MapReduce笔记 —— shuffle阶段的运行原理

这张图片是我从林子雨老师的ppt上面截下来的

1. 输入：框架使用InputFormat类的子类把输入文件(夹)划分为很多InputSplit，通常默认是每个HDFS的block对应一个InputSplit。通过RecordReader类，把每个InputSplit解析成一个个。默认，框架对每个InputSplit中的每一行，解析成一个

注1：k1就是行偏移量，v1就是一行的内容。

2. Map：这阶段是进行Map任务，也就是程序中的Mapper实现类。接收上一步的，然后输出新的，k2就是每个单词，v2就是1，比如，

注：这之后就是看reduce任务是否存在，通常默认有一个reduceTask，存在则进行shuffle阶段，将数据分区，排序，聚合然后传入reduceTask。如果设置reduceTask任务为0，那么map输出结果直接写入hdfs中

3. 缓存：一个inputSplit对应一个mapTask，一个mapTask对应一个位于内存中的环形缓冲区，用来存储mapTask的输出（也就是第二步的输出结果）。缓冲区的默认大小为100M，达到阈值0.8时时就会将数据溢出写到本地磁盘中。这里假设第二步一共产生了200M的数据，那么会分三次写入磁盘，被分为了三个部分，体积分别是80M，80M，40M，现在暂且叫这三部分为溢写文件，此时数据还没有写到磁盘中。
   

注1：将缓冲区中的数据临时写入磁盘，然后重新利用环形缓冲区。这个从内存往磁盘写数据的过程被称为Spill，中文可译为溢写

注2：当缓冲区快满的时候需要将缓冲区的数据以一个临时文件（也就是我上面说的溢写文件）的方式存放到磁盘，当整个map task结束后再对磁盘中这个map task产生的所有临时文件做合并，生成最终的正式输出文件，然后等待reduce task来拉数据。

注3：溢写过程时单独启用一个线程来完成，不会影响map继续往缓冲区写入结果

注4：整个环形内存缓冲区就是一个字节数组，但是这个数字是个环形数据结构，前后相接。数组阈值为0.8，数据占比达到阈值就开始溢写也就是往磁盘写。剩下预留的20M空间会在缓冲区溢写时继续接收maptask的输出。如果80M还没有溢写完成，20M的预留空间就写完了，这个时候线程处于阻塞状态，直到80M溢写完成

在写入磁盘之前，还会经历三个阶段，即图上的分区，排序，合并

• 分区 partition （时间在Map结束后，写入缓冲区之前，key/value对以及Partition的结果都会被写入缓冲区）

  对于map输出的每一个键值对，系统都会给定一个partition，partition值默认是根据 key的hashcode码 % reduceTask数量 得到，partition决定这个键值对由哪个reduceTask来接收，假如partition值为0，则交给第一个reduce处理

  如果reduceTask只有一个或者没有，那么partition将不起作用

• 排序 sort（时间在溢写线程启动后）

  在溢写文件中，根据key值对键值对进行排序，相同key的键值对会被放在一个区域内。像下图这样，一部分key都为a，一部分的key都为b。三个方格的大小也不相同，因为一个溢写文件中不同key的键值对数量并不相同
  

​ 比如，，，会被排序成，，，

• combine （时间在sort排序之后）

将key值相同的键值对的value加起来，从而减少溢写到磁盘的数据量

比如，，，会被合并为，，。

注1：即使没有定义Combiner函数，shuffle过程也会把具有相同key的键值对归并为一个键值对，但是里面的形式为>，也就是的形式

注2：combine不应该改变最终的结果，因此只适用于部分场景。比如要求每个键值对的value值的平方值之和，假设键值对为，，，不进行combine的结果为，。加上combine后，，变成，结果为。这显然是不合理的。

所以combine一般用在等幂的计算之中，比如求和求差求对最大值等

注3：

1. combine可以理解为是在map端的reduce的操作，对单个map任务的输出结果数据进行合并的操作
2. combine是对一个map的，而reduce合并的对象是对于多个map

比如一个mapTask的结果有100个< a，1>，一共有十个mapTask，那么reduce里面要对value-list进行遍历的数量多不说，还会在map端传入reduce端时占用网络的传输资源，增加磁盘的IO负载。因此可以在map端用combine做一次合并操作，一个mapTask将结果文件合成为，这样传入reduce端的时候，reduce对十个操作即可

4. merge：归并排序。将多个溢写文件合并成一个大的溢出文件
   

这样一个mapTask任务产生的键值对结果，会这样按顺序存放在一个溢出文件中

注1：不同的溢写文件中也会出现相同key的键值对，所以如果定义了combiner函数，也会在这里使用combine来合并相同key的键值对。同样的，如果不合并就是的形式。总之到了这一步，文件中不会出现具有相同key的键值对。

至此，map端的shuffle阶段结束，文件被保存在了磁盘之中。之后就是reduce端的shuffle阶段

1. copy：reduce会启动一些专门的数据copy线程到指定位置拉取文件，也就是从map端领取自己要处理的键值对。

   注1：根据之前设置的partition来设置哪些键值对到哪个reduceTask中

2. merge：reduceTask会领取到不同mapTask输出的结果文件，然后将这些结果文件再一次进行merge归并排序

上图是假设一个reduceTask中，需要处理两个键值对，分别是key为a的键值对，以及key为b的键值对。

需要进行归并排序的原因：

（1）数据来源不同，reduce的数据来源可能来自内存，也可能来自磁盘。我们希望的是数据存放于内存中，直接作为Reducer的输入，但mapTask结果文件默认是保存在磁盘中

（2）多个mapTask的结果混杂在一起，一个mapTask中没有重复的key，而多个mapTask的结果文件中会出现相同的key，这些key值相同的键值对会根据partition到同一个reduceTask中，由Reducer函数进行处理。

因此在交给Reducer处理前，还需要将这些相同key的键值对归并在一起。另外由于不同key的partition值可能相同，所以一个reduce会处理不同key的键值对，所以归并之后还会有一个排序。

如果没有combine的话，最后到了reduce中的数据会是>这种数据，遍历values即可得出reduce的结果，完成词频统计

3. reduce函数运行结束，向hdfs中写入结果文件

至此，整个mapreduce程序结束

在学习的过程中，以下几篇博客帮助我理解了很多内容，建议看一看

第一篇
MapReduce shuffle过程详解
第二篇
MapReduce的Shuffle机制
第三篇（这一篇博客是转载，感兴趣的朋友可以在里面找到源地址）
mapreduce里的shuffle 里的 sort merge 和combine
第四篇
MapReduce之combine