WritableComparator :比较—>一般用于分组比较
1.//存储Hadoop自身序列化类型及对应的分组比较器。
private static final ConcurrentHashMap<Class, WritableComparator> comparators
= new ConcurrentHa shMap<Class, WritableComparator>();
//2.实际在Hadoop自身的序列化类型中，都已经定义好了对应的分组比较器.
例如:在Text类中:
/** A WritableComparator optimized for Text keys. */
public static class Comparator extends WritableComparator {
public Comparator () {
super (Text.class) ;
}
@override
public int compare (byte[] b1, int s1, int 11,
byte[] b2，int s2, int 12) {
int n1 = WritableUti1s.decodeVIntSize (b1[s1]) ;
int n2 = Writab1eUtils.decodeVIntSize (b2[s2]) ;
return compareBytes (b1，s1+n1, 11-n1, b2, s2+n2, 12-n2) ;
}
}
//3.在运行MR程序时，hadoop会将自身的序列化类型及对应的分组比较器注册到WritableComparator中的comparators这个Map中
//例如:在Text类中:
static {
// register this comparator
WritableComparator.define (Text.class, new Comparator()) ;
}
//4. 在mr中如何获取当前key类型对应的分组比较器
//在MapTask中的 1018行: 获取key的比较器
comparator = job.getOutputKeyComparator();
public RawComparator getOutputKeyComparator() {
Class<? extends RawComparator> theClass = getClass(
JobContext.KEY_COMPARATOR, null, RawComparator.class);
if (theClass != null)
return ReflectionUtils.newInstance(theClass, this);
return WritableComparator.get(getMapOutputKeyClass().asSubclass(WritableComparable.class), this);//判断当前的类是否是WritableComparable的子类，并获得比较器
}
public static WritableComparator get(
Class<? extends WritableComparable> c, Configuration conf) {
WritableComparator comparator = comparators.get(c);
if (comparator == null) {
// force the static initializers to run 重新加载
forceInit(c);
// look to see if it is defined now 再次获取
comparator = comparators.get(c);
// if not, use the generic one 若获取不到，则直接new一个，newWritableComparator的时候，会调用WritableComparable方法
if (comparator == null) {
comparator = new WritableComparator(c, conf, true);
}
}
// Newly passed Configuration objects should be used.
ReflectionUtils.setConf(comparator, conf);
return comparator;
}
// 5. 自定义比较器对象: 继承WritableComparator,提供构造方法，重写compre方法.
// 重写这个compare。 默认还是调用Bean对象的compareTo方法用作分组比较器
public int compare(WritableComparable a, WritableComparable b) {
return a.compareTo(b);
}
// 如果一个key没有提供对应的比较器对象，默认会使用key对应的类中的 compareTo方法来进行分组比较.
2.4、Combiner合并
(1) Combiner是MR程序中Mapper和Reducer之外的一种组件。
(2) Combiner组件的父类就是Reducer。
(3) Combiner和Reducer的区别在于运行的位置
Combiner是在每一个 MapTask所在的节点运行;
Reducer是接收全局所有Mapper的输出结果;
(4) Combiner的意义就是对每个MapTask的输出进行局部汇总，以减小网络传输量。
(5) Combiner能够应用的前提是不能影响最终的业务逻辑，而且，Combiner的输出kv应该跟Reducer的输入kv类型要对应起来。
3、MapTask工作机制
//1. 从Job提交流程的(2)--><9> 进去
Job job = new Job(JobID.downgrade(jobid), jobSubmitDir); //构造真正执行的Job , LocalJobRunnber$Job
//2. LocalJobRunnber$Job 的run()方法
1) TaskSplitMetaInfo[] taskSplitMetaInfos =
SplitMetaInfoReader.readSplitMetaInfo(jobId, localFs, conf, systemJobDir);
// 读取job.splitmetainfo
2) int numReduceTasks = job.getNumReduceTasks(); // 获取ReduceTask个数
3) List<RunnableWithThrowable> mapRunnables = getMapTaskRunnables(
taskSplitMetaInfos, jobId, mapOutputFiles);
// 根据切片的个数， 创建执行MapTask的 MapTaskRunnable
4) ExecutorService mapService = createMapExecutor(); // 创建线程池
5) runTasks(mapRunnables, mapService, "map"); //执行 MapTaskRunnable
6) 因为Runnable提交给线程池执行，接下来会执行MapTaskRunnable的run方法。
7) 执行 LocalJobRunner$Job$MapTaskRunnable 的run()方法.
