不懂Hadoop心脏Shuffle的原理这一篇就够了（含讲解视频））

学习Hadoop搞明白Shuffle的原理是很是重要的，然而相信不少人看了《Hadoop权威指南4》好几遍，也没有真正搞明白它真正的原理。看完这篇文章，相信会对你理解Shuffle有很大的帮助。

---

官方给的定义：系统执行排序、将map输出做为输入传给reducer的过程称为Shuffle。（看完是否是一脸懵逼）
通俗来说，就是从map产生输出开始到reduce消化输入的整个过程称为Shuffle。以下图用黑线框出的部分：

圆形缓冲区介绍：

每个map任务都会有一个圆形缓冲区。默认大小100MB（io.sort.mb属性）阈值0.8也就是80MB(io.sort.spill.percent属性指定） ,

一旦达到阈值一个后台线程开始把内容写到(spill)磁盘的指定目录mapred.local.dir下的新建的一个溢出写文件。写入磁盘前先partition、sort、[combiner]。一个map task任务可能产生N个磁盘文件。
map task运算完以后，产生了N个文件，而后将这些文件merge合成一个文件。
若是N < 3，合成的新文件写入磁盘前只通过patition（分区）和sort（排序）过程，不会执行combiner合并（不管是否指定combiner类），以下图所示：

若是N>=3，合成的新文件写入磁盘前通过patition（分区）、sort（排序）过和combiner合并（前提是指定了combiner类），以下图所示：

思考：为何只有当N>=3时，合成文件才会执行combiner呢？
这是由于若是N< 3时，执行combiner虽然减小了文件的大小，可是同时产生了必定的系统开销。因为减小的文件大小不大，权衡利弊后，肯定N< 2时不在执行combiner操做。
当该map task所有执行完以后，对应的reduce task将会拷贝对应分区的数据（该过程称为fetch），以下图所示：

其它的map task任务完成后，对应的reduce task也一样执行fetch操做，以下图所示：

每一个map任务的完成时间可能不一样，所以只要有一个任务完成，reduce任务就开始复制其输出。该阶段被称为reduce的复制阶段。reduce任务有少许复制线程，所以可以并行取得map输出。默认值是5个线程，但这个默认值能够经过设置mapred.reduce.parallel.copies属性改变。

复制完全部map输出后，reduce任务进入合并阶段，该阶段将合并map输出，并维持其顺序排序（至关于执行了sort），若是指定了combiner，在写入磁盘前还会执行combiner操做。

那么具体是如何合并的呢？
合并因子默认是10，能够经过io.sort.factor属性设置。合并过程是循环进行了，可能叫通过多趟合并。目标是合并最小数量的文件以便知足最后一趟的合并系数。假设有40个文件，咱们不会在四趟中每趟合并10个文件从而获得4个文件。相反，第一趟只合并4个文件，随后的三趟分别合并10个文件。再最后一趟中4个已合并的文件和余下的6个（未合并的）文件合计10个文件。具体流程以下图所示：

注意：这并无改变合并次数，它只是一个优化措施，目的是尽可能减小写到磁盘的数据量，由于最后一趟老是直接合并到reduce。
看到这里您是否理解了Shuffle的具体原理呢，若是没有，也没有关系，接下来咱们经过一个wordcount案例再将整个流程梳理一遍。
首先map任务的代码以下：

public class WCMapper extends Mapper< LongWritable, Text, Text, LongWritable> {
  public void map(LongWritable ikey, Text ivalue, Context context) throws IOException, InterruptedException {
    String line = ivalue.toString();
    String words[] = line.split(" ");
    for (String word : words) {
      context.write(new Text(word), new LongWritable(1));
    }
  }
}

在分区（分区规则：按首字母分四个区，分别为a-i,j-q,r-z,其它）的过程当中，会将相同的单词合并到一块儿，将出现次数用逗号隔开，如上图所示。注意此时尚未排序。分区代码以下：

package cn.geekmooc;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;
public class WCPatitioner extends Partitioner<Text, LongWritable> {
  @Override
  public int getPartition(Text key, LongWritable value, int numPartitions) {
    int first_char = key.charAt(0);
    if(first_char>=97&&first_char<=105){
      return 0;
    }else if(first_char>=106&&first_char<=113){
      return 1;
    }else if(first_char>=114&&first_char<=122){
      return 2;
    }else{
      return 3;
    }
  }
}

接着执行排序操做，默认排序规则是按照key的字典升序排序，固然你也能够指定排序规则，排序后以下图所示：

接下来执行combiner操做，将每一个单词后续的1求和，WCCombiner类代码以下：

package cn.geekmooc;
import java.io.IOException;
import java.util.Iterator;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class WCCombiner extends Reducer<Text, LongWritable, Text, LongWritable> {
  @Override
  protected void reduce(Text key, Iterable<LongWritable> values,
      Reducer<Text, LongWritable, Text, LongWritable>.Context context) throws IOException, InterruptedException {
    System.out.println(key.toString()+":"+values.toString());
    long count = 0;
    Iterator<LongWritable> iter = values.iterator();
    while(iter.hasNext()){
      count += iter.next().get();
    }
    context.write(key, new LongWritable(count));
  }
}

combiner的结果以下图所示

map任务执行完，产生N个spill文件，接着对N个文件进行合并，分如下两种状况：
1.N < 3，不管是否指定combiner类，合并文件时都不会执行combiner

2.N>=3,若是指定了combiner类将执行combiner操做，以下图：

接下来进入fetch（或copy）阶段

而后在reduce端进行合并

而后执行最后一趟合并，并将结果直接传给reduce

reduce类代码以下：

package cn.geekmooc;
import java.io.IOException;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class WCReducer extends Reducer<Text, LongWritable, Text, LongWritable> {
  @Override
  protected void reduce(Text key, Iterable<LongWritable> values,
      Reducer<Text, LongWritable, Text, LongWritable>.Context context) throws IOException, InterruptedException {
    System.out.println(key.toString()+":"+values.toString());
    long count = 0;
    for (LongWritable val : values) {
      count += val.get();
    }
    context.write(key, new LongWritable(count));
  }
}

reduce task执行后，输出结果：

看讲解视频