MapReduce 工做流程

MapReduce 工做流程

以示例程序 wordcount为例

Map

InputFormat

InputFormat会将咱们指定的输入路径中的文件按照block（默认 128M）逻辑切分红若干切片（split，若是文件不足 128M 则单独为一个切片，若是满了128M可是不满128M*1.1也单独为一个切片），而后交给RecordReader进行处理，产出若干key/value record

RecordReader

产出的key/value record会暂存在内存中的一块环形缓冲区中（逻辑上成环形），写入record时会从环形上的两个位置写入，一个位置写入record，一个位置写入record的索引inde，这样作的好处是：要想在环上找到一个record不用遍历数据量较大的record序列，而只用遍历数据量较小的index列表。

Shuffle

Ring Buffer & Excessive Writing & Combine

MapTask会根据输入的大数据源源不断的产出record，而环形缓冲的大小是有限的（假设是100M，此参数可配置），当环形缓冲的占用量达到80%（此参数可配置）时，就会对这80%的record进行一个全排序（准确的说是二次排序，先按照partition有序（见Partitioner），再按照record的key有序），若是你设置了CombinerClass那么同时会对record进行一个合并，最后写入磁盘（此过程称为溢写），造成一个首先分区号有序其次key有序的record序列；而剩下的20%则继续迎接后续写入的record。

Merge Sort

这样输入的数据集就会分批次写入到硬盘中，造成多个批次内有序的record序列，而后再从硬盘中逐批读出这些序列进行一个归并排序（归并的过程当中又能够应用Combiner作一个合并处理），最终产出该MapTask对应的分区号有序、同一分区内record.key有序的record序列，即将流入Reducer

Reducer

setNumReduceTask

MapTask的数量是由切片规则来决定的，输入的数据集会被切成多少片就会有多少个MapTask，每一个MapTask都会产出一个分区号有序的record序列，而ReducerTask是在Driver中经过setNumReducerTask手动指定的，通常会和Partitioner返回的分区号（返回0则会由ReduceTask1处理并产出到part-r-0000）类别数保持一致。

ReduceTask

ReduceTask会从全部的MapTask的产出中抓取出分区号和本身对应的record过来，例如上图中ReduceTask1会分别抓取MapTask1和MapTask2产出的record序列中分区号为0的部分，进行一个归并排序（过程当中使用GroupingComparator进行分组，结果对应Reducer#reduce方法入参的Iterable values）并将结果序列中的元素（Object key,Iterable values）逐个交给Reducer#reduce进行处理，能够经过context.write写入到output对应分区号的part-r-000x中。