(1) MapTask map = new MapTask(systemJobFile.toString(), mapId, taskId,
info.getSplitIndex(), 1); //创建MapTask对象
(2) map.run(localConf, Job.this); //执行MapTask中的run方法
<1> .runNewMapper(job, splitMetaInfo, umbilical, reporter);
① org.apache.hadoop.mapreduce.TaskAttemptContext taskContext = JobContextImpl
② org.apache.hadoop.mapreduce.Mapper<INKEY,INVALUE,OUTKEY,OUTVALUE> mapper = WordConutMapper
③ org.apache.hadoop.mapreduce.InputFormat<INKEY,INVALUE> inputFormat = TextInputFormat
④ split = getSplitDetails(new Path(splitIndex.getSplitLocation()),
splitIndex.getStartOffset()); // 重构切片对象
切片对象的信息 : //file:/D:/input/inputWord/JaneEyre.txt:0+36306679
⑤ org.apache.hadoop.mapreduce.RecordReader<INKEY,INVALUE> input = MapTask$NetTrackingRecordReader
⑥ output = new NewOutputCollector(taskContext, job, umbilical, reporter); //构造缓冲区对象
[1] collector = createSortingCollector(job, reporter); //获取缓冲区对象
MapTask$MapOutputBuffer
{1} . collector.init(context); //初始化缓冲区对象
1>>.final float spillper =
job.getFloat(JobContext.MAP_SORT_SPILL_PERCENT, (float)0.8);
// 溢写百分比 0.8
2>>.final int sortmb = job.getInt(MRJobConfig.IO_SORT_MB,
MRJobConfig.DEFAULT_IO_SORT_MB);
// 缓冲区大小 100M
3>>.sorter = ReflectionUtils.newInstance(job.getClass(
MRJobConfig.MAP_SORT_CLASS, QuickSort.class,
IndexedSorter.class), job);
// 排序对象
// 排序使用的是快排，并且基于索引排序。
4>> . // k/v serialization // kv序列化
5>> . // output counters // 计数器
6>> . // compression // 压缩
7>> . // combiner // combiner
⑦ mapper.run(mapperContext); // 执行WordCountMapper中的run方法。 实际执行的是WordCountMapper继承的Mapper中的run方法。
[1] . 在Mapper中的run方法中
map(context.getCurrentKey(), context.getCurrentValue(), context);
执行到WordCountMapper中的map方法。
[2] . 在WordCountMapper中的map方法中将kv写出
context.write(outK,outV);
（1）Read阶段：MapTask通过用户编写的RecordReader，从输入InputSplit中解析出一个个key/value。
（2）Map阶段：该节点主要是将解析出的key/value交给用户编写map()函数处理，并产生一系列新的key/value。
（3）Collect收集阶段：在用户编写map()函数中，当数据处理完成后，一般会调用OutputCollector.collect()输出结果。在该函数内部，它会将生成的key/value分区（调用Partitioner），并写入一个环形内存缓冲区中。
（4）Spill阶段：即“溢写”，当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作。
溢写阶段详情：
步骤1：利用快速排序算法对缓存区内的数据进行排序，排序方式是，先按照分区编号Partition进行排序，然后按照key进行排序。这样，经过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照key有序。
步骤2：按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out（N表示当前溢写次数）中。如果用户设置了Combiner，则写入文件之前，对每个分区中的数据进行一次聚集操作。
步骤3：将分区数据的元信息写到内存索引数据结构SpillRecord中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB，则将内存索引写到文件output/spillN.out.index中。
（5）Combine阶段：当所有数据处理完成后，MapTask对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。
当所有数据处理完后，MapTask会将所有临时文件合并成一个大文件，并保存到文件output/file.out中，同时生成相应的索引文件output/file.out.index。
在进行文件合并过程中，MapTask以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式。每轮合并io.sort.factor（默认10）个文件，并将产生的文件重新加入待合并列表中，对文件排序后，重复以上过程，直到最终得到一个大文件。
让每个MapTask最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。
4、ReduceTask工作机制
（1）Copy阶段：ReduceTask从各个MapTask上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则写到磁盘上，否则直接放到内存中。
（2）Merge阶段：在远程拷贝数据的同时，ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。
（3）Sort阶段：按照MapReduce语义，用户编写reduce()函数输入数据是按key进行聚集的一组数据。为了将key相同的数据聚在一起，Hadoop采用了基于排序的策略。由于各个MapTask已经实现对自己的处理结果进行了局部排序，因此，ReduceTask只需对所有数据进行一次归并排序即可。
（4）Reduce阶段：reduce()函数将计算结果写到HDFS上。
5、OutputFormat数据输出
OutputFormat是MapReduce输出的基类，所有实现MapReduce输出都实现了 OutputFormat接口。
几种常见的OutputFormat实现类。
1.文本输出TextOutputFormat
默认的输出格式是TextOutputFormat，它把每条记录写为文本行。它的键和值可以是任意类型，因为TextOutputFormat调用toString0方法把它们转换为字符串。
2.SequenceFileOutputFormat
将SequenceFileOutputFormat输出作为后续MapReduce任务的输入，这便是一种好的输出格式，因为它的格式紧凑,很容易被压缩。
3.**自定义OutputFormat**
根据用户需求，自定义实现输出。
自定义OutputFormat
为了实现控制最终文件的输出路径和输出格式，可以自定义OutputFormat。
自定义OutputFormat步骤
(1)自定义一个类继承FileOutputFormat
(2)改写RecordWriter, 具体改写输出数据的方法write。
6、Join
6.1Reduce Join
Map端的主要工作:
为来自不同表或文件的key/value对，打标签以区别不同来源的记录。然后用连接字段作为key,其余部分和新加的标志作为value，最后进行输出。
Reduce端的主要工作:
在Reduce端以连接字段作为key的分组已经完成， 我们只需要在每一个分组当中将那些来源于不同文件的记录(在Map阶段已经打标志)分开，最后进行合并就ok了。
缺点:这种方式中，合并的操作是在Reduce阶段完成，Reduce端的处理压力太大，Map节点的运算负载则很低，资源利用率不高，且在Reduce阶段极易产生数据倾斜。
解决方案: Map端实现数据合并
6.2 Map Join
将小表的文件提前加载到内存中，接下来每读取一条大表的数据，就与内存中的小表的数据进行join, join完成后直接写出.
