7.5 MapReduce程序的核心运行机制
任务目的
- 知晓客户端对 Map 阶段并行度的规划
- 掌握 FileInputFormat 的默认切片机制
- 掌握手动设置 ReduceTask 数量的方法
- 理解 MapReduce 程序的运行流程
任务清单
- 任务1：MapTask 并行度决定机制
- 任务2：ReduceTask 并行度决定机制
- 任务3：MapReduce 程序的运行流程
详细任务步骤
任务1：MapTask 并行度决定机制
1.1 MapTask 并行度
MapTask 并行度决定 Map 阶段的任务处理并发度，进而影响到整个 Job 的处理速度。
那么， MapTask 并行实例是否越多越好呢？其并行度又是如何决定呢？
一个 Job 的 Map 阶段并行度由客户端在提交 Job 时决定， 客户端对 Map 阶段并行度的规划的基本逻辑为：
将待处理数据执行逻辑切片（即按照一个特定切片大小，将待处理数据划分成逻辑上的多个 split），然后每一个 split 分配一个 MapTask 并行实例处理。
这段逻辑及形成的切片规划描述文件，是由 FileInputFormat 实现类的 getSplits() 方法完成的。该方法返回的是 List， InputSplit 封装了每一个逻辑切片的信息，包括长度和位置信息，而 getSplits() 方法返回一组 InputSplit。
1.2 FileInputFormat 切片机制
1. FileInputFormat 中默认的切片机制：
（1）简单地按照文件的内容长度进行切片
（2）切片大小，默认等于 block 大小
（3）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
比如待处理数据有两个文件：
File1.txt 200M
File2.txt 100M
经过 getSplits() 方法处理之后，形成的切片信息是：
File1.txt-split1 0-128M
File1.txt-split2 129M-200M
File2.txt-split1 0-100M
2. FileInputFormat 中切片的大小的参数配置：
计算切片大小：long splitSize = computeSplitSize(Math.max(minSize, Math.min(maxSize, blockSize)))，翻译一下就是求这三个值的中间值。
切片主要由这几个值来运算决定：
- blocksize： 默认是 128M，可通过
dfs.blocksize修改 - minSize： 默认是 1，可通过
mapreduce.input.fileinputformat.split.minsize修改 - maxsize： 默认是 Long.MaxValue，可通过
mapreduce.input.fileinputformat.split.maxsize修改
因此， 默认情况下，切片大小等于 blocksize。
- 如果 maxsize 调的比 blocksize 小，则切片会小于 blocksize，而且就等于配置的这个参数的值；
- 如果 minsize 调的比 blocksize 大，则切片会大于 blocksize。
但是，不论怎么调参数，都不能让多个小文件“划入”一个 split。
任务2：ReduceTask 并行度决定机制
ReduceTask 的并行度同样影响整个 Job 的执行并发度和执行效率，但与 MapTask 的并发数由切片数决定不同， ReduceTask 数量的决定是可以直接手动设置：
job.setNumReduceTasks(4); //默认值是 1，手动设置为 4
ReduceTask 的数量默认为 1，我们手动设置为 4，表示运行 4 个 ReduceTask，相应的输出结果会有4个，如下图所示：
图16
如果设置为 0，表示不运行 ReduceTask 任务，也就是没有 Reduce 阶段，只有 Map 阶段，Map 阶段的输出结果作为最终的输出结果。
如果数据分布不均匀，就有可能在 Reduce 阶段产生数据倾斜。
注意： ReduceTask 数量并不是任意设置，还要考虑业务逻辑需求，有些情况下，需要计算全局汇总结果，就只能有 1 个 ReduceTask。
任务3：MapReduce 程序的运行流程
3.1 MapReduce 结构
一个完整的 MapReduce 程序在分布式运行时有两类实例进程：
- MRAppMaster（MapReduce Application Master）：负责整个程序的过程调度及状态协调
- YarnChild（MapTask）：负责 Map 阶段的整个数据处理流程，阶段并发任务
- YarnChild（ReduceTask）：负责 Reduce 阶段的整个数据处理流程，阶段汇总任务
以上两个阶段 MapTask 和 ReduceTask 的进程都是 YarnChild，并不是说这 MapTask 和 ReduceTask 就跑在同一个 YarnChild 进程里。
运行任意一个 MapReduce 程序，使用jps命令查看进程：
图1
从图中可以看出，MapReduce 运行时，开启了 MRAppMaster 和 YarnChild 进程，此图中的 YarnChild 代表的是 MapTask。运行完 MapTask 阶段，此 YarnChild 进程会关闭，随后再运行 ReduceTask 阶段，此时还会开启一个名为 YarnChild 的进程，但是通过查看进程号发现，此时的 YarnChild 进程是一个新的进程，与 MapTask 阶段的 YarnChild 不是同一个进程，如下图所示：
图2
3.2 MapReduce 程序的运行流程
1. 一个 MapReduce 程序启动的时候，最先启动的是 MRAppMaster， MRAppMaster 启动后根据本次 Job 的描述信息，计算出需要的 MapTask 实例数量，然后向集群申请机器启动相应数量的 MapTask 进程；
2. MapTask 进程启动之后，根据给定的数据切片(哪个文件的哪个偏移量范围)范围进行数据处理，主体流程为：
- 利用客户指定的 InputFormat 来获取 RecordReader 读取数据，形成输入 KV 对
- 将输入 KV 对传递给客户定义的
map()方法，做逻辑运算，并将map()方法输出的 KV 对收集到缓存 - 将缓存中的 KV 对按照 K 分区排序后不断溢写到磁盘文件
3. MRAppMaster 监控到所有 MapTask 进程任务完成之后（真实情况是，某些 MapTask 进程处理完成后，就会开始启动 ReduceTask 去已完成的 MapTask 处 fetch 数据），会根据客户指定的参数启动相应数量的 ReduceTask 进程，并告知 ReduceTask 进程要处理的数据范围（数据分区）；
4. ReduceTask 进程启动之后，根据 MRAppMaster 告知的待处理数据所在位置，从若干台 MapTask 运行所在机器上获取到若干个 MapTask 输出结果文件，并在本地进行重新归并排序，然后按照相同 key 的 KV 为一个组，调用客户定义的 reduce() 方法进行逻辑运算，并收集运算输出的结果 KV，然后调用客户指定的 OutputFormat 将结果数据输出到外部存储。
总结 WordCount 程序的详细实现流程：
图3