MapReduce详细工作流程解析

一.流程示意图

二.流程详解

1.split阶段

首先mapreducec会根据要运行的大文件来进行split，每个输入分片（input split）针对一个map任务，输入分片（InputSplit）存储的并非数据本身，而是一个分片长度和一个记录数据位置的数组。输入分片（InputSplit）通常和HDFS的block（块）关系密切。加入我们设定HDFS的块的大小是128M，我们运行的大文件是128*10MB，MapReduce会分为10个MapTask，每个MapTask都尽可能运行在block（块）所在的DataNode上，体现了移动计算不移动数据的思想

2.map阶段

map阶段就是执行自己编写的Mapper类汇中的map函数，Map过程开始处理，MapTask会接收输入分片，通过不断的调用map方法对数据进行处理，处理完毕后，转换为新的键值对输出.

3.Shuffle阶段

shuffle阶段主要负责将map端生成的数据传递给reduce端，因此shuffle分别在map端的过程和在reduce端的执行过程。

具体执行过程如下：

（1）MapTask收集map()方法的输出对，放到内存缓冲区（环形环形缓冲区），其中环形缓冲区的大小默认是100MB；

（2）环形缓冲区到达一定阈值（环形缓冲区大小的80%）时，会将缓冲区中的数据溢出本地磁盘文件，这个过程会溢出多个文件

（3）多个溢写文件会被合并成大的溢写文件。

（4）在溢写过程中及合并的过程中，都要调用Partitioner进行分区和针对key进行归并排序sort。

（5）合成大文件后，map端shuffle的过程也就结束了，后面进入reduce端shuffle的过程。

（6）在Reduce端，shuffle主要分为复制map输出（copy），排序合并（merge sort）两个阶段

​ Reduce任务通过HTTP向各个Map任务拖取它所需要的数据。

​ Copy过来的数据会先放入内存缓冲区中，如果内存缓冲区中能放得下这次数据的话就把数据直接写到内存中，即内存到内存merge。Reduce要向每个Map拖取数据，在内存中每个Map对应一块数据，当内存缓存区中存储Map数据占用空间达到一定程度的时候，开始启动内存中merge，把内存中的数据merge输出到磁盘上一个文件中，即内存到磁盘merge

当属于该reducer的map端输出全部拷贝完成，则会在reducer上生成多个文件（如果拖取的所有map数据总量没有超过内存缓冲区，则数据就只存在于内存中），这时开始执行合并操作，即磁盘到磁盘merge

4.Reduce阶段

reduce从合并的文件中取出一个一个的键值对group，调用用户自定义的reduce方法（），生成最终的输出文件

5.注意

shuffle中的缓冲区大小会影响到MapReduce程序的执行效率，原则上说，缓冲区越大，磁盘io的次数就越少，执行速度就越快。

缓冲区的大小可以通过参数调整，参数：io.sort.mb 默认100M。

三.各个阶段的工作机制

InputFormat是个接口，FileInputFormat和DBInputFormat是InputFormat的实现类

• FileInputFormat—文件类型—抽象类

• DBInputFormat—数据库类型—具体实现类

FileInputFormat是一个抽象类，有很多实现类，默认的是TextInputFormat

1.InputFormat数据输入

InputFormat 的主要功能：是确定每一个 map 任务需要读取哪些数据以及如

何读取数据的问题

• 读哪些数据：每个map读取哪些数据有InputSplit（数据切片）决定；
• 如何读取数据：由RecordReader来决定

inputformat就有获取inputsplit和RecordReader的方法

inputformat接口源码

package org.apache.hadoop.mapred;

import java.io.IOException;
import org.apache.hadoop