Map Join适用于一张表十分小、一张表很大的场景。
思考：在Reduce端处理过多的表，非常容易产生数据倾斜。怎么办？
在Map端缓存多张表，提前处理业务逻辑，这样增加Map端业务，减少Reduce端数据的压力，尽可能的减少数据倾斜。
具体办法：采用DistributedCache
（1）在Mapper的setup阶段，将文件读取到缓存集合中。
（2）在驱动函数中加载缓存。
// 缓存普通文件到Task运行节点。
job.addCacheFile(new URI(“file://e:/cache/pd.txt”));
7、计数器
Hadoop为每个作业维护若干内置计数器，以描述多项指标。例如，某些计数器记录已处理的字节数和记录数，使用户可监控已处理的输入数据量和已产生的输出数据量。
计数器API
(1)采用枚举的方式统计计数
enum MyCounter{MALFOROR MED ,NORMAL}
//对枚举定，义的自定义计数器加1
context getCounter(MyCounter.MAL F ORO RMED)increment(1);
(2)采用计数器组、计数器名称的方式统计
context. getCounter(" counterGroup" , " counter" ). increment(1),
组名和计数器名称随便起，但最好有意义。
(3)计数结果在程序运行后的控制台上查看。
四、数据压缩
1、概述
数据压缩对于节省资源最小化磁盘I/O和网络传输非常有帮助。可以在任意MapReduce阶段启用压缩。
压缩基本原则:
(1)运算密集型的job,少用压缩
(2) IO密集型的iob,多用压缩
2、MR支持的压缩编码
| 压缩格式 | hadoop自带？ | 算法 | 文件扩展名 | 是否可切分 | 换成压缩格式后，原来的程序是否需要修改 |
|---|---|---|---|---|---|
| DEFLATE | 是，直接使用 | DEFLATE | .deflate | 否 | 和文本处理一样，不需要修改 |
| Gzip | 是，直接使用 | DEFLATE | .gz | 否 | 和文本处理一样，不需要修改 |
| bzip2 | 是，直接使用 | bzip2 | .bz2 | 是 | 和文本处理一样，不需要修改 |
| LZO | 否，需要安装 | LZO | .lzo | 是 | 需要建索引，还需要指定输入格式 |
| Snappy | 否，需要安装 | Snappy | .snappy | 否 | 和文本处理一样，不需要修改 |
| 压缩格式 | 对应的编码/解码器 |
|---|---|
| DEFLATE | org.apache.hadoop.io.compress.DefaultCodec |
| gzip | org.apache.hadoop.io.compress.GzipCodec |
| bzip2 | org.apache.hadoop.io.compress.BZip2Codec |
| LZO | com.hadoop.compression.lzo.LzopCodec |
| Snappy | org.apache.hadoop.io.compress.SnappyCodec |
3、常用压缩方式选择
Bzip2压缩：
优点:**支持Split;**具有很高的压缩率，比Gzip 压缩率都高; Hadoop本身自带，使用方便。
缺点:压缩解压速度慢。
Lzo压缩：
优点:压缩解压速度也比较快，合理的压缩率;支持Split, 是Hadoop中最流行的压缩格式;可以在inux系统下安装lzop命令，使用方便。
缺点: Hadoop本身不支持，需要安装;在应用中对Lzo格式的文件需要做一些特殊处理(为了支持Split**需要建索引，**还需要指定InputFormat为Lzo格式)
应用场景:一个很大的文本文件，压缩之后还大于200M以上的可以考虑,而且单个文件越大, Lzo优点越越明显。
Snappy压缩：
优点:高速压缩速度和合理的压缩率。
缺点:**不支持Split;**压缩率比Gzip要低; Hadoop本身不支持， 需要安装。
应用场景:当MapReduce作业的Map输出的数据比较大的时候，作为Map到Reduce的中间数据的压缩格式;或者作为一个MapReduce作业的输 出和另外一个MapReduce作业的输入。
4、压缩位置选择
